第一位主讲人是19级的王静雯,她此次为大家分享的是一篇名为《Image Super-Resolution Using Deep Convolutional Networks》的论文,这篇论文首次将深度学习应用到图像超分辨率重建中,SRCNN直接学习的是高低分辨率图像之间的端对端映射,并且证明了卷积神经网络在图像超分辨率重建领域能够达到很好的效果,打开了CNN应用于图像重建领域的大门。

王静雯同学首先为大家介绍了什么时超分辨率,所谓的超分辨率即是将低分辨率图像重构成一幅高分辨率图像,而图像超分辨率重建问题是一个病态的逆问题,王静雯先解释了何为病态,即一个低分辨率图像通过重建可能会得到多个高分辨率图像,因此,如何尽可能的找到一个合理的,更接近真实高分辨率图像的复原图,是超分辨率问题的难点所在。其次介绍了何为逆问题,图像超分辨率的首要任务就是建立原始HR图像到观测LR图像的退化模型。

退化模型

在介绍完超分辨率的概念之后,她为我们介绍了介绍了一种传统的超分辨率方法:基于稀疏表示的图像超分辨率。此方法通过分别对高低分辨率建立两个过完备字典,在求出稀疏系数之后再反推得出高分辨率图像块。而论文中的方法则是基于这种传统超分辨率方法演变而来。

卷积结构

接着王静雯同学为我们详细的介绍了基于稀疏表示的图像超分辨率与神经网络之间的联系。在稀疏编码方法中,假设f1*f1大小的低分辨率块是从输入图像中提取的,然后投影得到对应的一个低分辨率的字典,如果这个字典大小为n1,就等价于对输入图像使用n1个大小为f1*f1的线性滤波器(减去均值也是一个线性操作)。接下来,稀疏编码器将n1个系数投影输出n2个系数,通常n1=n2,这n2个系数代表高分辨率块,从这个角度看,稀疏编码器表现的像一个非线性映射操作。上述的n2个系数被投影到高分辨率字典,产生一个高分辨率块,取最近的f3*f3个邻居的图像块进行平均,这等价于对n2个大小为f3*f3的特征映射的线性卷积。最后将得到的高分辨率图像块进行顺序组合得到最终的高分辨率图像的重建。

最后王静雯通过论文中的多个实验为我们分别介绍了滤波器尺寸、滤波器大小、网络层数、颜色通道对图片性能的影响,并通过这些实验,为这篇论文提出了可改进之处。

 

第二位主讲人是19级的郑克鲜,他此次为大家分享的论文是《Breakdown of interdependent directed networks》,该论文主要对相互依赖的有向网络的鲁棒性进行研究和分析。

在论文背景介绍中,郑克鲜表示,许多研究都是对相互依赖的无向网络的鲁棒性进行分析。但是,大多数真实世界的网络都是有向的,相比单层网络或者相互依赖的无向网络,相互依赖的有向网络更加脆弱。因此,本论文提出了对相互依赖的有向网络的鲁棒性进行分析的观点。

在为大家详细阐述了渗流、依赖以及GSCC等网络结构中的概念后,郑克鲜开始介绍论文模型GSCC构造网络结构的过程。在此过程中,有向网络中由任意两个节点之间可以相互到达组成的连通分量(i—>j且j—>i),网络A中的节点i指向网络B中的节点j,当节点i失效时,节点j也会失效。

GSCC

最后,郑克鲜展示了GSCC在实验中的应用过程和效果,数据集来源于八个商品贸易网络。

 

以下是王静雯、郑克鲜同学在这次seminar中的表现评分。