论文链接：

https://arxiv.org/abs/2201.01458

代码：

https://github.com/yuqing-liu-dut/Cross-SRN

作者设计了一种分层特征挖掘网络，它通过多尺度特征融合方式探测、保持结构信息。首先，基于传统边缘检测器提出了Cross卷积进行边缘特征定位与表达；然后，设计了带特征规范化与通道注意力的CCB模块以对特征固有的相关性进行考量；最后，将Cross卷积嵌入到MFFG模块并以分层方式挖掘结构特征相关性，构建了结构保持网络Cross-SRN。

实验结果表明：CrossSRN取得了与其他SOTA方案相当甚至更优的复原性能，同时具有精确且清晰的结构细节。与此同时，我们定义了一种选择具有丰富结构纹理图像的准则。所提CrossSRN在所选基准数据及上取得了更优的性能，说明所提方案具有更好的边缘保持优势。

上图给出了所提方案整理架构示意图，架构风格与IMDN相似，区别主要有两部分：

  • 核心模块，即MFFG部分，这里也是大部分网络架构的区别所在。

  • body的fuse部分，IMDN采用了类似RDN的多尺度融合，即把各个IMDB的输出都进行了融合；而CrossSRN则是采用类似EDSR仅对最后模块的输出融合。

内容中包含的图片若涉及版权问题，请及时与我们联系删除