[논문리뷰] DBPN - Deep Back-Projection Networks for Single Image Super-resolution
[논문리뷰] DBPN - Deep Back-Projection Networks for Single Image Super-resolution
DBPN의 구조Permalink
Down projection의 결과는 concat하여 Up projection의 input으로 들어가고, 채널수가 다를땐 1x1 conv를 이용하여 맞춰준다.
-
Initial Feature Extraction
-
Back-Projection Stages
-
Reconstruction
으로 구성됨
Initial Feature ExtractionPermalink
- 3x3 컨볼루션 레이어를 통하여 n_0채널의 initial LR feature maps을 얻음
- L0∈RMl×Nl×n0
- 1x1 컨볼루션을 통하여 projection 전 nR채널로 차원을 줄임 (n0>nR)
Back-Projection StagesPermalink
1) training set의 크기에 따른 결과Permalink
- Up, down projection을 통해 LR, HR feature maps을 얻음
- Lt∈RMl×Nl×nR,Ht∈RMh×Nh×nR
- Dense connection을 통하여 성능 증가
ReconstructionPermalink
- Up projection의 output을 concatenate 해줌 (deep concatenation)
- Convolution layer를 통해 HR 이미지 복원
- Isr=fRec([H1,H2,…,Ht])
fRec : 3x3 conv를 통한 Reconstruction
[…] : concat의 결과
각각의 projection unit이 HR의 다른 detail들을 보임 -> 이를 합하여 결과의 detail을 높임
Recurrent DBPNPermalink
- 하나의 up, down projection unit 사용
- Dense connection 없이 파라미터들이 공유됨
- 마지막 up, down projection unit이 transition layer로 쓰임
- N번째 반복의 output = H^n
- 마지막 up projection unit은 이전의 모든 output을 얻음
실험 결과Permalink
DBPN-R64-10 : nR=64, t=10 으로 640개의 HR feature 생성
Leave a comment