代码：https://github.com/yulunzhang/RCAN 论文：https://arxiv.org/abs/1807.02758
文章检索出自：2018 ECCV
看点
CNN的深度是图像SR的关键。然而，往往图像SR更深的网络更加难以训练。低分辨率的输入和特征包含了丰富的低频信息，这些信息在不同的通道中被平等地对待，从而影响了重建效果。为了解决这个问题，本文提出了深度残差通道注意网络（RCAN）。具体地说，本文提出了一种残差中的残差（RIR）结构，它由多个具有很长的跳跃连接的残差组组成。每个残差组包含一些具有跳层连接的残差块。同时，RIR通过多个跳层连接跳过大量低频信息，使网络集中学习高频信息。此外，本文提出了一种通道注意机制，通过考虑通道间的相互依赖性，自适应地缩放通道特征。
方法
网络结构
如下图所示，RCAN主要由四部分组成：浅特征提取、残差中残差（RIR）深特征提取、上采样模块和重建。浅特征提取仅使用一个卷积。L1损失作为损失函数。
RIR
RIR包含G个残差组（RG）和长跳连接（LSC）。每个RG还包含B个具有短跳连接（SSC）的残差通道注意块（RCAB）。这样的残差结构允许训练非常深的CNN（超过400层）以获得高性能的图像SR。文献[10]证明了叠加残差块和LSC可以用来构造深CNN。在视觉识别中，剩余块[20]可以堆叠起来，以实现1000层以上的可训练网络。
通道注意力
过程为：全局平均池化→卷积→sigmoid→卷积→ReLU→点乘（好像就是SE）
RCAB
残差块加通道注意力
实验
数据集
使用来自DIV2K的800个训练图像作为训练集。使用双三次（BI）和模糊降尺度（BD）退化模型进行了实验。对800个训练图像进行数据增强，这些图像随机旋转90°，180°，270°，水平翻转。48×48的LR作为输入。
消融实验
对跳层连接和通道注意力的消融实验
量化评估
添加self-ensembled的称作RCAN+
