要約
最近、非常に深い畳み込みニューラルネットワーク（CNN）が画像復元の分野で大きな注目を集めています。しかし、ネットワークの深さが増すにつれて、これらの非常に深いモデルにおいて長期依存問題がほとんど認識されていないことがあり、その結果、先行する状態/層が後続するものにほとんど影響を与えないことがあります。人間の思考には持続性があるという事実に基づいて、我々は適応的な学習プロセスを通じて明示的に持続的な記憶を掘り下げるためのメモリブロック（再帰ユニットとゲートユニットから構成される）を導入した非常に深い持続記憶ネットワーク（MemNet）を提案します。再帰ユニットは異なる受容野の下で現在の状態の多レベル表現を学習します。これらの表現と前のメモリブロックからの出力が連結され、ゲートユニットに送られます。ゲートユニットは適応的にどの程度の先行状態を保持すべきかを制御し、また現在の状態のどの部分を保存すべきかを決定します。我々はMemNetを3つの画像復元タスク、すなわち画像ノイズ除去、超解像度化およびJPEGデブロッキングに適用しました。包括的な実験により、MemNetの必要性と最新技術に対する3つのタスク全てでの優位性が示されています。コードは https://github.com/tyshiwo/MemNet で入手可能です。