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）が画像超解像（SR）において大きな成功を収め、階層的な特徴量も提供しています。しかし、ほとんどの深層CNNに基づくSRモデルは、元の低解像度（LR）画像から得られる階層的な特徴量を十分に活用しておらず、その結果、相対的に低い性能しか達成できていません。本論文では、この問題に対処するための新しい残差密集ネットワーク（RDN）を提案します。私たちはすべての畳み込み層からの階層的な特徴量を完全に活用します。具体的には、密結合された畳み込み層を通じて豊富な局所特徴量を抽出するための残差密集ブロック（RDB）を提案します。RDBはさらに、先行するRDBの状態から現在のRDBのすべての層への直接接続を可能とし、連続メモリ（CM）メカニズムを導入します。RDB内の局所特徴量融合は、先行および現在の局所特徴量からより効果的な特徴量を適応的に学習し、広いネットワークの訓練を安定させるために使用されます。濃密な局所特徴量を完全に取得した後、全体的な方法でグローバルな階層的特徴量を共同かつ適応的に学習するためにグローバル特徴量融合を使用します。基準データセット上で異なる劣化モデルを使用した広範な実験により、提案したRDNが最先端手法に対して優れた性能を達成することが示されました。