文章全名： Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
论文下载地址： https://pan.baidu.com/s/1nva9off
code：https://github.com/phoenix104104/LapSRN
该篇论文是2017 CVPR的 可以算是最新的一个超分辨率的论文了 废话不多说 看下论文是怎么做的吧
传统的超分辨做法有一些共同之处，首先是L2 loss函数，其次，使用特定尺寸的图片输入（VDSR除外），最后，都是输入到结果，无中间的超分辨率结果
论文先指出了传统SR（super resolution）做法中的一些问题：
1.现有方法可以处理各个尺寸的低分辨率图片，利用线性插值 将输入图片转为指定尺寸，这一步骤增加了人为噪声
2.使用L2 loss函数不可避免的产生模糊的预测，因为L2 loss函数不能找到由低分辨率LR到高分辨率HR的潜在的多模态分布，在这里作者做了一个解释：例如，一个低分率的patch可能对应多个高分率的patch，采用L2 loss使得重构结果过度平滑，不符合人类视觉
3.传统作法无法产生中间的输出结果
于是，针对传统做法的问题，论文做了一些改进
该篇论文的创新点：
1.级联结构（金字塔结构）：网络有两个分支，1个是特征提取分支，1个是图像重构分支
图中，蓝色箭头表示上采样，绿色箭头表示element-wise addition operator
由图中可见，网络结构为级联结构，个别层有两个箭头输出，向下的箭头表示表示每次上采样到一定程度，即将学习到的残差结果输出，得到对应的重构图像，向右的箭头表示同时继续上采样
与VDSR不同的是，该网络是逐步学习，而不是像其他网络一样只有一个输出，通过级联学习，输出不同scale的残差，得到对应scale的重构结果，一步步得到最终结果
2.提出一种新的loss函数，
其中，x表示LR图像，y表示HR图像，r表示残差，s表示对应的level，也就是scale
在level s下，期望的HR输出为ys=xs+rs;
用线性插值 将HR图像y imresize为 对应大小的ys
该loss函数并非如传统L2 loss函数，而是如图中所示
N是每个batch中的图片数量，L为金字塔结构的level数量
说到这里，或许大家都有点迷糊，这个loss与传统的L2 loss究竟有什么区别，其实，新的loss函数类似于HED（Holistically-Nested Edge Detection）的loss，每个阶段，也就是每个level都有一个对应的loss，训练过程中的目的是将各个level的loss的和降低，如下图所示
看到这里，如果看过HED的都觉得似曾相识吧，确实，与HED的区别在于，HED的各个level的GT（ground truth）都是同一个size，也就是与该层的输出大小不一致，但是，在这里做了一个优化，通过bicubic差值将HR ground truth imresize成对应level大小的GT来计算loss，下面附上一个HED的图，HED与LapSRN的loss的区别刚才已经说的很清楚了
关于HED，打一个小广告，我有两篇关于HED代码运行的博客，如果需要可以参考下
HED代码运行问题解决方法：http://blog.csdn.net/wangkun1340378/article/details/59472149
HED测试单张图片示例：
http://blog.csdn.net/wangkun1340378/article/details/70154492
总览：其实就是论文里的两个图
下图显示了LapSRN与已有的超分辨率网络结构
下表显示了各个网络的配置
其实，这篇论文的创意很好，基于已有的网络，进行了一些优化，采取新的loss，采用级联结构而非一口吃个胖子，逐步优化，取得了很好的结果
超分辨率其实是老生常谈了，SRCNN，FSRCNN，VDSR，DRCN等等，近几年的超分辨率论文真是层出不穷，
不过现在的论文基本上都是有一个共同之处（个人感觉）：
1.加深的网络结构，使得最后几层拥有更大的感受野，从而根据更大的区域获得更多的信息进而去推断目标区域像素
2.更深的结构为梯度传播带来困难，所以采取 并非直接得到HR图像结果，而是得到残差，通过残差学习来化解这个问题
以上就是小生对该论文的见解，如有不当之处欢迎指摘