基于多注意力机制的生成对抗网络的遥感图像超分重建

针对现有超分辨算法重建后的遥感图像模糊,含有伪影和噪声等问题,提出一种基于多注意力机制的生成对抗网络。首先,在生成器的残差块中引入高效注意力机制,增强全局相关性,提高模型的特征提取能力;其次,利用迭代注意特征融合模块对输入的图像和经过生成器生成的高层语义特征图进行融合,代替长跳跃连接常用的相加操作,减少输入图像进行相加操作时导致的信息损失,使重建后的图像更加清晰;最后,基于WGAN网络优化模型训练,促进网络训练的稳定,加快损失函数的收敛。在不同数据集上验证上述方法,结果表明,相较次优算法,所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别提高了0.062~0.122 dB和0.03~0.08。

基于生成对抗网络的人脸图像超分辨率重建

超分辨率人脸重建是图像领域中的一个热门课题,它主要是对自然因素或人为因素所造成的单帧低分辨率人脸图像进行重建,从而恢复人脸图像基本面部特征。针对超分辨率生成对抗网络(Super Resolution Generative Adversarial Network,SRGAN)模型训练参数量大,生成的人脸图像质量差并含有大量伪影的问题,通过改进生成对抗网络,利用瓶颈结构残差块降低网络参数量,采用1×1卷积层增强图像在网络传输中的表达能力,引入注意力机制通过学习的方式来自动获取每个特征通道的重要程度,增加全局相关性提升面部特征的重建。结果表明,改进后的算法在set14、BSD测试集上峰值性噪声比优于SRGAN网络,参数量相比SRGAN网络降低了2.7倍,运算时间和重建图像明显优于SRGAN和增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)。