DBPN：一种反复下采样与上采样的超分辨率模型.
- paper：Deep Back-Projection Networks For Super-Resolution
- arXiv：link
相关工作
作者总结了图像超分辨率的相关工作，并将模型划分为四种：
- Predefined upsampling：首先对图像进行上采样（如Bicubic），再通过卷积网络增加细节，如SRCNN, VDSR, DRRN；
- Single upsampling：先通过卷积网络提取丰富的特征，再通过单次上采样增加分辨率，如FSRCNN, ESPCN, EDSR；
- Progressive upsampling：通过拉普拉斯金字塔网络逐渐增加分辨率，如LapSRN；
- Iterative up and downsampling：循环地进行上采样和下采样，增加丰富的特征信息，如DBPN。
网络结构
1. Projection units
Projection包括Up-Projection和Down-Projection。
（1）Up-Projection
先对L特征进行上采样和下采样，得到残差信号；对残差信号进行上采样，融合之前上采样得到的特征，最终得到上采样的特征。
（2）Down-Projection
先对H特征进行下采样和上采样，得到残差信号；对残差信号进行下采样，融合之前下采样得到的特征，最终得到下采样的特征。
2. Dense projection units
作者引入了DenseNet中的dense connections，即每一层特征均使用之前的所有特征，称为Dense DBPN（D-DBPN）。
作者没有使用原网络中的dropout和batchnorm，并引入了$1×1$卷积进行通道压缩。
3. Network architecture
网络主要由三部分构成：
- Initial feature extraction：对输入图像使用若干$3×3$和$1×1$卷积提取特征；
- Back-projection stages：对特征进行反复下采样和上采样，得到若干重构的特征$H^1,…,H^t$；
- Reconstruction：对所有重构特征$H^1,…,H^t$进行最后的重构，得到输出SR。
实验结果
实验设置：
- 训练集：DIV2K, Flickr, ImageNet
- 训练尺寸：裁剪32×32, batchsize20
作者首先验证了模型深度对结果的影响。具体地，作者设置了$L(t=6)$、$M(t=4)$、$S(t=2)$三个大小的模型：
作者对比了不同模型的参数量和性能指标：
作者可视化了$H^1,…,H^t$每一层学习到的特征：
作者验证了dense connections的有效性：
作者发现，模型尤其在较大倍数（如$×8$）的任务中表现更好：
