
摘要
我们提出了一种基于深度递归卷积网络(DRCN)的图像超分辨率方法(SR)。我们的网络具有非常深的递归层(最多可达16次递归)。增加递归深度可以在不引入新参数的情况下提高性能。尽管具有这些优势,但由于梯度爆炸或消失的问题,使用标准梯度下降方法训练DRCN非常困难。为了解决这一训练难题,我们提出了两种扩展方法:递归监督(recursive-supervision)和跳跃连接(skip-connection)。实验结果表明,我们的方法在性能上显著优于以往的方法。
我们提出了一种基于深度递归卷积网络(DRCN)的图像超分辨率方法(SR)。我们的网络具有非常深的递归层(最多可达16次递归)。增加递归深度可以在不引入新参数的情况下提高性能。尽管具有这些优势,但由于梯度爆炸或消失的问题,使用标准梯度下降方法训练DRCN非常困难。为了解决这一训练难题,我们提出了两种扩展方法:递归监督(recursive-supervision)和跳跃连接(skip-connection)。实验结果表明,我们的方法在性能上显著优于以往的方法。