基于RNN与级联损失函数的图像超分辨率研究

为了获取具有更丰富细节和更清晰纹理的超分辨率图像,提出一种融合循环神经网络(RNN)与级联损失函数的超分辨率重建网络(RLNN)。相较于传统的RNN方法,所提出的网络架构主要实现了两大创新。首先,将RNN的每一次迭代与级联损失函数紧密集成,通过这种方式,不仅提高了网络在超分辨率重建过程中的精度,还增强了其对复杂图像特征的捕捉能力。其次,设计了一种新颖的隐藏模块(HM),结合了空间-通道注意力机制与局部密集跳跃连接网络,有效提升了网络在特征提取与重用方面的性能。为了进一步优化网络的学习过程,还引入了一种课程学习策略,使网络能够逐步适应并处理更加复杂的任务。实验结果证明,所提出的RLNN网络在图像超分辨率任务上表现出极好的重建效果。