[图像超分]--MAANet：Multi-view Aware Attention Networks

创新点：

网络结构如上所示，由dense连接方式的残差模块堆叠而成，论文没有细看，主要关注了Local Aware Attention和Global Aware Attention。

1.Local Aware Attention：

出发点与其他的Attention机制一样，想让网络多关注带高频信息的特征位置。具体操作如下：
1.先对输入的H * W * C 特征图TD，进行一个AvgPooling，此时得到池化后H/ks * W/ks * C大小的特征图TDA，TDA中的每个值代表TD对应地某一特定子区域的平均强度；
2.对TDA进行ks倍的上采样得到H * W * C原图大小的特征图TDU，得到的TDU可以看作是原始TD中各子区域平均平滑信息的表达式。本质上，feature map中的每个元素代表了上一层feature map中特定区域的嵌入特征和信号强度；
3.按照TDR = Relu(TD - TDU)的公式，TDR中的每个值表示前一层feature map中对应的子区域是否超过平均子区域平滑度。直白来说，高频信息的特征值会超过这个子区域的平均信号强度；
4.根据TˆD = TD + βTDR ⊗ TD的公式，先试用TDR与TD点乘，乘以一个强调高频信息的系数β，再与TD相加，得到Local Aware Attention后的特征图。

2.Global Aware Attention：

应用于上采样后的特征图，与SENet中的Channel Attention机制差不多，唯一的区别就是SENet中使用Global Average Pooling得到1 x 1 x C的特征图，这里使用了一个卷积层。