【图像超分】论文复现：轻量化超分 | 残差特征蒸馏网络RFDN的Pytorch源码复现，跑通源码，整合到EDSR-PyTorch中进行训练，补充CCA的实现！

请先看【专栏介绍文章】：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）

完整代码和训练好的模型权重文件下载链接见本文底部，订阅专栏免费获取！

本文亮点：

• 跑通RFDN源码，将RFDN整合到EDSR-PyTorch中进行训练，获得PSNR/SSIM、Params、FLOPs、超分可视化结果；
• RFDN架构从大到小拆解，从小到大实现，补充CCA的实现，示意图与源码对应，注释详细；

前言

论文题目：（ECCVW 2020 | RFDN）Residual Feature Distillation Network for Lightweight Image Super-Resolution —— 用于图像超分辨率的残差特征聚合网络

论文地址：Residual Feature Distillation Network for Lightweight Image Super-Resolution

论文源码：https://github.com/njulj/RFDN

对应的论文精读：【图像超分】论文精读：Residual Feature Distillation Network for Lightweight Image Super-Resolution（RFDN）

源码中只给了x4的预训练模型，且没有训练代码，需要将其整合到EDSR-Pytorch中训练。

一、跑通代码 （Quick Start）