Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning 论文链接：https://arxiv.org/abs/2011.06773 代码链接：https://github.com/wxxxxxxh/A2F-SR 表现SOTA！性能优于AWSRN、DRRN和MSRN等网络，代码即将开源！作者单位：中山大学, 香港城市大学, 上海交大等 尽管基于卷积网络的方法提高了单图像超分辨率（SISR）的性能，但巨大的计算成本限制了它们的实际适用性。在本文中，我们基于提出的用于SISR的注意力辅助特征（A2F），开发了一种计算效率高但准确的网络。首先，为了从底层探索要素，将所有先前各层的辅助要素投影到一个公共空间中。然后，为了更好地利用这些投影的辅助特征并过滤冗余信息，利用通道注意力来基于当前层特征选择最重要的共同特征。我们将这两个模块合并到一个块中，并通过轻量级网络实现它。在大规模数据集上的实验结果证明了所提出的模型针对最新技术（SOTA）SR方法的有效性。值得注意的是，当参数小于320k时，A2F在所有规模上都优于SOTA方法，这证明了它能够更好地利用辅助特征。

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