Scale-wise Convolution for Image Restoration
摘要
虽然尺度不变建模在很大程度上提高了视觉识别任务的性能，但在基于深度网络的图像恢复中仍有很大的不足。将这些尺度不变的技术(例如，多尺度测试、随机尺度数据扩充)直接地应用于图像恢复任务，通常会导致较差的性能。在本文中，证明了将尺度不变性建模到神经网络中可以显著提高图像恢复性能。 从移位不变性的空间卷积得到启发，提出了一种基于尺度不变性的多尺度卷积方法。在SCN中，首先将输入图像映射到特征空间，然后通过双线性降维逐步构建特征金字塔。然后，将特征金字塔传递给带有尺度卷积的剩余网络。为了在多个尺度上利用上下文信息，提出的按比例卷积学习动态**和聚合每个剩余构建块中的不同输入尺度的特征。在实验中，我们比较了我们的模型和多种不同的多尺度神经网络的恢复精度和参数效率。提出的基于尺度卷积的神经网络在图像超分辨率、图像去噪和图像压缩伪影去除等多种图像恢复任务中都取得了较好的效果。
GitHub地址：https://github.com/ychfan/scn
Scale-wise Convolutional Networks
整体方法