摘要
针对图像超分辨率重建领域中目前大多数轻量级卷积神经网络采用单调的局部或全局连接方式,层间联系弱导致分层特征未能充分利用,而密集网络又存在大量的特征冗余及计算量和内存占用过大等问题,设计了一个轻量级的卷积神经网络,以实现图像超分辨率重建,在保证重建质量的基础上,尽可能减少网络参数和计算复杂度。该方法在残差网络的基础上,提出了结合多尺度、多抽象度的卷积神经网络来实现特征提取,并对提取的各局部特征与全局特征进行融合,从而充分利用不同尺度、不同抽象程度特征信息进行超分辨率重构。在标准测试集上,新算法与经典超分辨率重建算法进行了详细对比测试,在网络计算复杂度和参数量相近的条件下,峰值信噪比(PSNR)和结构相似度(SSIM)指标得到提高,视觉效果也有一定的改善。
ion for super-resolution reconstruction.In the standard test set,the new algorithm is compared with the classical super-resolution reconstruction algorithm in detail.Under the condition of similar network computational complexity and parameters,the peak signal-to-noise ratio(PSNR)and structural similarity(SSIM)are improved,and the visual effect is also improved.
作者
黄扬鈚
梁红珍
彭智勇
HUANG Yangpi;LIANG Hongzhen;PENG Zhiyong(School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin 541004,China;Guilin Life and Health Career Technical College,Guilin 541001,China)
出处
《桂林电子科技大学学报》
2021年第6期489-495,共7页
Journal of Guilin University of Electronic Technology
基金
广西自然科学基金(2017GXNSFAA198162,2020GXNSFAA159091)
广西光电信息处理重点实验室基金(GD18108)
广西研究生教育创新基金(YCBZ2017051)。
关键词
超分辨率重建
深度学习
多尺度特征
特征融合
轻量级网络
卷积神经网络
super-resolution reconstruction
deep learning
multi-scale feature
feature fusion
lightweight network
convolutional neural network