多尺度注意力融合的图像超分辨率重建

摘要：

光学成像分辨率受衍射极限、探测器尺寸等诸多因素限制.为了获得细节更丰富、纹理更清晰的超分辨率图像,本文提出了一种多尺度特征注意力融合残差网络.首先,使用一层卷积提取图像的浅层特征,之后,通过级联的多尺度特征提取单元提取多尺度特征,多尺度特征提取单元中引入通道注意力模块自适应地校正特征通道的权重,以提高对高频信息的关注度.将网络中的浅层特征和每个多尺度特征提取单元的输出作为全局特征融合重建的层次特征.最后,利用残差分支引入浅层特征和多级图像特征,重建出高分辨率图像.算法使用Charbonnier损失函数使训练更加稳定,收敛速度更快.在国际基准数据集上的对比实验表明:该模型的客观指标优于大多数最先进的方法.尤其在Set5数据集上,4倍重建结果的PSNR指标提升了 0.39 dB,SSIM指标提升至0.8992,且算法主观视觉效果更好.

关键词：卷积神经网络、超分辨率重建、多尺度特征提取、残差学习、通道注意力机制

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1034-1044