摘要
轻量级超分辨率网络在实际应用中具有极其重要的意义。近年来，通过牺牲内存和计算成本，已经提出了一些具有卓越性能的超分辨率深度学习方法。为了解决这一问题，本文提出了一种新型轻量级超分辨率网络，该网络在轻量级超分辨率方面提升了现有最佳性能（SOTA），并且其表现与计算成本较高的网络大致相当。多路径残差网络设计包含一系列堆叠的残差连接块和自适应残差块：(i) 用于自适应提取信息特征并学习更具表达力的空间上下文信息；(ii) 在上采样阶段之前更好地利用多层次表示；(iii) 允许网络内部高效的信息和梯度流动。所提出的架构还包含一种新的注意力机制——两重注意力模块（Two-Fold Attention Module），以最大化模型的表示能力。大量实验表明，我们的模型在与其他现有的最佳超分辨率方法相比时表现出显著的优势。