劉遠楨
國立台北教育大學 資訊科學系研究所 教授
Email：liu@tea.ntue.edu.tw
謝子玄
國立台北教育大學 資訊科學系研究所 研究生
Email：s110616041@stu.ntue.edu.tw
摘要
隨著深度學習技術的不斷進步，許多卷積神經網路(CNN)的架構被應用在超解析度成像(Super Resolution, SR)任務中，但許多基於卷積神經網路的模型都有非常多的參數與深度，導致模型訓練也變得越來越困難，每個參數較難收斂到最佳值，而無法表現出完整的模型性能。我們重新審視了EDSR，並且針對不同的激勵函數、損失函數以及優化器做適當的評估，分析出不同超參數對於超解析成像的影響，並且在不大幅度修改模型結構的前提下優化模型的訓練，使得模型擁有較高的準確度。我們透過實驗證實，以最小的幅度修改EDSR仍可以提升模型預測的準確度，並且在不同的縮放因子上皆得到很不錯的準確度。透過SmoothL1損失函數、PReLU激勵函數、RMSProp優化器，在縮放因子2、3、4，不論是PSNR或SSIM都有正向的性能提升。
關鍵字：類神經網路、超解析度成像、超參數