基于非局部通道注意力机制的单图像超分辨率方法

摘要：

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

所属期刊栏目：40

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2021-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3618-3623