其建构于超分辨EDSR算法,亦即NTIRE2017年的冠军模型,最主要的改进是在残差模块中ReLU激活函数前增大特征图。 与原始EDSR算法相比,该优胜方案WDSR算法增大了ReLU前的卷积特征图,减小了identity mapping pathway的宽度(图中Add所在框变小)。 通过上述操作,在降低参数量的同时,提高了超分辨率的精度。 WDSR-A特征图宽度(2X到4X),WDSR-B使用线性低秩卷积栈(linear low-rank convolution stack)和更宽的特征图(6X到9X),可以使得WDSR-B在保持更高精度的同时不增加计算量。 网络架构: 实验结果 NTIRE2018公布的比赛结果: 图中UIUC-IFP团队即优胜团队,PDN在Track 4中排名第一,但组织者称“PDN ranked 1st on Track 4, however, without submitted results for the other tracks we cannot tell if their solution/architecture is better than that of UIUC-IFP.” 代码主页: https://github.com/JiahuiYu/wdsr_ntire2018 |
|