-
题名基于密集反馈网络的单幅图像超分辨率重建
被引量：1
- 1
-
-
作者
刘锡泽
范红
海涵
王鑫城
许武军
倪林
-
机构
东华大学信息科学与技术学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第11期254-261,共8页
-
基金
国家自然科学基金(61801106)。
-
文摘
基于深度学习的单幅图像超分辨率网络模型体积庞大,导致参数利用率低且难以部署,对中间层特征利用不充分。提出一种密集反馈注意力网络(DFAN)模型。在同一特征图中通过多尺度残差注意力模块(MRAB)提取不同尺度的深层特征,以增加特征的多样性。同时将每个MRAB的输出均作为同组中其他残差模块的输入,使各层之间的信息流最大化,从而减小训练难度。实验结果表明,相比VDSR、DRRN、MemNet等模型,DFAN模型具有较优的重建效果,其在重建放大倍数为4的Set5数据集上计算复杂度仅为VDSR模型的0.14倍左右,而峰值信噪比提高了0.57 dB。
-
关键词
单幅图像超分辨率重建
深度学习
密集反馈模型
注意力机制
残差模块
-
Keywords
super-resolution reconstruction of a single image
Deep Learning(DL)
dense feedback model
attention mechanism
residual module
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
