Recurrent Back-Projection Network for Video Super-Resolution - CVPR2019

• paper：https://arxiv.org/pdf/1801.04590v4.pdf
• code：https://github.com/alterzero/RBPN-PyTorch

1. Related Work

• 与DBPN论文一样，都是先总结并分类当前主流的SR做法。
• 主流的Deep VSR（video super-resolution）分为以下四种：
  1. Temporal Concatenation：送入网络前将frames直接concat起来
  2. Temporal Aggregation：将不同数量的帧（有些分路包含更多的邻居frame）丢进网络分路，最后输出前concat起来
  3. RNNs：frames迭代式地进入RNN，最后输出当前这一帧的输出
  4. 本文提出的RBPN

2. Method

• 首先RBPN是根据当前帧以及多个邻居帧生成当前帧的SR图像（multi frame->single frame），并不是multi frame -> multi frame
• RBPN与本文的兄弟paper图像超分辨率网络DBPN思想比较相似，核心都是残差学习。DBPN是根据浅层的特征来学习残差，RBPN是根据邻居帧以及两者的optical flow来学习残差

2.1 Network Architecture

• 与DBPN类似，RBPN同样划分为三个stages：
  1. Initial Feature Extraction：对当前帧采用卷积层$I_t$It​进行特征提取，得到LR特征$L_t$Lt​。并concat当前帧$I_t$It​、邻居帧$I_{t-i}$It−i​、两者之间的optical flow图$F_{t-i}$Ft−i​，然后对concat起来的输入使用卷积层进行特征提取，得到Multi-frame特征$M_{t-i}$Mt−i​。其中$i = {1, 2, ... , n}$i=1,2,...,n。$n$n是一个超参数。上图中最后一个Projection Module的输入$L_{t-n-1}$Lt−n−1​应该写错了，应该是$L_{t-n+1}$Lt−n+1​，是t-n帧的后一帧t-n+1帧对应的Projection Module的输出$L_{t-n+1}$Lt−n+1​。
  2. Multiple Projections
     
     Multiple Projections 是一个Encoder-Decoder结构的Module。Encoder负责上采样，Decoder负责下采样。
     1. Encoder：输入是$L_{t-n+1}$Lt−n+1​（图应该画错了）。$L_{t-n+1}$Lt−n+1​是上一个Projection Module的输出，结合了t-n+1 ~ t-1 帧以及他们与当前帧的optical flow，产生的LR特征图。通过对$L_{t-n+1}$Lt−n+1​使用SISR网络（single image super-resolution）产生HR特征原型 $H_{t-n+1}^t$Ht−n+1t​，然后使用Multi-Frame特征$M_{t-n}$Mt−n​产生multi-frame的HR特征$H^m_{t-n}$Ht−nm​，两者相减得到残差，残差经过Residual Block得到学习后的残差$e_{t-n}$et−n​，与LR特征原型$L_{t-n+1}$Lt−n+1​相加，得出Encoder的输出HR特征$H_{t-n}$Ht−n​
     2. 为了利用更前一帧t-n-1与当前帧的Multi-Frame特征（LR的特征），需要将Encoder的输出HR特征$H_{t-n}$Ht−n​下采样得到LR特征$L_{t-n}$Lt−n​。这里使用了一个Residual Block以及下采样模块（我看得源码采用了max-pooling进行下采样）
     3. Resconstruction：把Projection Module中Encoder每次迭代中输出的HR特征全部concat起来，经过卷积层得出最终的SR图像
• 网络图中的Projection Module实际上只有一个，循环利用。每次向同一个Projection Module输入LR特征以及Multi-Frame的特征
  

3. Experiment

• 采用L1 Loss
• 分析采用多少帧过去的帧进行SR重建
  
  可以看出，显然用更多帧进行预测时效果更好。
  然而，我在跑这个模型的时候发现，这个模型非常的慢…6frame跑不起跑不起…3frame都难