多跳连接残差注意网络的图像超分辨率重建

随着卷积神经网络深度的不断增加,深度卷积神经网络的训练会变得更加困难。此外,在图像超分辨率中,低分辨率图像的通道特征和输入通常在不同的通道中被平等对待,这就导致了卷积神经网络的表征能力被弱化。为了解决这些问题,提出了一种多跳连接残差注意网络,该网络利用多跳连接中的残差(Residual in Multi-skip Connection,RIMC),构造了具有多个残差组的深度网络。每个残差组包含了一定数量的短跳连接和多跳连接。在RIMC的基础上,主网络被允许穿过多跳连接来绕过丰富的低频信息,同时高频信息也可以被主网络集中地学习。另外,考虑到通道和空间维度的相互依赖关系,提出了注意机制块(Attention Mechanism Block,AMBlock)来关注信息的位置,并自适应地调整通道特征尺度,其中通道注意机制和空间注意机制被应用在这种方式中。实验结果表明,该网络可以更好地恢复图像细节,获得更高的图像质量和网络性能。

通道注意力与残差级联的图像超分辨率重建

为了改善图像超分辨率重建的效果,针对很多超分辨率重建方法中忽略了特征通道间相关信息以及网络数据传递中信息丢失问题,提出了一种通道注意力与残差级联超分辨率重构网络。首先,对输入的低分辨率图像进行浅层的特征提取;随后,通过残差级联组提取深层特征,利用注意力模块自适应地对特征通道的权重进行校正,融合节点将残差级联组的输出特征和浅层特征进行级联融合,保证低分辨率图像的有效信息在网络传递中不被丢失;最后对提取到的特征信息进行亚像素重构。在不同基准数据集上的实验结果表明,不论从主观视觉上还是客观指标比较,所提方法都要优于其他方法,在Ur⁃ban100数据集上4倍超分辨率的PSNR指标提高了0.1 dB,这都表明该网络在图像超分辨率重建方面有不错的性能。