这篇文章提出了现有超分网络都是通过单通道进行超分，会造成超分图像模糊，深入解读就是在低分辨率上提取特征在较大上采样因子下可能会造成非线性映射差导致超分图像模糊的问题。
这篇文章提出了一种多级多分辨率的深度提取结构来解决这个问题，思想类似于基于拉普拉斯金字塔的超分，都是将较大上采样因子分几步进行，不过这篇文章提出了一种新颖的思想：在采样的同时注意纹理细节，即越高的分辨率下越能注意到高频细节。深度提取层中先将lr经浅特征提取层后得到的浅层特征进一步下采样作为第一阶段的输入，这里由于文章无解释，我理解为使特征图进一步注意到低频信息（因为lr本身的高频信息较少，进一步下采样，高频纹理细节进一步模糊，只剩大量的低频信息），后通过深度特征提取块提取到大量低频信息和极少量的高频信息，在第二阶段上采样后与经过浅特征提取层后的lr特征图进行融合，第二层经过深度特征提取得到少量高频信息和大量低频信息，第三阶段将第二阶段的第一层所得的高频与低频信息和第二层得到的高频与低频信息上采样到指定大小进行融合后在经过深度提取块，在最后将第一层和第二层上采样到第三层的大小后进行融合。
深度提取块为一个带空间注意力的特征提取块
融合块为一个softmax融合块使特征图分别经过通道注意力操作，生成张量进行拼接softmax使网络在纵向自适应的学习应该对哪部分特征图进行着重操作，其实就是通过softmax在纵向加了一个通道注意力，后由于通过softmax函数得到的值相加为1，因此融合直接相加即可
相关文章：