잔여 밀집 네트워크를 이용한 이미지 초해상도 재구성

최근 매우 깊은 합성곱 신경망(CNN)이 이미지 초해상도(SR) 분야에서 큰 성공을 거두었으며 계층적 특징을 제공하였습니다. 그러나 대부분의 깊은 CNN 기반 SR 모델들은 원래 저해상도(LR) 이미지들로부터의 계층적 특징을 충분히 활용하지 못하여 상대적으로 낮은 성능을 보이고 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 잔차 밀집 네트워크(RDN)를 제안합니다. 우리는 모든 합성곱 층에서의 계층적 특징을 완전히 활용합니다.구체적으로, 우리는 밀집 연결된 합성곱 층들을 통해 풍부한 국소 특징을 추출하기 위한 잔차 밀집 블록(RDB)을 제안합니다. RDB는 이전 RDB 상태에서 현재 RDB의 모든 층으로 직접 연결되도록 하여 연속 메모리(CM) 메커니즘을 구현합니다. RDB 내에서의 국소 특징 융합은 이전과 현재 국소 특징들로부터 더 효과적인 특징들을 적응적으로 학습하고 넓은 네트워크의 훈련을 안정화시킵니다. 밀집된 국소 특징들을 완전히 얻은 후, 우리는 전역 특징 융합을 사용하여 전체적으로 전역 계층적 특징들을 공동으로 그리고 적응적으로 학습합니다.다양한 환경 모델로 벤치마크 데이터셋에 대한 광범위한 실험 결과, 제안된 RDN이 최신 방법들과 비교하여 우수한 성능을 보임을 확인할 수 있었습니다.