10.11772/j.issn.1001-9081.2020060979
基于注意力机制的图像超分辨率重建
目前,单幅图像超分辨率重建取得了很好的效果,然而大多数模型都是通过增加网络层数来达到好的效果,并没有去发掘各通道之间的相关性.针对上述问题,提出了一种基于通道注意力机制(CA)和深度可分离卷积(DSC)的图像超分辨率重建方法.整个模型采用多路径模式的全局和局部残差学习,首先利用浅层特征提取块来提取输入图像的特征;然后,在深层特征提取块中引入通道注意力机制,通过调整各通道的特征图权重来增加通道相关性,从而提取高频特征信息;最后,重建出高分辨率图像.为了减少注意力机制带来的巨大参数影响,在局部残差块中使用了深度可分离卷积技术以大大减少训练参数,同时采用自适应矩估计(Adam)优化器来加速模型的收敛,从而提高了算法性能.该方法在Set5、Set14数据集上进行图像重建,实验结果表明不仅该方法重建的图像具有更高的峰值信噪比(PSNR)和结构相似度(SSIM),而且所提模型的参数量减少为深度残差通道注意力网络(RCAN)模型的参数量的1/26.
超分辨率重建、注意力机制、深度可分离卷积、残差网络、卷积神经网络
41
TP391.4(计算技术、计算机技术)
国家科技部和国家自然科学基金奖励补助基金资助项目;贵州省科技计划项目;贵州省省级重点学科"计算机科学与技术";贵州省教育厅创新群体研究项目
2021-03-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
845-850