Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning

• 代码链接：https://github.com/wxxxxxxh/A2F-SR

算法思路

这篇文章是发表在ACCV 2020 上的一篇轻量化超分文章，算法的思想很简单，主要提出了一个注意力辅助特征学习模块（Attentive Auxiliary Feature module ）。对于这个模块，一方面接收之前所有模块的输出，然后通过一个1*1卷积，将这些输出映射到同一个空间中，接着通过一个通道注意力模块，滤除冗余的信息，另一方面，仅对上一层的输出进行残差学习，最后这两部分的输出加起来得到当前注意力辅助特征学习模块的输出。整个算法网络结构如下图：

网络配置如下表：

实验结果

训练数据集：DIV2K

测试集（在Y通道测试）：Set5 , Set14 ， B100，Urban100 ，Manga109

评价指标：PSNR，SSIM，LPIPS（一种感知效果度量指标）

上图分析了在注意力辅助特征学习模块中各个分支权重随着层数的增加是如何变化的。从图中可以发现，注意力辅助权重值在轻量的模型扮演更重要的作用（看最左一列，此外上图从左到右模型越来越大），同时在所有模型中，可以发现重构的权重（即是残差的权重）是三者中一直最大的，说明它在超分重构上扮演最重要的角色。