基于门控卷积神经网络的图像超分辨重建算法
近年来,卷积神经网络被广泛应用于图像超分辨率领域.针对基于卷积神经网络的超分辨率算法存在图像特征提取不充分,参数量大和训练难度大等问题,本文提出了一种基于门控卷积神经网络(gated convolutional neural network,GCNN)的轻量级图像超分辨率重建算法.首先,通过卷积操作对原始低分辨率图像进行浅层特征提取.之后,通过门控残差块(gated residual block,GRB)和长短残差连接充分提取图像特征,其高效的结构也能加速网络训练过程.GRB中的门控单元(gated unit,GU)使用区域自注意力机制提取输入特征图中的每个特征点权值,紧接着将门控权值与输入特征逐元素相乘作为GU输出.最后,使用亚像素卷积和卷积模块重建出高分辨率图像.在Set14、BSD100、Urban100和Manga109数据集上进行实验,并和经典方法进行对比,本文算法有更高的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM),重建出的图像有更清晰的轮廓边缘和细节信息.
超分辨率、门控单元、门控残差块、轻量级、卷积神经网络
33
TP391(计算技术、计算机技术)
国家自然科学基金61672333
2022-09-19(万方平台首次上网日期,不代表论文的发表时间)
共6页
637-642