【超分辨率】VDSR--Accurate Image Super-Resolution Using Very Deep Convolutional Networks

论文链接：https://arxiv.org/abs/1511.04587
论文code: https://github.com/huangzehao/caffe-vdsr

这篇文章通过stack filters来获得一个比较大的感受野。最大达到41x41的感受野，在形式上，其实更有点像ResNet。通过一个global的residual connect来解决加深网络而导致的梯度问题。

本文认为Dong的SRCNN虽然成功把CNN引入到SR中，但是依然受限于三个方面：1.SRCNN依赖于一些比较小的感受野；2. 训练收敛速度太慢；3. 这个网络只能work for 一个单一尺度。

在本篇论文中，作者提出一个新方法来解决这些issue。
Context: 本文通过stack small filters来进行获得一个比较大的感受野，最大达到41x41。事实上，大的感受野可以有效帮助我们进行超分辨率重构。
Convergence: 本文通过residual learning来学习Input和Output之间的difference。由于仅学习残差，因此learning rate可以设置的比较大，可以更快的加速收敛。
Contribution: 作者通过stack filters来获得比较大的感受野，并通过high learning rate来加快收敛。然而deep 网络和high learning rate会出现梯度爆炸，因此作者提出residual-learning和gradient clipping。

主要idea就是： 1）stack small filters； 2）Residual Learning.

ResNet和VDSR两者结构比较：