Hi，大家好，我是编程小6，很荣幸遇见你，我把这些年在开发过程中遇到的问题或想法写出来，今天说一说
AwesomeAI之图像超分（1）——RDN,希望能够帮助你!!!。

原论文：Residual Dense Network for Image Super-Resolution

数据集 DIV2K

DIV2K中共有1000张2K分辨率图像。其中，训练用图像800张，验证用图像100张，测试用图像100张。

如何从HR(High Resolution，高分辨率，Super Resolution，SR，超分辨率)得到LR(Low Resolution，低分辨率)图像？训练输入LR的图片使用该2k图片通过下面3种处理得到：

• BI方式：主要通过Bicubic下采样得到，缩小比例为x2，x3，x4；
• BD方式：先对原始图片做（7*7卷积，1.6方差）高斯滤波，再对滤波后图片做下采样；
• DN方式：先做Bicubic下采样，再加30%的高斯噪声。

网络结构

输入的是低分辨率图像——LR，输出的是高分辨率图像——HR。
上面的网络称为RDN（Residual Dense Network），其包括4个模块：

• shallow feature extraction net (SFENet)
  网络的前2个卷积层
• redidual dense blocks (RDBs)
  RDB = Residual Block + Dense Block，是两者的整合。单个RDB的内部结构如下图：
  

RDB的CM机制（contiguous memory mechanism）其实就是图2中的一个个Conv+ReLU。比如对于第$d$个RDB，其有$C$个Conv+ReLU，那么：
对于第1个Conv+ReLU的CM机制是指：
$$F_{d,1}=ReLU(W_{d,1}^T\ast F_{d-1})$$
对于第2个Conv+ReLU的CM机制是指：
$$F_{d,2}=ReLU(W_{d,2}^T\ast [F_{d-1},F_{d,1}])$$
对于第$c$个Conv+ReLU的CM机制是指：
$$F_{d,c}=ReLU(W_{d,c}^T\ast [F_{d-1},F_{d,1},...,F_{d,c-1}]),1\le c\le C$$

local feature fusion (LFF)就是图2中的$F_{d,LF}=H_{LFF}^d([F_{d-1},F_{d,1,...,F_{d,c,...,F_{d,C}}}])$，也就是Concat+1*1Conv

local residual learning (GRL)就是图2中的$F_d=F_{d-1}+F_{d,LF}$
3者的区别如下图：

• dense feature fusion (DFF)
  global feature fusion (GFF)
  就是图1中的Concat+1*1Conv部分，即$F_{GF}=H_{GFF}([F_1,...,F_D])$
  global residual learning (GRL)
  就是图1中的$F_{DF}=F_{-1}+F_{GF}$
  所以DFF = GFF+GRL
• up-sampling net (UPNet)
  表示RDN网络最后的上采样+卷积操作。实现了输入图片的放大操作。

RDN和DenseNet block的区别：
（1）RDN中的RDB模块去掉了DenseNet每个block中的batchnorm
（2）RDN中的RDB模块去掉了DenseNet每个block中的pooling
（3）DenseNet中每一个dense block的输出都是concat起来的。而RDB将d-1层的特征也和1到d层的特征做了局部特征融合（local feature fusion (LFF)），更好的保证了信息流的贯通。
（4）在整个RDN网络上，每一个RDB模块的输出都会最终被concat起来利用。而DenseNet 整个网络中只使用每一个DenseBlock最后的输出。

==================================
https://blog.csdn.net/_/article/details/

RDN和DenseNet block的区别：
（1）RDN中的RDB模块去掉了DenseNet每个block中的batchnorm
（2）RDN中的RDB模块去掉了DenseNet每个block中的pooling
（3）DenseNet中每一个dense block的输出都是concat起来的。而RDB将d-1层的特征也和1到d层的特征做了局部特征融合（local feature fusion (LFF)），更好的保证了信息流的贯通。
（4）在整个RDN网络上，每一个RDB模块的输出都会最终被concat起来利用。而DenseNet 整个网络中只使用每一个DenseBlock最后的输出。

RDN和SRDenseNet 的区别：
（1）RDN通过3个方面改进SRDenseNet 中使用的传统DenseBlock模块。1，加入了contiguous memory (CM) mechanism 使得先前的RDB模块和当前的RDB模块都有直接接触。2，得益于local feature fusion (LFF) ，RDB模块可以容许更大的增长率。3，RDB中Local residual
learning (LRL) 的应用增加了信息和梯度的流动。
（2）RDB内部没有稠密连接。
（3）SRDenseNet 使用L2 loss，RDB使用L1 loss。

RDN和MemNet 的区别：
（1）MemNet 需要对原始图片使用Bicubic插值方式进行上采样，而RDN直接使用原始低分辨图片，优势就是可以减少计算量和提高效果。
（2）MemNet 中包含逆向和门限单元的模块就不再接受先前模块的输入，而RDB各个模块之间是有信息流交互的。
（3）MemNet 没有全部利用中间的特征信息，而RDN通过Global Residual Learning 将所有信息都利用起来。

==================================

实现细节

github实现： 论文作者实现、第三方实现。这里以第三方实现代码进行分析。

构建网络

def model(self): F_1 = tf.nn.conv2d(self.images, self.weightsS['w_S_1'], strides=[1,1,1,1], padding='SAME') + self.biasesS['b_S_1'] F0 = tf.nn.conv2d(F_1, self.weightsS['w_S_2'], strides=[1,1,1,1], padding='SAME') + self.biasesS['b_S_2'] FD = self.RDBs(F0) FGF1 = tf.nn.conv2d(FD, self.weightsD['w_D_1'], strides=[1,1,1,1], padding='SAME') + self.biasesD['b_D_1'] FGF2 = tf.nn.conv2d(FGF1, self.weightsD['w_D_2'], strides=[1,1,1,1], padding='SAME') + self.biasesD['b_D_2'] FDF = tf.add(FGF2, F_1) FU = self.UPN(FDF) # FU = self.UPN(F_1) IHR = tf.nn.conv2d(FU, self.weight_final, strides=[1,1,1,1], padding='SAME') + self.bias_final return IHR 

输入的LR图片shape=(32,32);
w_S_1=[ks, ks, self.c_dim, G0]=(3,3,3,64)；
w_S_2=[ks, ks, G0, G]=(3,3,64,64)
b_S_1=[G0]=(64,)
b_S_2=[G]=(64,)

w_D_1=[1, 1, G * D, G0]=(1,1,64*16,64)=(1,1,1024,64)
w_D_2=[ks, ks, G0, G0]=(3,3,64,64)
b_D_1=[G0]=(64,)
b_D_2=[G0]=(64,)

这里重点看下RDBs的实现：

def RDBs(self, input_layer): rdb_concat = list() rdb_in = input_layer for i in range(1, self.D+1): x = rdb_in for j in range(1, self.C+1): tmp = tf.nn.conv2d(x, self.weightsR['w_R_%d_%d' %(i, j)], strides=[1,1,1,1], padding='SAME') + self.biasesR['b_R_%d_%d' % (i, j)] tmp = tf.nn.relu(tmp) x = tf.concat([x, tmp], axis=3) x = tf.nn.conv2d(x, self.weightsR['w_R_%d_%d' % (i, self.C+1)], strides=[1,1,1,1], padding='SAME') + self.biasesR['b_R_%d_%d' % (i, self.C+1)] rdb_in = tf.add(x, rdb_in) rdb_concat.append(rdb_in) return tf.concat(rdb_concat, axis=3) 

一共有self.D=16个RDB，每一个RDB有self.C=8个卷积层，所有的卷积都是padding=“SAME”，即每一层卷积的输出=输入。RBDs输出的就是图1中的Concat后的结果，其实，RDBs的实现是相当简单的。

再来看看最后的UPNet实现：

def UPN(self, input_layer): x = tf.nn.conv2d(input_layer, self.weightsU['w_U_1'], strides=[1,1,1,1], padding='SAME') + self.biasesU['b_U_1'] x = tf.nn.relu(x) x = tf.nn.conv2d(x, self.weightsU['w_U_2'], strides=[1,1,1,1], padding='SAME') + self.biasesU['b_U_2'] x = tf.nn.relu(x) x = tf.nn.conv2d(x, self.weightsU['w_U_3'], strides=[1,1,1,1], padding='SAME') + self.biasesU['b_U_3'] x = self.PS(x, self.scale) return x 

w_U_1=[5, 5, G0, 64]=[5, 5, 64, 64]
w_U_2=[3, 3, 64, 32]
w_U_3=[3, 3, 32, self.c_dim * self.scale * self.scale ]=(3, 3, 32, 333)=(3, 3, 32, 27)

b_U_1=[64]
b_U_2=[32]
b_U_3=[self.c_dim * self.scale * self.scale]=[27]

此处UPNet的实现和图1优点不同。其次，SFENet中的两个卷积层是没有经过ReLU的，这和图1是一致的。UPNet中的卷积结果要经过ReLU，这个图1是不同的。代码中的UPN只到图1的Upscale部分，图1中Upscale下面的卷积不在上面的UPN代码中，而在model代码中。所以self.PS就对应图1中的Upscale。

构建模型

def build_model(self, images_shape, labels_shape): self.images = tf.placeholder(tf.float32, images_shape, name='images') self.labels = tf.placeholder(tf.float32, labels_shape, name='labels') self.weightsS, self.biasesS = self.SFEParams() self.weightsR, self.biasesR = self.RDBParams() self.weightsD, self.biasesD = self.DFFParams() self.weightsU, self.biasesU = self.UPNParams() self.weight_final = tf.Variable(tf.random_normal([self.kernel_size, self.kernel_size, self.c_dim, self.c_dim], stddev=np.sqrt(2.0/9/3)), name='w_f') self.bias_final = tf.Variable(tf.zeros([self.c_dim], name='b_f')), self.pred = self.model() # self.loss = tf.reduce_mean(tf.square(self.labels - self.pred)) self.loss = tf.reduce_mean(tf.abs(self.labels - self.pred)) self.summary = tf.summary.scalar('loss', self.loss) self.model_name = "%s_%s_%s_%s_x%s" % ("rdn", self.D, self.C, self.G, self.scale) self.saver = tf.train.Saver(max_to_keep=10) 

这里的损失函数就是$l_1$损失即$L=\frac{1}{n}{\sum }_{i=1}^n|y_i-H_i|$。

训练模型

def train(self, config): print("\nPrepare Data...\n") data = input_setup(config) if len(data) == 0: print("\nCan Not Find Training Data!\n") return data_dir = get_data_dir(config.checkpoint_dir, config.is_train, config.scale) data_num = get_data_num(data_dir) batch_num = data_num // config.batch_size images_shape = [None, self.image_size, self.image_size, self.c_dim] labels_shape = [None, self.image_size * self.scale, self.image_size * self.scale, self.c_dim] self.build_model(images_shape, labels_shape) counter = self.load(config.checkpoint_dir, restore=False) epoch_start = counter // batch_num batch_start = counter % batch_num global_step = tf.Variable(counter, trainable=False) learning_rate = tf.train.exponential_decay(config.learning_rate, global_step, config.lr_decay_steps*batch_num, config.lr_decay_rate, staircase=True) optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate) learning_step = optimizer.minimize(self.loss, global_step=global_step) tf.global_variables_initializer().run(session=self.sess) merged_summary_op = tf.summary.merge_all() summary_writer = tf.summary.FileWriter((os.path.join(config.checkpoint_dir, self.model_name, "log")), self.sess.graph) self.load(config.checkpoint_dir, restore=True) print("\nNow Start Training...\n") for ep in range(epoch_start, config.epoch): # Run by batch images for idx in range(batch_start, batch_num): batch_images, batch_labels = get_batch(data_dir, data_num, config.batch_size) counter += 1 _, err, lr = self.sess.run([learning_step, self.loss, learning_rate], feed_dict={ 
   self.images: batch_images, self.labels: batch_labels}) if counter % 10 == 0: print("Epoch: [%4d], batch: [%6d/%6d], loss: [%.8f], lr: [%.6f], step: [%d]" % ((ep+1), (idx+1), batch_num, err, lr, counter)) if counter % 10000 == 0: self.save(config.checkpoint_dir, counter) summary_str = self.sess.run(merged_summary_op, feed_dict={ 
   self.images: batch_images, self.labels: batch_labels}) summary_writer.add_summary(summary_str, counter) if counter > 0 and counter == batch_num * config.epoch: self.save(config.checkpoint_dir, counter) break summary_writer.close() 

1、数据输入
images_shape=(32,32,3)
labels_shape=(96,96,3)
首先要明白输入的样本是什么，已经label是什么，这段代码在utils.py中：

def preprocess(path, scale = 3, eng = None, mdouble = None): img = imread(path) label_ = modcrop(img, scale) if eng is None: # input_ = cv2.resize(label_, None, fx=1.0/scale, fy=1.0/scale, interpolation=cv2.INTER_CUBIC) input_ = PIL_resize(label_, 1.0/scale, PIL.Image.BICUBIC) else: input_ = np.asarray(eng.imresize(mdouble(label_.tolist()), 1.0/scale, 'bicubic')) input_ = input_[:, :, ::-1] label_ = label_[:, :, ::-1] return input_, label_ 

数据集下载：http://data.vision.ee.ethz.ch/cvl/DIV2K/DIV2K_train_HR.zip
我们下载的是800张HR图片。我们对这800张HR图片按比例1.0/scale=$\frac{1}{3}$进行缩小（即下采样），并采用BICUBIC插值法进行差值，之后得到的就是有锯齿状的LR图片。我们的样本就是原始的HR图片。
2、导入模型
3、计算epoch和batch
4、引入指数衰减的学习率：
decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)
5、使用AdamOptimizer进行优化；

今天的分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。