AWSRN论文阅读

Lightweight Image Super-Resolution with Adaptive Weighted Learning Network

https://github.com/ChaofWang/AWSRN
问题：
大多数基于卷积神经网络的SR模型需要大量的计算，这限制了它们在现实世界中的应用。
大多数SR网络只有一个经过卷积、转置卷积或subpixelshuffle的单尺度重构层，导致非线性映射模块的特征信息利用不足。多尺度重建方法虽然提供了更多的信息，但也引入了更多的参数，导致计算量大。
解决办法

1. 我们提出了一种轻量级和有效的自适应加权超分辨网络的SISR。我们的模型在不增加参数和计算开销的情况下实现了比最先进的算法更好的性能。
2. 设计了高效残差学习的局部融合块(LFB)，其中提出的自适应加权残差单元和局部残差融合单元可以实现信息和梯度的高效流动和融合;
3. 提出的自适应加权多尺度(AWMS)重构模块不仅可以充分利用上下文信息，还可以通过分析不同尺度分支之间的信息冗余来降低参数。上采样模块
   AWMS reconstruction module我们可以根据自动学习的权值去除一些贡献较小的尺度分支，在不损失性能的情况下减少参数

算法

1.大框架：该算法由特征提取模块、非线性映射模块和自适应权值多尺度重构模块组成。

特征提取模块：为核大小为3×3的卷积层，可以表示为<