这是CVPR2018的文章，提出了针对图像复原任务的CNN模型rdn(residualdensenetwork )。
RDN主要提出网络结构RDB(residualdenseblocks )，它本质上是残差网络结构与紧密网络结构的结合。
1 .残差网络(resnet )和密集网络)1.残差网络结构
残差网络结构：在输入和输出之间引入前向反馈的shortcut connection。 这类似于电路中的“短路”，即所谓的identity mapping (恒等映射y=x )。 的网络学习从输入到输出的映射h(x )，残差网络学习f ) x )=h ) x ) x。
残差学习有效缓解了随着网络深度增加的梯度消失现象。 可以提高网络深度，保持性能和效率。
残差学习适用于图像的恢复。 由于低质量图像和高质量图像之间的相似度高，残差实际上很稀疏，所以为了容易理解残差学习的另一个网络而需要学习的东西变少了。
有关残差网络(resnet )的详细信息，请参阅我的另一篇文章(https://www.Jian Shu.com/p/11f1a 979 b384 )
2 .密集网络结构比resnet，densenet提出了更激进的密集连接机制，即每一层接受前面的所有层作为附加输入。
ResNet按各层与前面的某层(一般为2~3层)短路连接，连接方式用元素相加
另一方面，DenseNet每个层与前面的所有层在channel维度上相连，实现了特征的复用。
密集连通有效地缓解了梯度消失问题，加强了特征传播，鼓励特征复用，减少了参数量。 2.RDN网络结构3 .图(a )是针对过分区任务的RDN，图(b )是针对去噪任务的RDN
2.1 RDN由4个模块shallowfeatureextractionnet (SF enet )表示前两个卷积层，提取浅层特征residualdenseblocks (rdbs )融合残差模块和密集模块每个块还包括本地特征功能(dff )和本地特征学习功能(dff )。 它包含上采样和全局冗余学习两个部分：网络的最后一个上采样(超分任务所需)卷积操作2.2精简冗余块(RDB ) 4
RDB模块主要集成残差模块residual block和dense block模块，将两者聚集在一起形成了residual dense block。
5.RDB机制
每个RDB都有三个模块，如上图所示：
contiguousmemory:Fd-1、Fd、1…将Fd、c、Fd、c的多层特征全部通过通道这一一维连接(concat )。 Local feature fusion:concat之后的1*1卷积操作，主要用于多通道特征的融合，融合降维作用localresiduallearning :FD-1、FD、LF特征。 2.3dff(densefeaturefusion )。
6 .抗噪声的RDN
如上图所示，全局学习和RDB中的本地学习本质上没有区别，一个是全局的，一个只是局部的； 但是，需要详细注意。 全局性能功能和本地性能功能还不一样。 因为在RDB中，每一层都接收以前所有层的特征，而RDB之外的全局特征fusion只是连接了每个RDB的特征。 区别简单来说，全局特征融合的短接用少，局部特征融合的短接用多。
3 .其他细节，除了本地/全局特征函数1*1卷积之外，所有卷积核都是3 * 3，通过填充来保持每个层特征图的大小不变。 每层卷积核的数量都是64。 超分辨率对应的RDN比去噪的RDN多了一个上采样层，相反去噪的RDN多了一个从LQ图像到HQ图像的短路。 如图3所示。 4 .超分网络性能对比图： image.png
该图来自其他论文，复原效果好的网络参数也多，意味着模型复杂度高。