论文链接：https://arxiv.org/pdf/2008.08767.pdf

单图像超分辨(SISR)是计算机视觉和图像处理中的一个重要课题。对于低分辨率的图像，超分辨率(SR)的目标是生成具有必要的边缘结构和纹理细节的高分辨率(HR)图像。SISR技术的发展将使视频监控和行人检测等应用领域受益匪浅。

丰富的纹理细节特征在单一图像超分辨率任务中起着至关重要的作用。在过去的图像超分辨率方法中，人们利用ResNet来提升网络的特征表达能力，后来注意力机制的引入，使得网络对特征的提取能力进一步提升。通道注意力模块在提取每一层中信息丰富的特征方面是有效的。但是，通道注意力将每个卷积层视为一个单独的过程，忽略了不同层之间的相关性。为了解决这个问题，论文中提出了一个整体注意力网络（HAN），该网络由一个层注意力模块（LAM）和一个通道空间注意力模块（CSAM）组成，以对图层，通道和位置之间的整体相互依赖性进行建模。具体而言，LAM通过考虑各层之间的相关性来自适应地强调层次特征， 同时，CSAM在每个通道的所有位置学习逐像素置信度，用来有选择地捕获更多的信息特征。

对于低分辨率图像，HAN的第一卷积层提取一组浅层特征图。然后通过一系列残差组进一步提取低分辨率输入的更深层特征表征。我们提出了一个层注意力模块(LAM)来学习RGs每个输出的相关性，和一个通道-空间注意力模块(CSAM)来研究通道和像素之间的相互依赖性。

尽管密集连接和跳过连接允许将浅层信息绕过到深层，但这些操作不会利用不同层之间的相互依赖关系。相反，我们将来自每一层的特征图视为对特定类的响应，并且来自不同层的响应是相互关联的。通过获取不同深度的特征之间的依赖关系，网络可以为不同深度的特征分配不同的关注权值，自动提高提取的特征的表示能力。因此，我们提出了一种创新的LAM，它可以学习不同深度特征之间的关系，自动提高特征的表征能力。

现有的空间注意机制主要集中在特征的尺度维度上，对通道维度信息摄取较少，而最近的通道注意机制忽略了尺度信息。为了解决这个问题，我们提出了一种新的通道-空间注意机制(CSAM)，它包含了来自特征图的所有维度的反应。

在标准数据集上进行的大量实验结果表明，提出的模型在精度和视觉质量方面优于先进的SR算法。

锚点测试

　　　　 　　　　　　红 　　　　　　黄 　　　　　　蓝