DRN(Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution)阅读笔记
1、论文 地址：https://arxiv.org/pdf/2003.07018.pdf2、github上的pytorch程序：https://github.com/guoyongcs/DRN3、论文介绍3.1、存在的问题

• 超分辨率重构由于 不满足单一映射 ，很多不同的高分辨率图像（HR）可以同通过下采样的方法得到相同的低分辨率图像（LR），是一个不适定问题，；
• 实际上，LR和HR图像对比较难获取，不像实验中直接使用 某种退化方法 通过HR得到LR，同时在实际从HR到LR的退化方法是不知道的；
• 该论文通过分析上述两个问题提出了一种 双重回归网络

3.2、DRN

模型采用的主体结构为U-NET，U-NET输入是 低分辨率图像上采样 得到的高分辨率图像（该图像还是比较模糊，因为采用的只是上三次插值得到的），在U-NET的左边模型只是通过了几个卷积，下采样是通过使用卷积步长为2实现的，下采样的次数为对scale取对数得到的，比如上述模型图中，放大倍数为4所以会下采样2次，如果Scale为8则需要下采样3次。

在U-NET的右边特征的提取是通过 RCAB的级联 ，上采样使用的是pixshuffle方法，上采样的次数与下采样的次数相同，每次放大两倍，同时每次放大后会 将U-NET左右两边对应分辨率的特征cat 在一起，之后在进行之后的特征提取。作者代码中在计算该部分损失的时候 不仅只用到了最后的重构图像，同时使用了中间分辨率对应的图像的损失 。比如在Scale为4的时候，我们在上采样的过程中会得到Scale为2、4的特征，作者将这两部分特征都进行重构，得到两种不同分辨率的图像，分别计算和对应真实图像的loss。

模型中的回归网络使用的就是简单的卷积，每次下采样的倍数为2，之后得到对应分辨率图像，计算得到分辨率图像和对应真实图像L1损失。

3.3、损失函数

论文中有两个损失函数，对于第一个损失函数，作者使用的 数据都是成对 的，对于第二个损失函数， 除了成对数据外，还包括一些只含有LR的数据集 ，在训练的过程中，首先使用第一个算是函数，数据都是成对的，先将模型训练收敛，就是论文结果中的DRN-S和DRN-L两个模型，之后在该模型的基础上，首先调整成对数据和不成对数据的比例，作者发现当不成对数据占所有的数据的比例为0.3的时候此时模型的训练结果最好，之后使用第二个损失函数对模型接着进行训练，得到该部分结果。