自适应残差注意力的轻量级图像超分辨率重建模型

摘要：

单幅图像超分辨率重建在众多领域应用广泛,然而现有算法大多通过扩展卷积神经网络深度和宽度来提取更多特征细节,导致算法计算复杂度的提高和模型参数量的增大.为解决上述问题,提出一种自适应残差注意力的轻量级超分辨率网络算法.首先通过改进坐标注意力网络,生成了关注高频位置信息的注意力特征图;接着将改进的自适应残差注意力信息提取模块和坐标注意力模块双支路并行连接,使输出的特征信息包含更多图像细节;同时采用多尺度上采样方法,使训练得到的网络模型(单次训练)一次输出多个不同尺度的超分辨率图片.通过和经典的轻量级超分辨率算法比较,所提算法得到的4倍重建图片在4个公共数据集上的平均峰值信噪比(PSNR)提高了 1.06 dB,模型参数量减少了59％,图像观感更为清晰,包含更多高频细节.

关键词：图像超分辨率、轻量级、注意力机制、卷积神经网络、残差学习

所属期刊栏目：59

分类号：TP394(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;江西省自然科学基金;江西省自然科学基金;江西省教育厅科技项目;江西省教育厅科技项目;赣州市科技计划

在线出版日期：2022-09-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：133-141