文献阅读:Image Super-Resolution Using Very Deep Residual Channel Attention Networks

文章地址：https://arxiv.org/abs/1807.02758
补充材料地址：Support-RCAN
作者的项目地址： RCAN-Pytorch

1 网络介绍

    在这篇文章中，作者提出了一种让CNN更深的方法：首先要做的就是，准备10个残差组(RG)，其中每组包含20个残差通道注意模块(RCAB)。

    研究人员表示网络的深度很重要，我们也认为如此，也见证过EDSR和MDSR带来的一波浪潮。然而，通过简单堆叠残差块来构建更深的网络可能很难得到更大的提升，需要在架构方面有更多进展。

    所以，他们提出了RIR（residual in residual）架构，堆叠的每个残差组里包含很多残差块，因此我们也可以获得长跳过(LSC)连接和短跳过(SSC)连接。

上述提到的映射和残差块中的快捷键可以绕开低频信息。

    其实乍一看感觉挺复杂的，但是仔细的阅读作者的文章，发现也是很容易的理解的。作者的工作主要两个方面，第一个就是RIR(Residual in Residual)无非就是利用ResNets的相关思想，提出了LSC和SSC策略,让我们的网络可以达到很深，比如大于400层。另外一个方面就是引入了CA模块,也就是注意力机制，简单来说，之前的SR文章对待feature map中每一个通道是一样的，作者认为每一个通道的重要性不一样，有些通道重要，而有些不那么重要，所以我们要扬长避短, 增加重要通道的权重，抑制不那么重要的权重。其实，这个一看RCAB模块，发现就是Squeeze-and-Excitation Networks文章里面的 “Squeeze-and-Excitation” (SE) block，这项工作拿到了ImageNet2017 image classification 的冠军，原本是一个分类任务，作者很好的运用到SR任务上了。下图是Squeeze-and-Excitation Networks的核心网络：

2 结果

    从结果上来看，作者做了大量的实验，并且从结果也证明RCAN网络具有优良的表现。值得一题的是，在作者的补充材料中，作者也做出了更多的对比实验，这里列举一个实验是作者对比GAN相关的实验：

从结果上看，基于GAN的几个网络表现并没有想象中那样好，可能的原因就是训练太困难。另外作者的项目是基于EDSR,核心的RCAN模块实现也是比较简单的。