48、基于AFFCA的图像超分辨率重建技术解析

基于AFFCA的图像超分辨率重建技术解析

1 相关工作概述

近年来，基于深度学习的超分辨率重建模型十分流行。以下是一些重要模型的发展历程：
1. SRCNN ：最早引入三层CNN网络，相比传统“插值”算法能学习和恢复更详细的特征，但训练耗时且难以收敛。
2. FSRCNN ：为加速SRCNN的训练和测试而提出的快速训练网络结构。
3. SRResNet与SRGAN ：Ledig等人将ResNet引入超分辨率任务得到SRResNet，提高了网络深度；还结合生成对抗网络（GAN）和感知损失提出了SRGAN。
4. EnhanceNet ：将感知损失与纹理合成技术相结合。
5. VDSR和DRCN ：引入20层深度网络，相比只有3层网络的SRCNN有显著改进。
6. EDSR和MDSR ：早期将ResNet应用于该领域的模型，具有较大的网络宽度和深度（超过165层），并简化了残差块。
7. RCAN ：提出残差嵌套残差（RIR）的网络结构，进一步提高了深度网络的深度和学习效率，率先在超分辨率重建网络中引入通道注意力，显著提升了模型性能。

在视觉注意力领域，也有许多相关研究：
1. SENet与GE ：SENet提出通道注意力，GE提出空间注意力，使网络能关注信息的空间特征。
2. BAM、CBAM和C