SR文献学习之《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》

RCAN模型–《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》

当前SR研究存在的问题：在图像超分辨领域，卷积神经网络的深度非常重要，但过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了ＣＮＮ网络的表示能力。（原因： CNN 平等对待特征的每一个通道，这无疑缺少处理不同类型信息的灵活度。图像超分辨是为了尽可能多地恢复高频信息，而低分辨率的图片却包含着许多可以直接被传播到输出的低频信息，因此，特征的所有通道如果被平等对待则会使网络缺乏辨别学习能力。）

论文解决思路：为了解决上述问题，作者提出了一个极深残差通道注意力网络（RCAN），获得非常深的可训练网络，并同时自适应地学习更有用的信道特性。特别地，作者设计了一个残差（RIR）结构来构造深层网络，每个 RIR 结构由数个残差组（RG）以及长跳跃连接（LSC）组成，每个 RG 则包含一些由短跳跃连接（SSC）组成的残差块。RIR 结构允许丰富的低频信息通过多个跳跃连接直接进行传播，使主网络专注于学习高频信息。此外，我们还提出了一种信道注意力机制（CA），通过考虑通道之间的相互依赖性来自适应地重新调整信道特征。

思路总结