AIM2020-ESR冠军方案解读：引入注意力模块ESA

该文是南京大学提出的一种轻量&高效图像超分网络，它获得了AIM20-ESR竞赛的冠军。它在IMDN的基础上提出了两点改进，并引入的一种ESA注意力模块。如果从结果出发来看RFDN看上去很简单，但每一步的改进却能看到内在的一些思考与尝试。值得初入图像复原领域的同学仔细研究一下该文。

paper:

code: (预训练模型未开源)

受益于CNN强大的拟合能力，图像超分取得了极大的进展。尽管基于CNN的方法取得了极好的性能与视觉效果，但是这些模型难以部署到端侧设备(高计算量、高内存占用)。

为解决上述问题，已有各种不同的快速而轻量型的CNN模型提出，IDN( , IDN)是其中的佼佼者，它采用通道分离的方式提取蒸馏特征。然而，我们并不是很清晰的知道这个操作是如何有益于高效SISR的。

该文提出一种等价于通道分离操作的特征蒸馏连接操作( , FDC)，它更轻量且更灵活。基于FDC，作者对IMDN( Multi , IMDN)进行了重思考并提出了一种称之为RFDN( , RFDN)的轻量型图像超分模型，RFDN采用多个FDC学习更具判别能力的特征。与此同时，作者还提出一种浅层残差模块SRB( Block, SRB)作为RFDB的构件模块&#x