RCAN/RCAB：Image Super-Resolution Using Very Deep Residual Channel Attention Networks

前言

这是使用在超分辨率 领域的一个论文，主要卖点是提出的名叫RCAB的注意力模块。

Motivation

低分辨率图像（DR）中包含大量低频信息，但是在一般的卷积神经网络中每个通道中的特征会被同等对待，缺乏跨特征通道的区分学习能力，阻碍了深层网络的表征能力，不符合超分辨率任务中尽可能多地恢复高频信息的需求。

Methods

RCAN

本文提出了residual channel attention network（RCAN），残差通道注意力网络，来自适应地学习较深的网络中不同通道中的特征。
提出residual in residual（RIR）机制，即残差中的残差，目的是使网络能够适应更深层的结构。
如图所示，一个个深蓝色的残差组RG通过LSC长跳接连接，然后再接上最开始的只经过一次卷积得到的特征图，换句话说，大残差中包含了小残差。同时小残差中又有小小残差结构，即浅蓝色模块，浅蓝色模块又通过短跳接SSC进行连接，而且小小残差中是基于注意力的残差模块。最后经过所有的残差后的特征图做一个upsample使得低分辨率变成高分辨率（HR）。
结构是比较清晰明了的，感觉这种思维也是很容易套用在其他领域上，即把残差套娃再套娃。

整体上，具体做法是：输入一张低分辨率图片，经过一个3x3的卷积得到一个特征图，再经过一个RIR模块，其中包含10个RG与一个3x3卷积和一个LSC。最后经过上采样与一个3x3卷积层，上采样使用ESPCNN，约束使用L1loss。最终得到分辨率放大的输出。
小模块可以在下面进行介绍。

这种残差套娃的合理性来源，在文中是引用论文：Enhanced deep residual networks
for single image super-resolution. In: CVPR W (2017)

---

通道注意力CA

因为低频信息中包含了丰富的信息，高频信息中则是包含了边缘、纹理以及其他细节的信息，把这些特征都统一对待是不太好的，使用了注意力机制的方法，能够提升网络对这些特征的信息表征能力。
具体操作是先进行一个全局平均池化得到1x1xC，这是一个包含了粗略信息的通道描述符，再在channel上除以比例r，即downsample，之后再upsample得到每一个通道的权重系数。最后和残差过来的原来特征进行相乘，得到重新分配过通道权重的新特征。
作者选择C=64，r=16。

---

RCAB

$F_{(}g,b)$是输入，先经过一个conv+relu+conv的模块，得到$X_{(}g,b)$，然后将此特征图输入到CA中，经过一个sigmoid后再与原来特征图相乘，最终加上最开始的输入，得到输出。
其中卷积操作使用3x3的卷积核。

RG

residual group（RG）由B个RCAB、一个卷积和一个SSC组成，文中B为20。

代码

代码是从GitHub中直接复制出来的，是完整的一个RCAN的结构代码：

from model import common

import torch.nn as nn

def make_model(args, parent=False):
    return RCAN(args)

## Channel Attention (CA) Layer
class CALayer(nn.Module):
    def __init__(self<