论文主体思路

本文主要贡献

提出了深度残差通道注意网络(RCAN)来实现高精度的图像SR。
提出了由几个具有长跳跃连接的残差组构成的residual in residual（RIR）结构来构建深度网络。每个残差组中包含一些具有短跳跃连接的残差块。整个RIR结构通过运用多个跳跃连接，让低频信息绕过网络，使主干网络只学习到高频信息。
提出了通道注意(CA)机制，通过考虑特征通道之间的相互依赖性，来自适应地调整不同通道的权重。

主流的超分辨率方法

网络由四个模块构成：

(1).浅层特征提取：由1个卷积层head构成：conv(args.n_colors, n_feats, kernel_size)；

(2).深层特征提取：即文章提出的RIR结构；

(3).上采样：上采样用的是PixelShuffle；

(4).重构部分：用1个卷积层把通道数恢复到输入图片的通道数：conv(n_feats, args.n_colors, kernel_size)；
从上面的结构图中可以看出，residual in residual（RIR）结构的最外层由G个残差组以及一个长跳跃连接构成，从而形成了一个粗粒度的残差学习。在每一个残差组的内部，则是由B个残差通道注意力块（RCAB）以及一个小的跳跃连接构成。简单来说，这个residual in residual就是大残差内部再套娃小残差。
长跳跃连接可以使网络在更加粗粒度的层次上学习到残差信息。而短跳跃连接则是一种细粒度的identity-based的跳跃连接，使得大量网络不需要的低频信息得到过滤。
为了进一步实现自适应的辨别学习（discriminative learning），作者提出了通道注意力机制（CA）并在RCAB中进行了运用，其目的是给更有价值的通道更高的权重。