Since the development of deep learning, image super-resolution (SR) has made great progress, and become the focus of academic research. Because high-level features are more informative for the reconstruction, most SR networks have a large number of layers and parameters, which restrict their application in resource-constrained devices. Recently, lightweight networks got a lot attention for their broad application prospect. To improve the performance of lightweight networks by informative high-level features, we introduce feedback mechanism into our method, which can feed back high-level features to refine low-level ones. In this paper, we propose a closed-loop feedback network with cross back-projection for lightweight image super-resolution (CCFN), which uses feedback mechanism in three manners. First, based on error feedback, we propose a cross back-projection feedback block (CFB). CFB uses error feedback to correct the features of multi-scale fusion, which also can be viewed as two cross-learning back-projection units. Second, CFB works in a self-feedback manner, which feeds back the output high-level features to refine the low-level ones of the input. Third, we propose a global feedback, which feeds back the degradation results of SR to LR, to guide the learning of mapping functions from LR to HR. Finally, we use attention-based model as the basic block in CFB, and since our method works in an iterative manner, recursive concatenation is more suitable than multi-reconstruction. The final experimental results show that our CCFN has a competitive performance with few parameters.

自深度学习发展以来，图像超分辨率（SR）取得了长足的进步，成为学术研究的焦点。由于高级特征对于重建来说信息量更大，大多数 SR 网络具有大量的层和参数，这限制了它们在资源受限设备中的应用。近年来，轻量级网络因其广阔的应用前景而备受关注。为了通过信息丰富的高级特征来提高轻量级网络的性能，我们在我们的方法中引入了反馈机制，它可以反馈高级特征来细化低级特征。在本文中，我们提出了一种具有交叉反投影的闭环反馈网络，用于轻量级图像超分辨率（CCFN），它以三种方式使用反馈机制。首先，基于错误反馈，我们提出了一个交叉反投影反馈块（CFB）。CFB利用误差反馈来修正多尺度融合的特征，也可以看作是两个交叉学习的反投影单元。其次，CFB 以自我反馈的方式工作，它反馈输出的高级特征以细化输入的低级特征。第三，我们提出了一个全局反馈，将 SR 的退化结果反馈到 LR，以指导学习从 LR 到 HR 的映射函数。最后，我们使用基于注意力的模型作为 CFB 中的基本块，并且由于我们的方法以迭代方式工作，递归连接比多重重建更适合。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。CFB利用误差反馈来修正多尺度融合的特征，也可以看作是两个交叉学习的反投影单元。其次，CFB 以自我反馈的方式工作，它反馈输出的高级特征以细化输入的低级特征。第三，我们提出了一个全局反馈，将 SR 的退化结果反馈到 LR，以指导学习从 LR 到 HR 的映射函数。最后，我们使用基于注意力的模型作为 CFB 中的基本块，并且由于我们的方法以迭代方式工作，递归连接比多重重建更适合。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。CFB利用误差反馈来修正多尺度融合的特征，也可以看作是两个交叉学习的反投影单元。其次，CFB 以自我反馈的方式工作，它反馈输出的高级特征以细化输入的低级特征。第三，我们提出了一个全局反馈，将 SR 的退化结果反馈到 LR，以指导学习从 LR 到 HR 的映射函数。最后，我们使用基于注意力的模型作为 CFB 中的基本块，并且由于我们的方法以迭代方式工作，递归连接比多重重建更适合。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。它反馈输出的高级特征以细化输入的低级特征。第三，我们提出了一个全局反馈，将 SR 的退化结果反馈到 LR，以指导学习从 LR 到 HR 的映射函数。最后，我们使用基于注意力的模型作为 CFB 中的基本块，并且由于我们的方法以迭代方式工作，递归连接比多重重建更适合。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。它反馈输出的高级特征以细化输入的低级特征。第三，我们提出了一个全局反馈，将 SR 的退化结果反馈到 LR，以指导学习从 LR 到 HR 的映射函数。最后，我们使用基于注意力的模型作为 CFB 中的基本块，并且由于我们的方法以迭代方式工作，递归连接比多重重建更适合。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。并且由于我们的方法以迭代方式工作，递归连接比多重重构更合适。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。并且由于我们的方法以迭代方式工作，递归连接比多重重构更合适。最终的实验结果表明，我们的 CCFN 在参数很少的情况下具有竞争性能。