摘要
近年来，非常深的卷积神经网络（CNNs）在图像修复领域引起了广泛关注。然而，随着网络深度的增加，这些非常深的模型很少意识到长期依赖问题，导致先前的状态/层对后续状态的影响微乎其微。受人类思维具有持续性的启发，我们提出了一种非常深的持久记忆网络（MemNet），该网络引入了一个由递归单元和门控单元组成的记忆块，通过自适应学习过程显式地挖掘持久记忆。递归单元在不同的感受野下学习当前状态的多级表示。这些表示以及前一个记忆块的输出被连接并发送到门控单元，后者自适应地控制应保留多少先前状态，并决定应存储多少当前状态。我们将MemNet应用于三个图像修复任务，即图像去噪、超分辨率和JPEG去块效应。全面的实验表明了MemNet的必要性及其在这三项任务中相对于现有最佳方法的一致优越性。代码可在https://github.com/tyshiwo/MemNet 获取。