结合非对称卷积与特征蒸馏的图像超分辨率重建网络

为了进一步提高单幅图像超分辨率(single image super-resolution,SISR)轻量化网络的图像重建效果,基于轻量化网络RFDN,提出一种结合非对称卷积与特征蒸馏的图像超分辨率重建网络(asymmetric convolution distillation network,ACDN)。首先利用非对称卷积构建特征提取模块,在残差块中并联2个不同卷积核的非对称卷积,增强网络对特征的提取能力;其次利用均衡注意力机制与非对称卷积改进特征蒸馏模块,强化网络对高频信息的获取;最后在重建模块中加入均衡注意力机制进一步提高网络的最终重建性能。实验结果表明:与RLFN、SMSR等先进轻量化网络相比,提出的ACDN网络能在5个标准数据集上重建出纹理细节更丰富的高质量图像,重建图像的峰值信噪比和结构相似性指标均有提升,并在网络模型的参数量和性能上达到了更好的平衡。

一种融合多尺度特征的改进RDN图像超分辨率重建网络

针对常见单帧图像超分辨率(single image super-resolution,SISR)重建网络存在的图像特征利用不充分问题,提出了一种融合多尺度特征的改进RDN图像超分辨率重建网络(multi-scale residual dense network,MSRDN)。提取输入低分辨率图像的浅层特征;利用卷积层和局部残差学习结构联合构建特征提取模块,并通过不同尺度的该模块多路组合结构,充分提取图像的多尺度细节特征;构建了自顶向下与自底向上相结合的特征融合模块,充分融合与关联采集的多尺度特征,以构造具有更丰富细节信息的图像特征;将提取到的多尺度特征送入图像重建模块以获得超分辨率重建图像。实验结果表明:与SMSR等网络相比,提出的MSRDN网络在Set5、Set14及BSD100等3个超分辨率基准测试集上展现出更好的视觉效果,且获得的峰值信噪比(peak signal to noise ratio,PSNR)平均提升0.8 dB,结构相似度(structural similarity,SSIM)平均提升0.02。

边缘信息引导学习的改进SAR-CNN相干斑抑制算法

为提升传统CNN网络在抑制SAR图像乘性相干斑时的边缘保护性能,提出了一种改进的CNN抑斑算法SARICNN。该方法首先利用一阶均值比与二阶均值比联合构建的图像强度信息,改善受乘性相干斑影响的边缘检测性能,并经阈值化处理获取图像的边缘区域与同质区;其次,对不同区域给予不同的权重,生成突出边缘信息的边缘强调图,并将边缘强调图与含斑图像一起送入CNN卷积神经网络,引导网络更精确地学习图像边缘信息,从而在抑斑的同时更好保护边缘。实验结果表明,与SAR-CNN等五种算法相比,SAR-ICNN算法获得的抑斑图像具有更清晰的边缘视觉效果与更高的参数指标,其中对Set12数据集形成的仿真SAR图像,PNSR、SSIM、EPI三类指标分别平均提升了1.30%、1.16%、4.51%;对真实SAR图像,ENL、EPI两类指标分别提升了116.93%与23.24%。