【论文标题】Residual Feature Distillation Network for Lightweight Image Super-Resolution 【作者团队】Jie Liu, Jie Tang , and Gangshan Wu (NJU) 【发表时间】2020/09/24 【论文链接】https://arxiv.org/pdf/2009.11551v1.pdf 【论文代码】https://github.com/njulj/RFDN 【推荐理由】为了降低SISR问题的计算量，本文构建了残差特征蒸馏网络（RFDN），在较低的模型复杂性下达到可观的性能，增强的RFDN（E-RFDN）在AIM 2020高效超分辨率挑战赛中获得第一名。 单图像超分辨率（SISR）中，基于CNN的方法取得了巨大的成功，但计算量大而难以应用于边缘设备。人们已经提出了各种快速和轻量级的CNN模型，信息蒸馏网络是其中最先进的方法之一，采用的是通道拆分操作来提取特征，但之前尚无研究能利用该操作设计有效的SISR模型。在本文中，作者提出了特征蒸馏连接（FDC），在功能上等效于通道拆分操作，同时更加轻量和灵活。得益于FDC，本文在信息多重蒸馏网络（IMDN）基础上提出一种轻量而准确的SISR模型，称为残差特征蒸馏网络（RFDN）。 RFDN使用多个FDC来学习特征表示。本文还提出了浅层残差块（SRB）作为RFDN的主要构造块，使得该网络可以从残差中学到信息，同时仍然足够轻量。实验表明，在性能和模型复杂性上，所提出的RFDN与最新方法相比达到了更好的折衷。此外，本文也提出了增强RFDN（E-RFDN），并在AIM 2020高效超分辨率挑战赛中获得第一名。

上图展示了RFDB模块与其他模块的结构对比

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