RCAN（ECCV2018）Residual Channel Attention Networks

Image Super-Resolution Using Very Deep Residual Channel Attention Networks（ 图像超分辨率使用深度残差信道注意网络）

论文地址：https://openaccess.thecvf.com/content_ECCV_2018/papers/Yulun_Zhang_Image_Super-Resolution_Using_ECCV_2018_paper.pdf
代码地址：https://github.com/yulunzhang/RCAN
因为LR中不同通道信息被均等对待，所以在CNN中发展不是很好。而且在深度网络中，LR的低频信息被反复的计算，浪费资源。其实LR图像中包含的低频信息最多，可以直接转发到最终的HR输出中，不需要太多计算。所以作者提出了这个想法，RCAN.。
RCAN中，的主结构就是RIR（residual in residual）。
RIR包括若干RG（residual group）
RG中包括若干RCAB（residual channel attention block）
RCAB中包括CA（channel attention）
论文亮点：RCAB

RCAN

图中就是residual in residua（RIR）l就是主结构。RIR是由几个residual group（RG）和长skip connection来构建非常深的网络。

RG

图中就是RG结构，它由若干个residual channel attention block（RCAB）和短的skip connections组成

RCAB

图中是RCAB结构，里面包含了channel attention（CA，论文亮点）

CA

CA就是在通道（channel，C）这个维度上进行变换。

损失函数

之后就是把些模块化的东西拼接，看看每个模块到底数量是多少比较合适