文章复现:超分辨率网络-VDSR

VDSR全称Very Deep Super Resolution,意思就是非常深的超分辨率网络(相比于SRCNN的3层网络结构),一共有20层,其文章见参考链接【1】。

摘要

We present a highly accurate single-image super-resolution (SR) method. Our method uses a very deep con-volutional network inspired by VGG-net used for ImageNet classification. We find increasing our network depth shows a significant improvement in accuracy.Our final model uses 20 weight layers. By cascading small filters many times in a deep network structure, contextual information over large image regions is exploited in an efficient way. With very deep networks, however, convergence speed becomes a critical issue during training. We propose a simple yet effective training procedure. We learn residuals only and use extremely high learning rates (104times higher than SRCNN) enabled by adjustable gradient clipping. Our proposed method performs better than existing meth-
ods in accuracy and visual improvements in our results are easily noticeable.

大意就是作者仿照VGG提出了一个有20层的深层网络,且通过残差学习来提升网络的收敛速度,在超分的任务上表现由于传统的SRCNN。

网络架构

作者认为SRCNN的主要缺点有:

  • 其捕获到的信息是小区域的信息(对数据patch的缺点);
  • 收敛太慢;
  • 只适用于单个尺度(就是放大倍数);

VDSR网络的架构图如下所示:

VDSR

跟SRCNN主要的不同有:

  • 输入与输出大小一样(通过padding);
  • 每一层使用相同的学习率;

主要可以分为如下几个部分:

  1. 首先对LR图像进行插值得到ILR(Interpolated low-resolution);
  2. 中间的特征提取部分(卷积层+激活层)(其实就是残差信息);
  3. 把上面学习到的残差信息和经过插值的ILR图像相加,得到HR图像;

代码

有了上面的结构信息,就可以按照积木思想搭建网络了,只要注意几个细节就好:

  • 中间的特征提取层为3x3x64,也就是kernel size为3,filter数量为64;
  • 每一层记得padding以保持输入和输出的尺寸一致;
  • 每个卷积层后面跟上ReLU激活层;
class VDSR(nn.Module):
    def __init__(self, in_channels) -> None:
        super(VDSR, self).__init__()

        self.block1 = nn.Sequential(
            nn.Conv2d(in_channels=in_channels,out_channels=64, kernel_size=3,stride=1, padding=1),
            nn.ReLU()
        )
        self.block2 = nn.Sequential(
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
            nn.Conv2d(64,64,kernel_size=3, stride=1,padding=1),
            nn.ReLU(),
        )

        self.block3 = nn.Sequential(
            nn.Conv2d(64,in_channels,kernel_size=3, stride=1,padding=1)
        )

    def forward(self, x):
        y = self.block1(x)
        y = self.block2(y)
        y = self.block3(y)
        y = x + y 
        return y 
  • 上面的层数不对,随便写的,文章中说的是20层,不过本质没有变,主要就是三块;
  • 输入网络的数据记得要预先插值为目标尺寸。

总结

VDSR这个网络整体来说没什么特别的,就是用了残差学习的思想,然后网络层深了点。其他的跟SRCNN是一样的思想。

参考

【1】KIM J, LEE J K, LEE K M 2016. Accurate Image Super-Resolution Using Very Deep Convolutional Networks. 2016 Ieee Conference on Computer Vision and Pattern Recognition (Cvpr) [J]: 1646-1654.
【2】https://medium.com/towards-data-science/review-vdsr-super-resolution-f8050d49362f

本文由mdnice多平台发布

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,904评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,581评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,527评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,463评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,546评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,572评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,582评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,330评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,776评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,087评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,257评论 1 344
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,923评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,571评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,192评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,436评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,145评论 2 366
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,127评论 2 352

推荐阅读更多精彩内容