Yongbing Zhang, Lulu Sun, Chenggang Yan, Xiangyang Ji, Qionghai Dai

       基于卷积神经网络的图像恢复方法在文献中取得了巨大的成功。但是，由于大多数网络都不够深入，因此仍有一些提升性能的空间。另一方面，尽管一些模型很深并且引入了便于培训的快捷方式，但它们忽略了快捷方式中不同输入的位置和缩放的重要性。结果，现有网络只能处理一个特定的图像恢复应用程序。为了解决这些问题，本文提出了一种新的自适应残留网络（ARN），用于高质量的图像恢复。我们的ARN是一个深度残余网络，由卷积层，参数整流线性单元层和一些自适应快捷方式组成。我们将不同的缩放参数分配给快捷方式的不同输入，其中缩放被视为ARN的部分参数并且根据不同的应用自适应地训练。由于ARN的特殊构造，它可以解决许多图像恢复问题并具有优越的性能。我们通过三种代表性应用展示其功能，包括高斯图像去噪，单图像超分辨率和JPEG图像去块。实验结果证明，我们的模型在峰值信噪比和结构相似性指标度量方面都大大超过了众多最先进的恢复方法，例如，与第二个相比，它的平均增益达到0.2-0.3 dB。在各种情况下的最佳方法。

   该成果发表于IEEE Transactions on Image Processing期刊。

Adaptive Residual Networks for  High-Quality Image Restoration.pdf