DRCN: Deeply-Recursive Convolutional Network for Image Super-Resolution. CVPR 2016

1 文章摘要

DRCN解决的问题：

• 对于图像复原问题的操作问题，深度学习处理的时候时不使用pooling层。

• 使用递归神经网络解决：如果增加网络的深度，将增加更多的参数，则会导致两个问题：

  • 一是容易过拟合，
  • 二是模型过大，难以存储和重现。

• 对于梯度消失/爆炸导致不易收敛，提出了两种解决方法：

  • 一是每层的递归层都是监督式的；
  • 二是类似于残差网络，采用skip connection 结构。

DRCN第一次将之前已有的递归神经网络(Recursive Neural Network)结构应用在超分辨率处理中。同时，利用残差学习的思想(文中的跳跃连接（Skip-Connection）)，加深了网络结构(16个递归)，增加了网络感受野，提升了性能。

DRCN输入的是插值后的图像，分为三个模块，第一个是Embedding network，相当于特征提取，第二个是Inference network, 相当于特征的非线性映射，第三个是Reconstruction network,即从特征图像恢复最后的重建结果。其中的Inference network是一个递归网络，即数据循环地通过该层多次。将这个循环进行展开，等效于使用同一组参数的多个串联的卷积层。

2 网络结构