1. 摘要
CNN 中的特征包含着不同类型的信息，它们对图像重建的贡献也不一样。然而，现在的大多数 CNN 模型却缺少对不同信息的辨别能力，因此也就限制了模型的表示容量。
另一方面，随着网络的加深，来自前面层的长期信息很容易在后面的层被削弱甚至消失，这显然不利于图像的超分辨。
作者提出了一个通道和空间特征调制（CSFM）网络，其中一系列特征调制记忆（FMM）模块级联在一起来将低分辨率特征转化为高信息量的特征。而在每个 FMM 内部，则集成了许多通道和空间注意力残差块（CSAR）以及一个用来保留长期信息的门控融合节点（GF）。
2. 网络结构
2.1. CSAR（Channel-wise and Spatial Attention Residual ）
进来一个特征 Hi，先经过卷积-ReLU-卷积得到特征 U，卷积核都为 3×3。
CA 单元包含全局空间池化-卷积-ReLU-卷积-Sigmoid，卷积核都为 1×1，第一层卷积通道数变为 C/r，第二层卷积通道数为 C。
SA 单元包含卷积-ReLU-卷积-Sigmoid，卷积核都为 1×1，第一层卷积通道数变为 C*i，第二层卷积通道数为 1。
得到通道和空间的两个 mask 后，分别和特征 U 相乘，然后再将两个结果拼接起来经过一个 1×1 的卷积将通道数变为 C，最后和 Hi 相加得到输出特征 Ho。
在论文中，作者设置 r=16，i=2，CSAR 的一个 TensorFlow 实现如下所示。
def CSAR(input, reduction, increase):"""@Channel-wise and Spatial Feature Modulation Network for Single Image Super-ResolutionChannel-wise and spatial attention residual block"""_, width, height, channel = input.get_shape() # (B, W, H, C)u = tf.layers.conv2d(input, channel, 3, padding='same', activation=tf.nn.relu) # (B, W, H, C)u = tf.layers.conv2d(u, channel, 3, padding='same') # (B, W, H, C)# channel attentionx = tf.reduce_mean(u, axis=(1, 2), keepdims=True) # (B, 1, 1, C)x = tf.layers.conv2d(x, channel // reduction, 1, activation=tf.nn.relu) # (B, 1, 1, C // r)x = tf.layers.conv2d(x, channel, 1, activation=tf.nn.sigmoid) # (B, 1, 1, C)x = tf.multiply(u, x) # (B, W, H, C)# spatial attentiony = tf.layers.conv2d(u, channel * increase, 1, activation=tf.nn.relu) # (B, W, H, C * i)y = tf.layers.conv2d(y, 1, 1, activation=tf.nn.sigmoid) # (B, W, H, 1)y = tf.multiply(u, y) # (B, W, H, C)z = tf.concat([x, y], -1)z = tf.layers.conv2d(z, channel, 1, activation=tf.nn.relu) # (B, W, H, C)z = tf.add(input, z)return z
2.2. FFM（Feature Modulation Memory）
一个 FFM 模块由 B 个 CSAR 块叠加而成，最后面是一个门控融合节点，借鉴 DenseNet 的思想，将其前面所有 FFM 模块的输出特征拼接在一起再经过一个 1×1 的卷积。
2.3. CSFM（Channel-wise and Spatial Feature Modulation）
整个网络结构包含三部分，第一部分为初始特征提取网络（IFENet），第二部分为特征转化网络（FTNet），包含数个 FMM 模块和一个跳跃连接，第三部分为上采样网络（UpNet），负责上采样得到高分辨率图片。
3. 实验结果
3.1. Ablation studies
作者对比了只有 CA 单元和只有 SA 单元情况下模型的表现情况，结果如下所示。
可以看到，单单引入 CA 、SA 或者 GF 都会改善模型的性能，而将三者组合在一起则可以得到最大的性能提升。
网络中 FMM 模块的数量以及每个 FMM 模块中 CSAR 块的数量对模型的性能影响如下图所示，M=8，B=16 时模型取得了最好的表现。
3.2. 实验对比
在 PSNR 和 SSIM 指标上，CSFM 在所有的数据集上都取得了最好的效果。
主观上也可以看到，CSFM 恢复出了图片中更多的细节和纹理。
相较于之前表现最好的模型 EDSR，模型的参数量也大大减少。
获取更多精彩，请关注「seniusen」!
