Deep Neural Network for Fast and Accurate Single Image Super-Resolution via Channel-Attention-based
本文提出现行超分网络中存在大量参数，运算复杂，为了解决这些问题，本文提出了将一维卷积与二维卷积联合起来使用以定向提取特征，并减少参数。
该网络的总体架构较为简单，将低分辨率图片输入后经过33的卷积提取浅层特征后，输入到OAM块中进一步提取定向特征，通过全局注意力机制，最后通过两个33卷积降维hou，亚像素到高分辨率图片。
此网络的创新点主要在于oam中的利用1维卷积进行定向采样，从而更充分的提取水平和垂直特征，这里存在一个问题，就是一维卷积没有高h的属性，只有w的属性，即二维卷积为（batch，channel，height，weight），而一维卷积只有（batch，channel，weight）那么如何做到用一维卷积去卷积图片的问题，这里由于他没有放出源代码，只能做猜测，推测其为先将图片进行维度融合即将w与h融合为一个维度，即如下图复现代码
主要过程为输入一张70703分辨率的图片，先利用transpose和简单除法将维度改为计算机能够识别的37070的浮点型numpy矩阵类型，转换之后利用view函数将图像转换为314900的3通道的一维向量后将原来的h的维度调到首位成为batch即134900,这样就成功将图片 变为一维向量经过一维卷积后生成与原一维向量大小相同的一维向量，即生成也为134900，在按原步骤将图像复原，这样做其实存在一个问题，即用view整合时每一行的尾端数据都会链接下一行的首端，这就导致了可能在末尾的位置提取特征与原图不符，猜测所以本文由这个问题添加了一个3*3的卷积来进一步拟合图像，而用一维卷积提取纵向信息时应该是将图片旋转后进行一维卷积。
由代码可知经过这一系列变换c是不变的因此拼接后变为3c。以上皆为猜测，以该文作者后续发表的代码为准。后本文用了传统的通道注意力，此处不做说明