这可能是目前最好的图像超分辨率算法，刚刚开源了

(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)

CVPR 2018 Workshop NTIRE2018图像超分辨率的优胜方案开源了！

该算法在NTIRE2018所有三个realistic赛道中全部获得第一名。

作者昨天在ArXiv上传技术报告公开了技术方案并开源了PyTorch代码。

论文名称《Wide Activation for Efficient and Accurate Image Super-Resolution》，

作者信息：

其建构于超分辨EDSR算法，亦即NTIRE2017年的冠军模型，最主要的改进是在残差模块中ReLU激活函数前增大特征图。

请看下面图示，

与原始EDSR算法相比，该优胜方案WDSR算法增大了ReLU前的卷积特征图，减小了identity mapping pathway的宽度（图中Add所在框变小）。

通过上述操作，在降低参数量的同时，提高了超分辨率的精度。

作者提出的两种WDSR的形式WDSR-A与WDSR-B:

WDSR-A特征图宽度（2X到4X）,WDSR-B使用线性低秩卷积栈（linear low-rank convolution stack）和更宽的特征图（6X到9X），可以使得WDSR-B在保持更高精度的同时不增加计算量。

网络架构：

实验结果

在DIV2K数据库上与EDSR的比较：

NTIRE2018公布的比赛结果：

图中UIUC-IFP团队即优胜团队，PDN在Track 4中排名第一，但组织者称“PDN ranked 1st on Track 4, however, without submitted results for the other tracks we cannot tell if their solution/architecture is better than that of UIUC-IFP.”

代码主页：

https://github.com/JiahuiYu/wdsr_ntire2018

论文：

https://arxiv.org/abs/1808.08718v1

在“我爱计算机视觉”公众号对话界面回复WDSR，即可收到论文和代码的百度云下载地址。

更过精彩推荐：

OpenCV深度学习文本检测示例程序（EAST text detector）

ECCV18 Oral | CornerNet目标检测开启预测“边界框”到预测“点对”的新思路

基于OpenCV与Dlib的行人计数开源实现

(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)

【本文由“我爱计算机视觉”发布,2018年08月29日】