【AAAI2022】Efficient Non-Local Contrastive Attention for Image Super-Resolution

前言

本文意不在与翻译，在于解读文章，望周知~
关于文章的点评以及可借鉴到自己论文实验的idea，在文末给出

0、论文的Motivation

• 虽然非局部注意力(Non-Local Attention, NLA)机制可利用自然图像中的内在特征关联信息去提升SISR任务的性能，但是它给噪声信息也会赋予较大的权重，这影响了模型最终的性能，同时其消耗的资源与输入成二次方的关系，这阻碍了其在SR领域中的应用。
• 针对NLA这点不足，文中提出了一种 efficient 类型的非局部对比注意力（Efficient Non-Local Contrastive Attention，ENLCA）来完成场距离的视觉建模，以及利用更多相关的非局部特征。
  • 至于为什么本文不直接说高效的，且听下文分解~
  • ENLCA 主要有两个部分：
    • Efficient Non-Local Attention (ENLA) ：用核方法去逼近指数函数。
    • Sparse Aggregation：用一个放大系数去乘以输入，以达到更加关注携带丰富信息的特征（informative feature），而近似值的方差呈指数增长的趋势。
  • 使用对比学习（ contrastive learning）以进一步将无关的特征分离&