【图像超分辨率重建】——SAN论文精读笔记

2019-Second-order Attention Network for Single Image Super-Resolution(SAN)

基本信息

作者： Tao Dai, Jianrui Cai, Yongbing Zhang, Shu-Tao Xia,Lei Zhang
期刊： CVPR
引用：
摘要： 近年来，深度卷积神经网络（CNN）在单图像超分辨率（SISR）中得到了广泛的研究，并取得了显著的性能。然而，大多数现有的基于CNN的SISR方法主要侧重于更广泛或更深入的架构设计，而忽略了中间层的特征相关性，因此阻碍了CNN的代表能力。为了解决这个问题，在本文中，我们提出了一种二阶注意力网络（SAN），用于更强大的特征表达和特征相关性学习。具体而言，开发了一种新的可训练二阶信道注意（SOCA）模块，通过使用二阶特征统计来自适应地重新调整信道方向特征，以获得更具鉴别性的表示。此外，我们提出了一种非局部增强的残差组（NLRG）结构，它不仅结合了非局部操作来捕获长距离空间上下文信息，还包含重复的局部源残差注意组（LSRAG）来学习日益抽象的特征表示。实验结果表明，在定量度量和视觉质量方面，我们的SAN网络优于最先进的SISR方法。

1.简介

介绍了单幅图像超分辨的发展大致过程（插值、基于示例、CNN等），目前基于CNN的SR具有的限制如下：

1. 大多数基于CNN的图像SR方法没有充分利用原始LR图像的信息，从而导致相对较低的性能
2. 大多数现有的基于CNN的SR模型主要集中于设计更深或更宽的网络，以学习更具鉴别性的高级特征，而很少利用中间层的固有特征相关性，从而阻碍了CNN的表示能力

本文