Since deep learning was introduced into super-resolution (SR), SR has achieved remarkable performance improvements. Since high-level features are more informative for reconstruction, most of SR methods have a lage number of parameters, which restrict their application in resource-constrained devices. Feedback mechanism makes it possible to get informative high-level features with few parameters, for it can feed high-level features back to refine low-level ones, which is very suitable for lightweight networks. However, most feedback networks work in a single feedback manner, which refined low-level features just once in each iteration or each unit. In this paper, we propose a lightweight parallel feedback network for image super-resolution (LPFN), which enhances the refinement ability of the feedback network. In our method, all the feedback blocks feed back their outputs to previous layers in a parallel feedback manner. Based on parallel feedback and residual learning, a local-mirror architecture is proposed. Then, we propose a dispersion-aware attention residual block (DARB) as the basic block in feedback block, which calculates the dispersion of pixels along channel and spatial dimensions. We use ensemble method to reconstruct SR image. Finally, we propose a global feedback, which feeds back the degradation results of SR to primal LR image, supervising the learning of LR-HR mapping function. Further experimental results demonstrate that LPFN has an outstanding performance while taking up few computing resources.

自从深度学习被引入超分辨率（SR）以来，SR 取得了显着的性能提升。由于高级特征对于重建来说信息量更大，大多数 SR 方法的参数数量较多，这限制了它们在资源受限设备中的应用。反馈机制使得用很少的参数获得信息丰富的高级特征成为可能，因为它可以反馈高级特征来细化低级特征，这非常适合轻量级网络。然而，大多数反馈网络以单一反馈方式工作，在每次迭代或每个单元中只提炼一次低级特征。在本文中，我们提出了一种用于图像超分辨率（LPFN）的轻量级并行反馈网络，增强了反馈网络的细化能力。在我们的方法中，所有反馈块以并行反馈的方式将它们的输出反馈到前一层。基于并行反馈和残差学习，提出了一种局部镜像架构。然后，我们提出了一个分散感知注意残差块（DARB）作为反馈块中的基本块，它计算像素沿通道和空间维度的分散。我们使用集成方法来重建 SR 图像。最后，我们提出了一种全局反馈，将 SR 的退化结果反馈到原始 LR 图像，监督 LR-HR 映射函数的学习。进一步的实验结果表明，LPFN 具有出色的性能，同时占用的计算资源很少。提出了一种本地镜像架构。然后，我们提出了一个分散感知注意残差块（DARB）作为反馈块中的基本块，它计算像素沿通道和空间维度的分散。我们使用集成方法来重建 SR 图像。最后，我们提出了一种全局反馈，将 SR 的退化结果反馈到原始 LR 图像，监督 LR-HR 映射函数的学习。进一步的实验结果表明，LPFN 具有出色的性能，同时占用的计算资源很少。提出了一种本地镜像架构。然后，我们提出了一个分散感知注意残差块（DARB）作为反馈块中的基本块，它计算像素沿通道和空间维度的分散。我们使用集成方法来重建 SR 图像。最后，我们提出了一种全局反馈，将 SR 的退化结果反馈到原始 LR 图像，监督 LR-HR 映射函数的学习。进一步的实验结果表明，LPFN 具有出色的性能，同时占用的计算资源很少。它将SR的退化结果反馈到原始LR图像，监督LR-HR映射函数的学习。进一步的实验结果表明，LPFN 具有出色的性能，同时占用的计算资源很少。它将SR的退化结果反馈到原始LR图像，监督LR-HR映射函数的学习。进一步的实验结果表明，LPFN 具有出色的性能，同时占用的计算资源很少。