论文地址：Lightweight adaptive weighted network for single image super-resolution
?引言
一般来说，基于深度学习的方法越深的网络和残差学习技术可以得到更好的性能。但是，由于巨大的参数量和比较长的推理时间，这种模型很难应用在实际生活中。
?为了提高模型的效率通常有三种方法，后处理，递归学习，组卷积。
?另一方面，堆叠残差模块越深的网络可能导致梯度消失和梯度爆炸。因此，提出了残差缩放策略，通过固定残差单元的权重来限制梯度的流动。
?大多数方法都是采用单一尺度的方法，这导致信息利用不充分。
?该网络包含一系列的局部融合模块（LFBs，为了非线性特征变换）和自适应加权多尺度模块（AWMS）为了重建图像。
?残差模块的堆叠也可能导致梯度爆炸，残差缩放策略虽然可以改变这个问题，但是固定参数对于不同残差单元可能不是合适的。作者将其他领域的模块应用到SR领域中，在上面改进残差缩放的参数。作者受别人的启发，搭建了新的残差模块，提出了AWRU。
?作者在重建模块使用了多尺度。
?
?作者的贡献：1，提出了自适应加权策略去分辨残差单元分支的权重。2 提出了AWMS重建模块，可以更好的使用来自非线性映射单元的特征。
?
?
?模型的整体结构。主要包含三部分，特征提取，非线性映射，重建模块。
作者为了模型更加高效，只使用一个卷积层用于特征提取。
非线性映射是级联的LFB模块。
?
?
?作者是在WDSR的残差单元的基础上进行改进的。
?实验部分
?
?后面的消融实验没仔细看
总结：这篇论文最关键的是如何获得可学习的参数。这里面的多尺度重建模块也是使用不同大小的卷积核实现的。