SESR是我在ICPR2018上投稿的一篇文章。

之所以称它高效，是应为这个模型的每个branch上只递归了4次，如果换算成堆叠的式的，也总共只有24层，再加上头尾以及做上采样的三个卷积，每个分支总共只有27层。其中SE模块和过渡卷积都是1x1的kernel，如果把x2和x4两个branch都算上，整体参数数量其实只有624k

对比一下其他的模型，比如84层的MemNet，PSNR和SSIM均有所超越，所以说效率其实还是相当高的

Method PSNR/SSIM
Set5 Set14 Bsd100 Urban100
Bicubic 28.43/0.811 26.01/ 0.704 25.97/ 0.670 23.15/ 0.660
A+ [6] 30.32/ 0.860 27.34/ 0.751 26.83/ 0.711 24.34/ 0.721
SRCNN [12] 30.50/ 0.863 27.52/ 0.753 26.91/ 0.712 24.53/ 0.725
FSRCNN [33] 30.72/ 0.866 27.61/ 0.755 26.98/ 0.715 24.62/ 0.728
SelfExSR [8] 30.34/ 0.862 27.41/ 0.753 26.84/ 0.713 24.83/ 0.740
VDSR [15] 31.35/ 0.883 28.02/ 0.768 27.29/ 0.726 25.18/ 0.754
DRCN [16] 31.54/ 0.884 28.03/ 0.768 27.24/ 0.725 25.14/ 0.752
LapSRN [17] 31.54/ 0.885 28.19/ 0.772 27.32/ 0.727 25.21/ 0.756
DRRN [2] 31.68/ 0.888 28.21/ 0.772 27.38/ 0.728 25.44/ 0.764
SESR(ours) 31.84/ 0.891 28.32/ 0.784 27.42/ 0.737 25.42/ 0.771

配套代码：GitHub