RCAN.md

RCAN(ECCV 2018)

English| 简体中文

A paddle implementation of the paper RCAN: Image Super-Resolution Using Very Deep Residual Channel Attention Networks, [ECCV 2018]

摘要

卷积神经网络（CNN）的深度对于图像超级分辨率（SR）来说是至关重要的。然而，我们观察到，用于图像SR的更深的网络更难训练。低分辨率（LR）输入和特征包含丰富的低频信息，这些信息在不同的通道上被平等对待，因此阻碍了CNN的表示能力。为了解决这些问题，我们提出了非常深入的残差通道注意网络（RCAN）。具体来说，我们提出了残差（RIR）结构来形成非常深的网络，它由几个具有长跳接的残差组组成。每个残差组包含一些具有短跳过连接的残差块。同时，RIR允许丰富的低频信息通过多个跳过连接被绕过，使主网络专注于学习高频信息。此外，我们提出了信道关注机制，通过考虑信道之间的相互依存关系，自适应地重新划分信道的特征。大量的实验表明，与最先进的方法相比，我们的RCAN实现了更好的准确性和视觉上的改进

数据准备

与DRN数据准备一致

训练

根据原论文，RCAN训练超分4倍的模型，需要超分2倍的权重作为预训练权重。执行以下命令，下载在DIV2K数据集上训练的超分2倍的预训练权重

wget https://paddlegan.bj.bcebos.com/models/RCAN_X2_DIV2K.pdparams

由于RCAN网络是为图像超分任务设计，保留网络的输入通道为3。执行以下命令，使用PMBA数据集训练RCAN

python -u tools/main.py --config-file configs/rcan_dsr_x4.yaml --load ./RCAN_X2_DIV2K.pdparams

测试

DSR-TestData 执行以下命令，对DSR-TestData数据集进行测试

python -u tools/main.py --config-file configs/rcan_dsr_x4.yaml --evaluate-only --load rcan_x4_best.pdparams

模型

Pretraining Model 你可以使用这个训练好的权重来重现README_cn.md中报告的结果

引用

如果你觉得代码对你的研究有帮助，请引用

@InProceedings{Zhang_2018_ECCV,
author = {Zhang, Yulun and Li, Kunpeng and Li, Kai and Wang, Lichen and Zhong, Bineng and Fu, Yun},
title = {Image Super-Resolution Using Very Deep Residual Channel Attention Networks},
booktitle = {Proceedings of the European Conference on Computer Vision (ECCV)},
month = {September},
year = {2018}
}