Enhanced Deep Residual Networks for Single Image Super-Resolution

題目： Enhanced Deep Residual Networks for Single Image Super-Resolution

**

用于單一圖像超分辨率的增強型深度殘差網絡

1. 摘要

近期關于超分辨率（super-resolution）的研究已經随着深度卷積神經網絡（DCNN）的發展而進步了。殘差學習的方法（residual learning ）尤其能展現出其性能表現的提升。在本篇論文中，我們研發了一種增強型深度超分辨率網絡（enhanced deep super-resolution network —— EDSR），其性能表現超越了那些目前最新型的 SR 方法。我們的模型之是以有顯著的性能提升是因為我們在優化時去除了傳統殘差網絡中的不必要子產品。另一個原因就是，在使訓練過程保持穩定的情況下，我們擴充了模型的規模 。我們也提出了一種新型的多尺度深度超分辨率系統（multi-scale deep super-resolution system —— MDSR）和訓練方法，它可以在一個單一模型中，對比例因子（upscaling factors）不同的超分辨率圖像進行重構。這種方法在基準資料集中展現了超過目前一流方法的優越性能，并且通過赢得 NTIRE2017 超分辨率挑戰賽證明了它的卓越性。

介紹

圖像超分辨率（SR）問題，尤其是單一圖像超分辨率（SISR）問題，在近幾十年中已經受到了廣泛的研究關注。SISR 問題旨在從一個單一低分辨率圖像中重構出一個高分辨率圖像。通常情況下，低分辨率圖像和原始的高分辨率圖像可