大家好，又见面了，我是你们的朋友全栈君。
RDN——Residual Dense Network—— 残差深度网络。RDN是基于深度学习的超分方法之一，发表于CVPR 2018。
网络结构
RDN网络结构分为4个部分：
- SFENet(Shallow Feature Extraction Net, 浅层特征提取网络)；
- RDBs( Residual Dense Blocks, 残差稠密块)；
- DFF(Dense Feature Fusion, 稠密特征块 )；
- Up-Sampling Net(上采样网络)。
SFENet:
包含两个CONV层，用于提取浅层特征。
RDBs:
包含D个RDB，用于提取各层特征，一个RDB提取出一个局部特征。RDB结构如下图（c）所示：
可以看出，RDB = Residual block(残缺块) + Dense block(稠密块)
由于网络深度的增加，每层CONV层的特征会逐渐分级（得到hierarchical features），因为有不同的感受野（receptive fileds）。而Hierarchical features对图像重建提供了重要信息， 我们要充分利用所有层的信息和特征。
一个RDB结构分为3个部分：
-
CM(Contiguous Memory 近邻记忆)
RDB含有C个[CONV+ReLU]，CM机制会将上一个RDB的状态发送到当前RDB中的每一个CONV层，也就是图（c）的小桥们； -
LFF(Local Feature Fusion 局部特征融合)
LLF将前一个RDB的各个状态与当前RDB的所有CONV层融合在一起。
RDN中，前一个RDB输出的feature-map 是直接与当前RDB串联起来的，这时，减少feature的数量就很有必要了。我们使用一个11的CONV来减少feature的数量/控制输出信息：11CONV用于减少通道数，并保持nh,nw不变； -
LRL(Local Residual Learning 局部残差学习)
也就是将以下两者加起来，看c图下部的红箭头以及绿色加号：前一RDB的输出 + 上面LFF的1*1CONV的输出。引入LRL以进一步提高信息流、提高网络表示能力，以达到更好的性能。
DFF(Dense Feature Fusion, 稠密特征块 ):
DFF在全局上提取各层特征。包含两个部分：
- GFF（global feature fusion 全局特征融合）
GFF 用于将所有RDB提取到的特征融合在一起，得到全局特征。GFF分为两部分：1×1 CONV 融合一系列的特征（1*1CONV的作用就是减少通道数，并保持Nh, Nw）。3×3 CONV 为下一步的GRL进一步提取特征； - GRL（global residual learning 全局残差学习）
就是RDN结构图中的绿色加号。就是实现：浅层特征 + 所有RDB提取到的特征； - UPNet（Up-Sampling Net 上采样网络）
该模块表示网络最后的上采样+卷积操作。实现了输入图片的放大操作。
实现细节
- 除了用于融合局部或全局特征的CONV层的kernel size = 1×1 外，其他的CONV层都是 3×3的；
- kernel size = 3×3的CONV层，都用SAME padding 以保持inputsize不变
浅层特征提取层、局部全局特征融合层的CONV的filter数量都是G0 = 64； - 其他层（RDB中）的CONV的filter数量都是G，并使用ReLU作为其激活函数；
- 使用ESPCNN（Sub-Pixel）来提高粗分辨率特征，从而使得UPNet性能更好；
- RDN最后的CONV，若需要输出彩色高清图像，则可设置其输出的channel = 3；若需要输出灰度高清图像，可设置其输出的channel = 1。
讨论（与其他网络的区别）
Difference to DenseNet:
- 与DenseNet不同：移除了BN层，以提高运算速度降低计算复杂度和GPU内存的消耗；
- 与DenseNet不同：移除了Pooling层，防止其将像素级的信息给去除掉；
- 与DenseNet不同：使用GFF将各RDB提取的特征全部concat起来，充分利用。而DenseNet 整个网络中只使用每一个DenseBlock最后的输出。
Difference to SRDenseNet:
- 在RDB中，提取全局特征时不使用Dense Connection，取而代之的是
- DFF（Dense Feature Fusion, 稠密特征块，包含GFF和GRL)
损失函数：SRDenseNet使用L2 ；RDN使用L1（提高了性能，加快了收敛）。
Difference to MemNet:
- 损失函数：MemNet使用L2 ；RDN使用L1（提高了性能，加快了收敛）；
- MemNet要用Bicubic插值方式对LR图片进行上采样，从而使LR图片达到所需的大小，这就导致特征提取和重建过程都在HR空间（高分辨率空间）中进行；而RDN从原始的LR图片（低分辨率图片）提取各层特征，很大程度上减少了计算的复杂度，并提高了性能；
- MemNet中包含了递归和门限单元，这使得当前层不能接收上一层的输入，而RDB的前后模块是有交互的
实验设置
数据集:
- 数据集： DIV2K(800 training imgs + 100 vali imgs + 100 testing imgs)；
- 训练：DIV2K——800 training img + 5 vali img；
- 测试：五个standard benchmark datasets：Set5 [1], Set14 [33], B100 [18], Urban100 [8], and Manga109 [19]。
退化模型:
训练的输入图片（LR）使用DIV2K的高清图片通过下面3种退化模型得到：
- BI模型：Bicubic插值方式对高清图片进行下采样， 缩小比例为x2，x3，x4；
- BD模型：先对高清图片做（7*7卷积，1.6方差）高斯滤波，再对滤波后图片做下采样， 缩小比例为x3；
- DN模型：①Bicubic插值方式对高清图片进行下采样， 缩小比例为x3，②再加30%的高斯噪声。
实验结果
可看出， CM, LRL, and GFF 缺一不可，缺一个性能就下降。
- 在BI退化模型下：
- 在BD和DN退化模型下：
参考博客
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/150437.html原文链接：https://javaforall.net
