几篇论文主要是改网络，这里附上图，用到的时候再细看吧，未标明会议的都是cvpr 2020。。
Structure-Preserving Super Resolution with Gradient Guidance
基本思路是增强edge，和之前几篇low level基于edge增强的论文思路一致，并不是新东西，主要结构如下所示:
补充一下，这篇文章还是有点意义的，至少论证了edge在使用GAN的情况下可以显著提高perceptual质量（不使用GAN是达不到的），比后面那篇cvpr的sr改网络的论文还是强不少的，这样看至少还是有点impressive的。
Spatially-Attentive Patch-Hierarchical Network for Adaptive Motion Deblurring
结构花里胡哨的，将之前DHMN,SRN,各种attention组合在一起，结构如下（下面是CA模块）：
几个模块分别如下所示：
Multi-Scale Boosted Dehazing Network with Dense Feature Fusion
在U-Net里融入多尺度boosting做去雾，结构如下所示:
不同boosting的结构对比和DFF结构如下所示：
plus，下面这篇不是cvpr2020论文，结构可能以后用上，先放在这里：
Residual Feature Aggregation Network for Image Super-Resolution
网络图直接放在下面，就是多级residual网络连在一起，ESA是对spatial attention中间的特征进行downsample，不知道为啥能中…
Gated Context Aggregation Network for Image Dehazing and Deraining(WACV 2019)
主要结构如下所示:
针对空洞卷积产生伪影的原因，论文认为是空洞卷积采样的点之间没有依赖关系导致的，所以在空洞卷积之前加一个depthwise conv去解决这个问题，从而添加上一点依赖关系（对于dialated较大的空洞，似乎需要很多层？有没有更好的方式？）
然后是多级融合部分，这个没啥好说的了。。。
Non-locally Enhanced Encoder-Decoder Network for Single Image De-raining(ACMMM 2019)
主要结构如下,使用unpool可以更好恢复细节（这个作用非常大，本人对比过！）:
使用nonlocal模块，可以在不同尺度上捕捉雨线，从而进行消除，特别的，对于浅层较大的feature map，这里将fearure划分成多个patch进行nonlocal，从而减少计算量:
FFA-Net：Feature Fusion Attention Network for Single Image Dehazing(AAAI 2020)
主要结构如下,
使用feature fusion加上channel和spatial attention去提升性能，如下所示:
