-
题名基于深度渐进式反投影注意力网络的图像超分辨率重建
被引量：4
- 1
-
-
作者
胡高鹏
陈子鎏
王晓明
张开放
-
机构
西华大学计算机与软件工程学院
西华大学机器人研究中心
-
出处
《计算机应用》
CSCD
北大核心
2020年第7期2077-2083,共7页
-
基金
西华大学研究生创新基金资助项目(ycjj2019095)。
-
文摘
针对多数单帧图像超分辨率(SISR)方法在重建预测图像时存在高频信息丢失和上采样过程中会引入噪声以及特征图各通道之间的相互依赖关系难以确定等问题,提出了深度渐进式反投影注意力网络。首先使用渐进式上采样方法将低分辨率(LR)图像逐步缩放至给定的倍率,缓解上采样过程中造成的高频信息丢失等问题;然后在渐进式上采样的每个阶段融合迭代反投影思想,学习高分辨率(HR)和LR特征图之间的映射关系并减少上采样过程中引入的噪声;最后使用注意力机制为渐进式反投影网络不同阶段产生的特征图动态分配注意力资源,使网络模型学习到各特征图之间的相互依赖关系。实验结果表明,所提出的方法相比主流的超分辨率方法,峰值信噪比(PSNR)最高可增加3.16 dB,结构相似性最高可提升0.2184。
-
关键词
超分辨率
渐进式上采样
反投影网络
注意力机制
深度学习
-
Keywords
super-resolution
progressive upsampling
back-projection network
attention mechanism
deep learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于空间特征变换与反投影的渐进式图像超分辨
被引量：3
- 2
-
-
作者
秦玉
谢超宇
王晓明
陈子鎏
-
机构
西华大学计算机与软件工程学院
西华大学机器人研究中心
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第12期3814-3819,共6页
-
基金
西华大学研究生创新基金资助项目(ycjj2019095)。
-
文摘
基于深度网络的单帧图像超分辨(SISR)方法为目前SR研究热点,但是多数该类方法在特征提取时主要侧重在网络深度结构的探索,忽略了中间空间特征层之间的相似性,并且在重构时忽略了特征层之间的特征差异性。针对上述问题,提出了基于空间特征变换与反投影重构的渐进式网络。该方法的主要特征是,在图像特征提取时对特征空间进行特征仿射变换,从而获得渐进式特征和空间变换特征,增加特征层间的不同相似性。在图像重构阶段,重构模块采用多尺度反投影的策略融合了图像多源特征,从而使得其模块更加注重特征之间的差异性。实验结果表明,相比大多数超分辨算法,所提方法在图像超分辨重建时PSNR/SSIM等评估指标均有较大提升,且重构图像的纹理信息也更加丰富。
-
关键词
超分辨率
空间特征变换
反投影网络
渐进式上采样
深度学习
-
Keywords
super-resolution(SR)
spatial feature transform
back-projection network
progressive upsample
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于对偶学习策略的单图像超分辨率重建网络
被引量：5
- 3
-
-
作者
陈金玲
彭艳兵
李念
-
机构
武汉邮电科学研究院
南京烽火天地通信科技有限公司
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第7期2235-2240,共6页
-
基金
国家重点研发计划资助项目(2017YFB1400704)。
-
文摘
针对单图像低分辨率到高分辨率映射具有不适定性、特征图空间信息利用率低下以及网络参数量过大的问题,提出了一种基于渐进上采样的对偶学习算法用于图像的超分辨率重建。首先采用深度可分离卷积使得模型参数量显著减少;再基于亚像素卷积构建渐进上采样网络来高效利用特征图上下文信息;最后利用对偶学习策略构建闭环反馈网络,通过对偶关系相互约束映射空间以获取最佳重建函数。在Set5、Set14、BSDS100、Urban100、Manga109基准数据集上与其他主流的超分辨率方法相比,该算法表现出更优越的性能:有效减少了网络9%的参数量,在×4、×8放大因子下能重建出更清晰的图像,同时能有效缓解图像边缘失真和伪影现象,并且×8放大时的平均峰值信噪比和结构相似度(PSNR/SSIM)分别为26.90/0.751、24.84/0.645、24.74/0.619、22.30/0.560、24.38/0.706。
-
关键词
超分辨率重建
深度可分离卷积
渐进上采样
亚像素卷积
对偶学习
-
Keywords
super-resolution reconstruction
depth separable convolution
progressive convolution
sub-pixel convolution
dual learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
