基于生成对抗网络的图像超分辨率重建算法
SRGAN是基于深度学习的图像超分辨率的典型方法,重建效果较好,但该算法还存在一些缺陷,在提高图像质量和运行速度上仍然有较大提升空间.本文在SRGAN网络模型的基础上提出了一个优化模型.因为批量归一化(BN)层在超分辨图像重建中常常会忽略一些图像的细节,同时增加网络的复杂度,所以在SRGAN的生成器中去除了BN层,并引入ECA通道注意力,使每个残差块生成特征图获得相应的权重,以便处理更多的图像细节.经过公开数据集的训练和对比实验,结果表明提出的改进模型相比于对比模型,重建图像的细节恢复更丰富,视觉效果更好,峰值信噪比和结构相似性表现更佳,模型总参数量更少.
超分辨率图像重建;生成对抗网络;通道注意力;残差网络;批量归一化
36
TP391.4(计算技术、计算机技术)
宁夏自然科学基金No.2021AAC03084
2022-01-04(万方平台首次上网日期,不代表论文的发表时间)
共8页
1720-1727