多尺度残差生成对抗网络的图像超分辨率重建

针对目前基于深度学习的超分辨率重建图像存在的纹理等高频信息丢失问题,提出了多尺度残差生成对抗网络的图像超分辨率重建算法。首先,使用Dense-Res2Net模块替代SRGAN(super resolution generative adversarial network)生成网络中原本的残差模块,并且组合特征压缩与激发网络(squeeze-and-excitation networks,SENet)从多个尺度自适应地提取浅层特征信息。其次,引入全变分正则化(total variation,TV)损失指导生成器训练。最后,使用Wasserstein距离优化对抗损失,提高网络训练稳定性。实验结果表明,该算法重建出的图像在视觉效果上保留了更加丰富的高频细节,与当前主流超分算法相比,该方法不仅有更高的峰值信噪比(peak signal-to-noise ratio,PSNR)与结构相似性(structural similarity,SSIM),且学习感知图像块相似度(learned perceptual image patch similarity,LPIPS)在分数上均优其他算法。