残差学习与层注意力相结合的轻量级图像超分辨

基于卷积神经网络(CNN)的方法在图像超分辨率问题中取得了良好的性能,然而,大多数超分辨率研究都采用复杂的层连接策略来提高特征利用率,这使得网络的深度不断加大,参数量持续上涨,很难部署在移动终端。针对该问题,本文提出一种残差学习与层注意力结合的轻量级图像超分辨(RLAN)算法,更高效地提取并聚合重要特征。首先,采用3×3的卷积层进行浅层特征提取。然后,在非线性映射部分,通过堆叠改进的局部残差特征块(RLFB)进行局部特征学习,同时引入层注意力模块(LAM)来利用残差分支上的层次特征进一步提升特征聚合的效果。最后,采用像素注意力重建块(PARB)进行图像重建,以很小的参数成本提升重建质量。与NTIRE2022冠军RLFN相比,RLAN最终以仅373k的参数量取得了更优越的性能,在4个数据集上的平均PSNR与SSIM分别提升了0.35 dB与0.0014。实验结果表明,RLAN可以精准地恢复SR图像,有效地减少了边缘处的伪影。