多尺度混合注意力网络的图像超分辨率重建

摘要：

针对现有超分辨率(super-resolution)重建算法重建出的图像存在高频细节丢失、结构化失真的问题,结合多尺度混合注意力网络,给出一种新的重建算法.首先,设计了一种多尺度残差模块(multi-scale residual module,MRM),提取不同尺度信息的特征并进行融合来获取包含更多信息的浅层特征;其次,采用残差混合注意力模块(residual hybrid attention module,RHAM),依次沿着通道和空间 2 个不同的维度增强网络特征提取能力,进行自适应的特征优化,提高高频特征的复用;最后,通过重建模块对提取的特征进行增强,获取相应的高分辨率图像.在基准数据集上进行测试,实验结果表明:文中提出的算法相较主流图像 SR 算法,在放大尺度为 2、3、4 倍时峰值信噪比(peak signal to noise ratio,PSNR)平均提高了 0.104、0.224、0.146 dB,结构相似性(structur-al similarity index measure,SSIM)平均提高了 0.034 9、0.027 6、0.018 1.该算法能更有效地利用原始图像信息,重建出的图像在边缘和纹理细节等方面有一定的提高.

关键词：超分辨率重建、多尺度残差、混合注意力网络、深度学习、特征融合

所属期刊栏目：37

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省科技厅自然科学基础研究重点项目

在线出版日期：2023-07-19（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：92-100