先上网络结构图,让大家有个直观感受!
一、摘要
- 本文着眼于卷积操作缺乏自适应的特性,也就是不能适应于图像的不同特征的问题,而这一点恰恰限制了卷积的表征能力,从而导致模型的规模过大,也就是参数过多。
具体如下:
近些年,基于深层CNN的SR方法取得了显著的进步。然而,由于卷积存在非自适应的特点,故而卷积对于图片的多种特征难以自适应,这限制了它们的表征能力,进而导致了模型的规模过大(也就是模型的参数过多或者模型的计算成本过大)。为了解决这些问题,本文提出了多路自适应模块网络(MAMNet)。具体地,我们设计了一种轻量但很有效的残差块:多路自适应模块(MAMB),该模块能够通过三路充分利用特征图的信息自适应地调节残差特征response。三条路径捕捉/提取了(model)适应于SR的三种类型的信息:1)使用全局偏差池化(global variance pooling)来model各个通道的特征(channel-specific info&#x