【文章阅读】【超解像】–Residual Dense Network for Image Super-Resolution

论文链接：https://arxiv.org/pdf/1802.08797.pdf

1.主要贡献

本文作者结合Residual Black和Dense Black提出了RDN(Residual Dense Network)网络结构,网络主要由RDB(Residual Dense block)网络组成,网络的结构图如下:
【文章阅读】【超解像】--Residual Dense Network for Image Super-Resolution

2.论文分析

如上图,网络主要由四部分构成:

(1) SFFNet(shallow feature extraction net)

上图中的前两个卷基层组成了SFFNet,上图中的 $F _ { 0 } = H _ { S F E 2 } \left( F _ { - 1 } \right)$ , $F _ { - 1 } = H _ { S F E 1 } \left( I _ { L R } \right)$ $F_0$ 为SFFNet输出.

(2) RDBs(redidual dense blocks)

上图中 $F_1,Fd$ 表示该模块的中间模块输出,根据之前的输入获得:
$\begin{aligned} F _ { d } & = H _ { R D B , d } \left( F _ { d - 1 } \right) \\ & = H _ { R D B , d } \left( H _ { R D B , d - 1 } \left( \cdots \left( H _ { R D B , 1 } \left( F _ { 0 } \right) \right) \cdots \right) \right) \end{aligned}$
该模块的结构图为:
【文章阅读】【超解像】--Residual Dense Network for Image Super-Resolution
该模块将残差模块Residual block和dense block模块进行了整合,三个模块的区别如下:

RDB模块的输入是 $F_{d-1}$ ,输出 $F_d$ , $G_0$ 表示 $F_{d-1}$ 和 $F_{d}$ 的特征向量数,RDB中间某层输出为:
$F _ { d , c } = \sigma \left( W _ { d , c } \left[ F _ { d - 1 } , F _ { d , 1 } , \cdots , F _ { d , c - 1 } \right] \right)$
假设 $F_{d,c}$ 包含 $G$ 个特征图( $G$ 也被称为增长率);

RDB模块中主要包含3个部分内容:

Contiguous memory

该模块将 $F_{d-1},F_{d,1},F_{d,c},F_{dC}$ 的特征都结合起来;
Local feature fusion

该模块是concat之后的 $1*1$ 卷积操作,该操作的作用是CM后非常多的feature map不易于模型训练,利用该模块对输出的维度进行了压缩.
Local residual learning

该模块表示将 $F_{d-1}$ 和 $F_{d,LF}$ 的特征进行融合,该操作有助于提升模型的表达能力;
$F _ { d } = F _ { d - 1 } + F _ { d , L F }$

(3) DFF(Dense feature fusion)

该模块主要包含两个模块,Global feature fusion和Global Residual learning,其中Global feature fusion模块的作用是将 $F_1,F_2,......FD$ 联合起来 $F _ { G F } = H _ { G F F } \left( \left[ F _ { 1 } , \cdots , F _ { D } \right] \right)$ ,Global Residual learning表示将 $F_{-1}$ 和 $F_{GF}$ 相加得到 $F_{DF}$ 输出, $F _ { D F } = F _ { - 1 } + F _ { G F }$ .该操作和RDB操作一样.

(4) UPNet(Up-sampleing net)

该模块在网络的最后利用上采样和卷积实现图像的放大.

RDN与DenseNet区别:

RDN中去掉了DenseNet中的BN和pooling模块;
DenseNet中只有每一个dense block的输出是concat起来的,而RDB中的利用局部特征融合将RDB中的各层信息都进行了融合;
RDN利用全局特征融合将各个RDB模块中的信息都concat起来,并利用了最开始的特征;

RDN与SRDenseNet的区别:

RDN加入了contiguous memory,使得先前的RDB模块和当前的模块信息直接融合,利用LFF,RDB模块可以利用更大的增长率;RDB中的LRF的应用增加了信息和梯度的流动;
RDB内部没有密集连接.
RDB使用了L1 loss,而SRDenseNet使用了L2 loss;

RDN与MemNet区别:

MemNet需要对原图使用Bicubic插值方式对低分辨率图像进行上采样,RDN直接使用低分辨率图像进行处理,减少了计算量和提高效率;
Memnet中包含逆向和门限单元模块,不接受先前模块的输入,而RDB的各个模块之间是有信息交流的;
MemNet没有全部利用中间的特征信息,而RDN利用GRL将所有的信息都利用起来;

3.结果分析

训练数据集:利用DIV2K进行训练,进行如下3种处理:

(1) BI方式:通过Bicubic对图像进行下采样,缩小比例为x2,x3,x4;

(2)BD方式:先对原图进行( $7*7$ 卷积,方差为1.6)的高斯滤波,再对滤波后的图像进行下采样;

(3)DN方法:先做Bicubic下采样,再加上30%的高斯噪声;
【文章阅读】【超解像】--Residual Dense Network for Image Super-Resolution

4.参考

1.https://blog.csdn.net/qq_14845119/article/details/81459859

5.附录

RDB的Pytorch代码实现如下:

class RDB_Conv(nn.Module):
    def __init__(self, inChannels, growRate, kSize=3):
        super(RDB_Conv, self).__init__()
        Cin = inChannels
        G  = growRate
        self.conv = nn.Sequential(*[
            nn.Conv2d(Cin, G, kSize, padding=(kSize-1)//2, stride=1),
            nn.ReLU()
        ])

    def forward(self, x):
        out = self.conv(x)
        return torch.cat((x, out), 1) 

class RDB(nn.Module):
    def __init__(self, growRate0, growRate, nConvLayers, kSize=3):
        super(RDB, self).__init__()
        G0 = growRate0
        G  = growRate
        C  = nConvLayers
        
        convs = []
        for c in range(C):
            convs.append(RDB_Conv(G0 + c*G, G))
        self.convs = nn.Sequential(*convs)
        
        # Local Feature Fusion
        self.LFF = nn.Conv2d(G0 + C*G, G0, 1, padding=0, stride=1)

    def forward(self, x):
        return self.LFF(self.convs(x)) + x

RDN的Pytorch代码如下:

class RDN(nn.Module):
    def __init__(self, args):
        super(RDN, self).__init__()
        r = args.scale[0]
        G0 = args.G0
        kSize = args.RDNkSize

        # number of RDB blocks, conv layers, out channels
        self.D, C, G = {
            'A': (20, 6, 32),
            'B': (16, 8, 64),
        }[args.RDNconfig]

        # Shallow feature extraction net
        self.SFENet1 = nn.Conv2d(args.n_colors, G0, kSize, padding=(kSize-1)//2, stride=1)
        self.SFENet2 = nn.Conv2d(G0, G0, kSize, padding=(kSize-1)//2, stride=1)

        # Redidual dense blocks and dense feature fusion
        self.RDBs = nn.ModuleList()
        for i in range(self.D):
            self.RDBs.append(
                RDB(growRate0 = G0, growRate = G, nConvLayers = C)
            )

        # Global Feature Fusion
        self.GFF = nn.Sequential(*[
            nn.Conv2d(self.D * G0, G0, 1, padding=0, stride=1),
            nn.Conv2d(G0, G0, kSize, padding=(kSize-1)//2, stride=1)
        ])

        # Up-sampling net
        if r == 2 or r == 3:
            self.UPNet = nn.Sequential(*[
                nn.Conv2d(G0, G * r * r, kSize, padding=(kSize-1)//2, stride=1),
                nn.PixelShuffle(r),
                nn.Conv2d(G, args.n_colors, kSize, padding=(kSize-1)//2, stride=1)
            ])
        elif r == 4:
            self.UPNet = nn.Sequential(*[
                nn.Conv2d(G0, G * 4, kSize, padding=(kSize-1)//2, stride=1),
                nn.PixelShuffle(2),
                nn.Conv2d(G, G * 4, kSize, padding=(kSize-1)//2, stride=1),
                nn.PixelShuffle(2),
                nn.Conv2d(G, args.n_colors, kSize, padding=(kSize-1)//2, stride=1)
            ])
        else:
            raise ValueError("scale must be 2 or 3 or 4.")

    def forward(self, x):
        f__1 = self.SFENet1(x)
        x  = self.SFENet2(f__1)

        RDBs_out = []
        for i in range(self.D):
            x = self.RDBs[i](x)
            RDBs_out.append(x)

        x = self.GFF(torch.cat(RDBs_out,1))
        x += f__1

        return self.UPNet(x)

论文个人理解，如有问题，烦请指正，谢谢！

【文章阅读】【超解像】--Residual Dense Network for Image Super-Resolution