近年来，深度卷积神经网络（CNNs）在单一图像超分辨率（SISR）中进行了广泛的探索，并获得了卓越的性能。但是，大多数现有的基于CNN的SISR方法主要聚焦于更宽或更深的体系结构设计上，而忽略了挖掘层间特征的内在相关性，从而阻碍了CNN的表示能力。为了解决这一问题，在本文中提出了一个二阶注意力网络（SAN），用于更强大的特征表达和特征相关性学习。特别地，开发了一种新颖的可训练的二阶通道注意力（SOCA）模块，以通过使用二阶特征统计量进行更具区分度的表示来自适应地重缩放通道级别的特征。此外，我们提出了一种非局部增强残差组（NLRG）结构，该结构不仅包括了非局部操作以获取远程空间内容信息，而且还包含重复的局部源残差注意力模块（LSRAG）以学习越来越多的抽象特征表示。实验结果证明了SAN网络在客观指标和视觉质量方面均优于最新的SISR方法。
