摘要

单张图像的感知极超分辨率（Perceptual Extreme Super-Resolution）极具挑战性，主要原因在于不同图像之间的纹理细节差异极大。为应对这一难题，我们基于增强型SRGAN（Enhanced SRGAN）构建了一种具有感受野块（Receptive Field Block, RFB）结构的超分辨率网络，命名为RFB-ESRGAN。本文的主要贡献如下：首先，为有效提取多尺度信息并增强特征的判别能力，我们在超分辨率任务中引入了感受野块（RFB）。RFB在目标检测与图像分类任务中已展现出优异的性能，现被首次应用于超分辨率领域。其次，与传统多尺度感受野块中使用大卷积核的做法不同，RFB采用多个小卷积核的组合方式，不仅提升了对细节特征的提取能力，同时显著降低了计算复杂度。第三，在上采样阶段，我们交替使用多种上采样方法，有效缓解了高计算复杂度问题，同时保持了良好的重建性能。第四，我们采用10个不同训练迭代阶段模型的集成策略，增强了模型的鲁棒性，并有效抑制了单个模型引入的噪声。实验结果表明，RFB-ESRGAN在性能上表现卓越。根据NTIRE 2020感知极超分辨率挑战赛的初步结果，我们的方案在所有参赛方法中排名第一。