-
题名基于非局部通道注意力机制的单图像超分辨率方法
被引量：2
- 1
-
-
作者
叶杨
蔡琼
杜晓标
-
机构
武汉工程大学邮电与信息工程学院计算机与信息工程学院
武汉工程大学计算机科学与工程学院
吉林大学珠海学院电子信息系
-
出处
《计算机应用》
CSCD
北大核心
2020年第12期3618-3623,共6页
-
文摘
单图像超分辨率是一个不适定的问题,是指在给定模糊和低分辨率图像的情况下重建纹理图案。卷积神经网络(CNN)最近被引入超分辨率领域中,尽管当前研究通过设计CNN的结构和连接方式获得了出色的性能,但是忽略了可以使用边缘数据来训练更强大的模型,因此提出了一种基于边缘数据增强的方法,即单图像超分辨率的非局部通道注意力(NCA)方法。该方法可以充分利用训练数据并通过非局部通道注意力提高性能。所提方法不仅为设计网络提供了引导,而且也可以对超分辨率任务进行解释。非局部通道注意力网络(NCAN)模型由主分支和边缘增强分支组成,通过往模型里输入低分辨率图像并预测边缘数据,使主分支自注意力重建超分辨率图像。实验结果表明,在BSD100基准数据集上与二阶注意力网络(SAN)模型相比,NCAN在3倍放大因子下的峰值信噪比(PSNR)和结构相似度(SSIM)分别提升了0.21 dB和0.009;在Set5、Set14等其他基准数据集上与深度残差通道注意力网络(RCAN)模型相比,NCAN在3倍和4倍放大因子下的PSNR和SSIM都取得了较为明显的提升。NCAN在可比参数方面性能超过了最新模型。
-
关键词
超分辨率
卷积神经网络
深度学习
图像重建
图像恢复
-
Keywords
super-resolution
Convolution Neural Network(CNN)
deep learning
image reconstruction
image restoration
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
