基于生成对抗网络的超分辨网络在提升图像感知质量等方面获得了重大突破,解决了SR图像中的边缘平滑问题,但依然存在纹理细节缺失、噪点和伪影等问题。在此提出一种含有学习层的自适应激活层MetaAconc与残差网络重构结合,得到一种新的残...基于生成对抗网络的超分辨网络在提升图像感知质量等方面获得了重大突破,解决了SR图像中的边缘平滑问题,但依然存在纹理细节缺失、噪点和伪影等问题。在此提出一种含有学习层的自适应激活层MetaAconc与残差网络重构结合,得到一种新的残差块ResMA。此外感受野块已经在目标检测等方面取得了不错的效果,为了增强特征细节,提出了增强感受野密集残差块(enhanced residual of receptive field dense block,ERRFDB)。将ResMA和ERRFDB进行网络结构重组,提出了一种全新的超分辨率生成器模型(SRRMA-RFB)。在SRGAN网络基础上,将生成器替换为SRRMA-RFB的网络模型称为SRGAN-ARF,为验证其重建图像的视觉效果和评价指标都有所提高,将其与SRGAN和ESRGAN算法进行对比。实验证明,所提算法在提高网络性能并且控制计算量的同时,使重建图像拥有更好的感知质量和纹理细节并且在减轻噪声方面具有一定的优势。展开更多
文摘基于生成对抗网络的超分辨网络在提升图像感知质量等方面获得了重大突破,解决了SR图像中的边缘平滑问题,但依然存在纹理细节缺失、噪点和伪影等问题。在此提出一种含有学习层的自适应激活层MetaAconc与残差网络重构结合,得到一种新的残差块ResMA。此外感受野块已经在目标检测等方面取得了不错的效果,为了增强特征细节,提出了增强感受野密集残差块(enhanced residual of receptive field dense block,ERRFDB)。将ResMA和ERRFDB进行网络结构重组,提出了一种全新的超分辨率生成器模型(SRRMA-RFB)。在SRGAN网络基础上,将生成器替换为SRRMA-RFB的网络模型称为SRGAN-ARF,为验证其重建图像的视觉效果和评价指标都有所提高,将其与SRGAN和ESRGAN算法进行对比。实验证明,所提算法在提高网络性能并且控制计算量的同时,使重建图像拥有更好的感知质量和纹理细节并且在减轻噪声方面具有一定的优势。
