图像超分辨LapSRN：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution论文笔记

图像超分辨LapSRN：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution论文笔记

简介

• 作者使用的超分辨结构，是拉普拉斯金字塔，每一级的金字塔都以粗糙分辨率的特征图为输入，用解卷积来升采样得到更精细的特征图。另外，网络的训练使用了robust Charbonnier loss function，这个损失函数可以获得更好的超分辨效果。
• LapSRN的最大优点是，一个模型就可以实现多级超分辨，例如一个*8的模型同时也可以实现*2和*4的超分辨任务，这主要也是得益于金字塔结构。

模型

• 网络结构如上图所示。LapSRN分成两个部分：特征提取和图像重建。特征提取中，每一级有d个卷积层，再跟随一个2倍的解卷积提升分辨率，之后和同样用解卷积提升分辨率的LR图像相加，得到更精细的SR。网络学习的就是其中的残差。
• 我们的最终目标是从输入x构建出靠近真实HR:$Y$的超分辨图像。假设在s级金字塔的残差图像为$r_s$，升采样过后的图像为$x_s$，对应的HR图像为ys=rs+