[Computer Vision] SRDenseNet

SRDenseNet

"Image Super-Resolution Using Dense Skip Connections"

[Abstract]

SRDenseNet Summary 5단계

• 1단계, 처음 Convolution Layer에서 low level features 추출
• 2단계, Dense block에서 Densely Skip Connection 방식을 통해 high level features 추출
• 3단계, Bottleneck layer를 통해 feature 수 절감
• 4단계, Deconvolution layers를 통해 upscaling
• 5단계, Reconstruction layer를 통해 SR image 복원

[SRDenseNet structure]

1. SRDenseNet_H

• SRDenseNet 기초
• 8개의 Dense block을 통해 high-level feature들을 추출한다.

2. SRDenseNet_HL

• Skip connection은 low-level과 high-level feature들을 합치는 데에 사용되며, 이를 통해 layer 층이 깊어질수록 나타나는 vanishing-gradient 문제를 해결한다.
• 합쳐진 feature map들은 deconvolution layer에 input으로 들어간다.

3. SRDenseNet_All

• Densely skip connection 방식으로 모든 convolution layer들에서 만들어진 feature map들을 결합한다.
• Bottleneck layer 또한 deconvolution layers 이전에 추가하여 feature 수를 낮춘다.
• Deconvolution layer에서 upscale을 한 뒤, Reconstraction layer를 통해 High Resolution image로 복원한다.
• SRDenseNet_All은 69개의 weight layers와 68개의 activation layers를 가진다.

[Results]

[Github]

https://github.com/seogihyun/Super_Resolution/tree/master/SRDenseNet