Single Image Super Resolution based on a Modified U-net with Mixed Gradient Loss

改进点

修改后的Unet

  1）就是移除了BN层，只用一层卷积（原始Unet用两层卷积）
  解释：这样做的原因是超分辨率重建是像素级的任务，因为插值问题的解决方案主要是考虑某个区域中的像素。直接放大的图像避免了由于冗余计算而导致的误差，这些误差可能更接近真实结果
  2）构建一个新的卷积块，该卷积块与输出块在相同比例上具有跳过连接（输入图片左侧）

2. 损失函数使用，MGE和MSE结合

图上的softmax不知道是干嘛的，超分任务应该不需要吧，左侧的上采样模块应该是对应最右侧的上采样，（图的颜色都标错了，还以为是maxpooling）

总结：

网络结构没什么好说的，损失函数用了个sobel算子提取然后在MSE，做实验的方法可以借鉴，可以做网络深度的考虑，做超参数\(/lambda\)的实验，2，4，8倍的放大，增大工作量。

（每天一个水文小技巧）😃
实验的时候可以做2，4，8倍的放大，列出输入的尺寸。
做一个loss的分析，看看哪个the independent variable, λG 更好，range（10e-4，10e-3, 10e-2, 10e-1, 1）看看不加这项和原始loss的差距。
最后和其他方法对比时，也来个加强版和阉割版的对比，（就是加不加loss）