EDSR阅读笔记

原论文地址：https://arxiv.org/abs/1707.02921

• 从Related Work中发现，不是所有的SR都是先interp再传入网络的，也有先传入网络，再upsampling（反卷积）为HR的（FSRCNN），后一种可以减少神经网络参数，因为传入的图像像素点数量较少，但无法解决不同scale的问题，即模型训练在什么scale上，就只能应用在什么scale上，而EDSR论文提出的MDSR解决了这个问题，且其single-scale的EDSR模型同样采取先传入网络再upsampling的方法
• 相比较ResSR，EDSR取消了BN层和最后的ReLU：
  
• 在该论文中提出的baseline model由于并没有采取太多的filter而没有使用residual scaling， 而在其final模型中，每层有256个channel，为了使training 更加stable，在残差与identity相加前，将残差乘以0.1，至于为什么乘以0.1可以使training更加stable，从论文中的链接找到了提出这个观点的论文：https://arxiv.org/abs/1602.07261
• 在single-scale的模型中，使用2x的预训练模型参数来init4x的预训练模型参数使train更快收敛
• 采取L1Loss
• train的时候采用了减去平均RGB值的方法预处理
• muti和single的训练方式有所不同：