一.项目介绍 RCAN：Residual Channel Attention Network（残差通道注意网络 ) 卷积神经网络(CNN)的深度对于图像超分辨率(SR)是极其关键的因素。然而，我们观察到，更深层次的图像SR网络更难训练。低分辨率的输入和特征包含丰富的低频信息，这些信息在通道间被平等对待，从而阻碍了CNNs的表征能力。为了解决这些问题，我们提出了一种非常深的残差通道注意网络(RC

RCAN简记 文章目录 RCAN简记参考问题与方案Residual in ResidualChannel AttentionRIR与CA的结合实验RIR和CA的作用与其他模型的对比 参考 RCAN源代码原文 注：SR=Super-Resolution 问题与方案 作者提出研究问题： 此前的SR相关的网络大多都受限于网络深度（在CV中这是很重要的一点）此前的SR相关

这篇文章是2018年的ECCV，作者主要是为了介绍注意力机制在超分领域的应用以及基于注意力机制的这个SR网络——Residual Channel Attention Networks(后文简称RCAN)。RCAN是一种基于Residual In Residual(后文简称RIR)结构的深度网络，他利用残差网络的特性来加深网络；RIR由多个Residual Groups(后文简称RG)组成，每个

在调试超分辨率RCAN模型的Pytorch工程时，遇到问题： ImportError: cannot import name '_worker_manager_loop' from 'torch.utils.data.dataloader' 查看dataloder源码发现问题原因是Pytorch升级到1.0后，dataloder模块中的_worker_manager_loop函数已被移除并由