论文理解：“Cross-Scale Residual Network: A GeneralFramework for Image Super-Resolution,Denoising, and “

译：一种通用框架的跨尺度残差网络

-- IEEE TRANSACTIONS ON CYBERNETICS -- 2020

---

目录

一、引言

二、网络框架

A、浅层特征提取阶段

B、层次特征融合阶段

C、重建阶段

三、跨尺度残差块(CSRB)

四、实验结果

---

一、引言

        一般来说，图像恢复的目的是从被损坏的观测x = H(Y) + v中恢复干净的图像y，其中Y是y的ground-truth高质量版本，H是一个退化函数，v是加性噪声。通过适应不同类型的退化函数，得到的数学模型针对特定的图像恢复任务，如图像超分辨率、去噪和去块。

        作者希望图像恢复网络能够很好地支持上述三种任务。但是大多数现有模型只能在这些任务中的一个中表现良好。总的来说，所有这些任务都有一个共同的特点:旨在从低质量的图像中生成视觉上令人愉悦的高质量图像。因此这些任务恰好具有很强的相关性，作者想到设计一个通用框架来支持所有任务，所以提出了跨尺度残差网络(CSRnet)。

二、网络框架

        本文提出的网络CSRnet包括三个阶段：浅层特征提取阶段，层次特征融合阶段，重建阶段。

它们分别负责提取图像浅层特征，利用提出的CSRB中的丰富特征映射，以及添加图像细节。CSRnet的输入和输出分别为x和y。结构图如下：

A、浅层特征提取阶段

        利用两个卷积层从低质量的输入图像中提取浅层特征。第一卷积层对输入图像进行特征提取，第二卷积层对特征进行降维处理。浅层特征提取阶段可以表示为

其中表示第一次卷积运算，卷积核大小为7x7。使用一个大的卷积核可以产生一个大的感受野。表示第二次卷积运算，卷积核大小为3×3。通过跳跃式连接，进一步用于重建阶段的残差学习，作为第一个CSRB的输入。 

B、层次特征融合阶段

       这个阶段具有多个相同结构的CSRB来学习分层特性。如果D个CSRB全采用块间连接的方式进行堆叠，则这个阶段表示为：

C、重建阶段

        为了进一步改善信息流和重构图像细节，该阶段包含一个跳跃式连接和两个卷积层，表示为

优化目标为

三、跨尺度残差块(CSRB)

        为了确定不同尺度下的图像特征，作者提出了CSRB作为CSRnet的关键组成部分。CSRB采用三个使用不同规模的分支(即1x、1/2x和1/4x)，以支持跨规模特性的使用。如图2所示，具体如下：

        图2中不同颜色边的框代表了不同尺度下的状态设计。带黑色、紫色和黄色边的框分别表示s = 0、2和4尺度下的状态。s的值表示下采样的尺度，即1x、1/2和1/4。

        第d个CSRB的总输入为(三个尺度)：

 第d次CSRB中不同尺度s = 0,2,4的输出可以表示为：

其中：

四、实验结果

下面是去噪结果：