改进型轻量级GAN的红外图像超分辨率方法

红外图像超分辨率是图像超分辨率重建的子领域,基于深度学习的方法侧重于研究色彩和纹理丰富的RGB图像重建,对于像素分布均匀、对比度低、高频细节特征丢失的红外图像提取特征效率低.本文采用生成对抗网络(GAN)针对红外图像提出了一种能重建细节纹理超分辨率方法,用轻量级注意力残差块(Lightweight attention residual block,LARB)构建生成器网络,以低成本、高效率提取到红外图像的像素特征信息;结合特征激活前的感知损失、Huber损失和Wasserstein距离使模型稳定收敛,减少图像重建后伪影的产生;引入近红外图像数据集与红外特征图线性灰度变换使模型学习更多纹理特征以修复高频细节.实验结果显示,在PSNR的比较中,本文的模型在生成器参数(Params)仅有542K情况下大幅领先于参数为1518K的SRGAN;在部分测试数据集中SSIM高于参数为16697K的ESRGAN,表明了方法的有效性.

融合轻量级ViT与CNN的广范围红外图像超分辨率重建

卷积神经网络的注意力机制模型重建波长范围广的红外图像时只能聚焦于局部特征、感受野小,为此提出一种适用于重建广范围红外图像的融合轻量级视觉Transformer(ViT)与卷积神经网络的模型。该模型采用改进的轻量级残差块结合轻量级ViT块构建全局自注意力机制模型,学习不同特征图区域之间的长距离注意力依赖关系以辅助重建,约束解空间,采用Huber损失函数使模型稳定收敛,通过迭代上下采样的方式挖掘高低分辨率图像对的深层变换关系。使用近红外图像和远红外图像数据集进行实验,该模型以1 031K的参数量在峰值信噪比和结构相似度比较中超越了参数量为1 518K的轻量级模型SRResNet和1 592K的CARN,接近于参数量为4 543K的重量级模型EDSR,表明该模型可以有效重建不同波长的红外图像。