(CVPR 2022 阅读笔记)Residual Local Feature Network for Efficient Super-Resolution

论文地址：Residual Local Feature Network for Efficient Super-Resolution

摘要：目前高效SISR主要关注减少参数的数量，它们通过复杂的连接来聚合更多的特征。这些结构不适合在资源有限的平台上部署。基于此，作者提出了新的残差局部特征网络（RLFN）。这个思想主要是使用三个卷积层去聚合局部的特征，这个操作在模型性能和效率方面做到了平衡。作者重现了对抗损失，发现特征提取器提取的中间特征对最后结构影响很大。此外，作者提出了新的多阶段热启动训练策略。在每一个阶段，前一阶段的预训练模型被利用提高模型的性能。结合改进的对抗损失和训练策略，提出的RLFN模型胜于其他模型。

引言

作者说大多数的SR先进方法需要相当多计算时间，这很难引用到现实生活中，因此，设计一个轻量级的模型是至关重要的。

关于设计轻量级模型的工作已经有很多人做过了。但是其中大部分方法都是倾向于减少模型的参数量。比如说共享参数策略的递归神经网络。但是这种方法没有减少操作的数量和推理时间。为了减少模型的推理时间，使用深度可分离卷积，特征分离和打乱这样策略是必要的。

为此，作者复现优秀SR方法RFDN，并且尝试改进，获得更好的重建质量和推理时间。首先，作者重新思考