融合迭代反馈与注意力机制的图像超分辨重建方法

针对图像超分辨重建过程中原始高清图片与低质量图像之间缺乏依赖关系、深度网络中特征图信息不分主次重构导致的图像高频信息高精度重构困难的问题,提出一种融合迭代反馈与注意力机制的单幅图像超分辨重建方法。首先使用频率分解模块分别提取图像中的高、低频信息,并将二者分别处理,使网络重点关注提取出的高频细节部分,增强方法在图像细节上的复原能力;其次通过通道注意力机制将重建的重点放在有效特征所在的特征通道上,增强网络提取特征图信息的能力;然后采用迭代反馈的思想,在反复重建和比对过程中增加图像的还原程度;最后通过重建模块生成输出图像。在Set5、Set14、BSD100、Urban100和Manga109基准数据集上的2倍、4倍和8倍放大实验中,与主流超分辨率方法相比,所提方法表现出更优越的性能。在Manga109数据集的8倍放大实验中,相较于传统插值方法和基于卷积神经网络的图像超分辨率算法(SRCNN),所提方法的峰值信噪比(PSNR)均值分别提升了约3.01 dB和2.32 dB。实验结果表明:所提方法能够降低重建过程中出现的误差,并有效重建出更精细的高分辨率图像。

联合图像—频率监督的图像超分辨率重建算法

针对现有单幅图像超分重建方法难以捕获图像中完备有效信息的问题,提出一种联合图像—频率监督的图像超分辨率重建算法,旨在利用多个域之间的互补信息,进而获得更完备的图像特征表示。首先通过分析图像像素转换到频域空间后的特性,根据其复数表征方式提出了一种新的频域距离监督损失,将频谱信息有效地应用到卷积神经网络的优化过程;然后通过分析频域中不同频带的表征特点,在频域距离损失基础上构建了频谱加权损失,并将其分别应用到低频和高频两个频带;最后结合图像域的监督,构成多个域的联合优化,取得良好的性能。在Set14、B100和Kodak三种公开数据集上进行了验证,结果表明:该算法的PSNR和SSIM分别达到了33.47 dB和0.9859,与几种图像超分方法相比取得了最好的性能。

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题,提出一种基于改进卷积神经网络(CNN)的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作,并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵;然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入,以获取更深层次的纹理细节信息;最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明,与经典方法相比,所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复,峰值信噪比(PSNR)平均增加0.23 dB,结构相似性(SSIM)平均增加0.006 6。在保证图像重建时间的前提下,所提方法更好地保持重建图像的纹理细节并减少图像边缘失真,提升重建图像的性能。

基于密集反馈网络的单幅图像超分辨率重建

基于深度学习的单幅图像超分辨率网络模型体积庞大,导致参数利用率低且难以部署,对中间层特征利用不充分。提出一种密集反馈注意力网络(DFAN)模型。在同一特征图中通过多尺度残差注意力模块(MRAB)提取不同尺度的深层特征,以增加特征的多样性。同时将每个MRAB的输出均作为同组中其他残差模块的输入,使各层之间的信息流最大化,从而减小训练难度。实验结果表明,相比VDSR、DRRN、MemNet等模型,DFAN模型具有较优的重建效果,其在重建放大倍数为4的Set5数据集上计算复杂度仅为VDSR模型的0.14倍左右,而峰值信噪比提高了0.57 dB。

基于卷积神经网的单幅图像超分辨率重建算法

为重建边缘清晰平滑的高分辨率图像,提出一种基于卷积神经网的单幅图像超分辨率重建算法.该算法使用固定大小的小卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网,重建出边缘更清晰的图像,在一定程度上抑制了边缘的振铃效应;使用更大的样本库进行训练,避免发生过拟合.实验结果表明,虽然文中算法在Dong的卷积神经网超分辨率重建算法所提供的小训练库上优势不明显;但在Image Net这类大训练库上,该算法重建的高分辨率图像在主观视觉感受和客观图像质量评价(如峰值信噪比)上都有更好的表现.

基于高斯模糊的CNN的单幅图像超分辨率重建算法

近几年卷积神经网络在单幅图像超分辨率重建工作中取得了很大的进步,但是大部分基于卷积神经网络(CNN)的单幅图像超分辨重建算法是建立在低分辨率图像由高分辨率图像通过双三次插值法下采样取得的前提下,当这个假设不成立时,图像重建的客观评价指标PSNR以及主观的视觉效果就会较差。针对此问题,提出一种基于高斯模糊的CNN的单幅图像超分辨率重建算法,通过在图像输入网络前,将原始低分辨率图像与高斯模糊核进行卷积,并进行低频信息融合以增强网络的泛化能力,使用亚像素卷积法把图像上采样到目标图像大小,进而消减网络的参数数量,提升运算速度。实验结果表明,该算法在不同放大倍数下的重建效果均优于传统算法。

双通道多感知卷积神经网络图像超分辨率重建

基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接,并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明,DMCN重建效果优于目前多数具有代表性的重建算法.