End-to-End Image Super-Resolution via Deep and Shallow Convolutional Networks
IEEE access
结构和思路非常简单的一个网络：两个分支。
-
浅层分支只有极少量的层，每个层包含极少的卷积核。
-
深层分支包含丰富的卷积核和卷积层。
两个分支
所有分支都包含：
-
特征提取层
以前的（废话）：
- 一二阶梯度
- 先双三次插值再提取特征
提出的：
- 直接特征提取
- shortcut
- zero padding
-
上采样层
以前的：
- 手工操作一般的上采样
- 反正辣鸡
提出的：
- 上池化(unpooling)
- 反卷积 (deconvolution)
see deconv- 提高反卷积网络的卷积核尺寸可以提高反卷积效果
- 反卷积前后用1*1卷积层处理，减少通道数，降低计算开销
-
多尺度重建层
- 残差块串联提高网络深度（和特征提取能力）
- 1*1卷积包围的多尺度卷积层。
-
深浅相加
深浅的作用（combination）
-
浅层网络可以有效提高梯度的传递（其实就是个shortcut的变形把）
-
深层网络对高频信息的还原很有帮助
-
作者称浅层网络是提取了anchor（船锚、支柱）信息，深度网络提取了高频细节，并修正浅层网络的错误？？
-
然后深浅相加
-
结果论来看，比VDSR好一点（0.15db左右）。考虑到期刊代码是不公开的，无法验证。总而言之我认为本文VDSR的思路的一个变种