Compression Artifacts Reduction by a Deep Convolutional Network 阅读笔记

《Compression Artifacts Reduction by a Deep Convolutional Network》是2015年港中文汤晓鸥组发的一篇针对压缩图像的人工痕迹修复的文章，其主要基于之前对超分辨的SRCNN，提出了AR-CNN，该深度神经网络共4层，依次是Feature extraction层（filter: 64*9*9）、Feature enhancement层(filter: 32*7*7)、Mapping层(filter: 16*1*1)、Reconstruction层(filter: 1*5*5)。网络结构如下：

相比于原本的SRCNN，由于第一层提取的特征模糊不清且噪声较多，所以增加了特征增强层，其实就是加深了网络的深度以得到更综合性的特征。但以2015年的算力和数据集，加深网络后会加大训练的难度。因此为了加快训练，该文中作者还使用了迁移学习，把针对高压缩质量的图片集浅层的网络的第一层（特征提取层）参数作为AR-CNN第一层的参数，其迁移学习的实验结果如下：

可见，迁移学习加快了收敛，并使得深度网络可训练。

AR-CNN对LIVE1数据集的测试结果：

相比于当时的state-of-art方法，该深度网络确实得到了较好的提升。