kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 基于残差网络的双路径图像超分辨率重建算法
基于残差网络的双路径图像超分辨率重建算法
网络安全与数据治理 5期
谢余杭
(福建师范大学 光电与信息工程学院,福建 福州350007)
摘要:深度卷积神经网络为图像超分辨率领域的快速发展做出了巨大的贡献。然而,一些算法基本上没有充分利用图像的低频信息,因此导致性能相对较低。为了解决上述问题,故提出了一种基于残差网络的双路径图像超分辨率重建算法,通过去除残差模块中的批归一化层以及引入通道注意力机制,同时将多尺度块MSB作为跳层并将自适应亚像素重建层作为上采样模块以更好地恢复图像细节信息。实验结果表明,该算法具有良好的性能,能增强图像的重建能力。
中图分类号:TP391、
文献标识码:A
DOI:10.19358/j.issn.2097-1788.2022.05.010
引用格式: 谢余杭. 基于残差网络的双路径图像超分辨率重建算法[J].网络安全与数据治理,2022,41(5):66-71.
Dual path image super-resolution reconstruction algorithm based on residual network
Xie Yuhang
(College of Photonic and Electronic Engineering,Fujian Normal University,Fuzhou 350007,China)
Abstract:Deep convolutional neural networks have contributed to the significant progress of the single-image super-resolution field. However, several algorithms essentially have underused the low-level features, thus causing relatively low performance.In order to solve the above problems, this paper proposes a dual path image super-resolution reconstruction algorithm based on residual network. The batch normalization layer in the residual module is removed and the channel attention mechanism is introduced. At the same time, the multi-scale block (MSB) is used as the jumping layer and the adaptive subpixel reconstruction layer is used as the upsampling module to recover the image details better. Experimental results show that the proposed algorithm has good performance and can enhance the ability of image reconstruction.
Key words :image processing;convolutional neural network;low frequency information;residual module;channel attention mechanism;adaptive subpixel reconstruction layer

0 引言

图像超分辨率(Super Resolution,SR)技术作为计算机视觉与图像处理中一项至关重要的技术,一直以来都是人们关注的焦点,其目的是从低分辨率(Low-Resolution,LR)的图像中恢复出清晰逼真的高分辨率(High-Resolution,HR)图像。图像超分辨率技术在医学影像、卫星图像以及监控成像等各个领域有着广泛的应用。

目前图像超分辨率重建算法主要被分为三大类:基于插值的SR方法、基于重建的SR方法以及基于学习的SR方法。基于插值的图像超分辨率算法[1]的思想是根据一个像素点的周围某一区域内的像素点来估计这一像素点的值。这类算法的优点在于原理简单、计算复杂度低、重建所需时间短,但是会产生过度平滑的现象,边缘产生明显锯齿。基于重建的图像SR方法[2],比较典型的有凸集投影法、迭代反投影法以及最大后验法。基于重建的方法在一般情况下会比基于插值的方法重建效果好,但是基于重建的方法有时也会出现生成一些具有图像边缘不自然的情况,从而导致重建图像质量变差。基于学习的图像SR方法[3],其基本思想是学习LR空间到HR空间的映射关系,然后利用相应的映射关系来恢复出高清的HR图像。

不过近年来大多数图像超分辨率网络都是采用基于学习的方法,然而大多数现有的基于卷积神经网络的模型在基于大量参数和极深结构的情况下才保持较高性能,而且这些网络也没有充分利用图像的低频特征信息。

因此,本文通过对残差网络进行改进,提出一种新的图像超分辨率重建算法。该算法将低分辨率图像作为输入,利用残差网络提取特征信息以获得残差图像,通过多尺度块来提取图像的低频信息,再将得到的残差图像与低频信息进行线性相加,最后进行上采样操作,从而得到最后的重建的高分辨率结果。所提算法去除残差网络中的批归一化层,可以有效降低网络的计算量,并且在残差块的尾部引入通道注意力来增强网络的高频特征提取能力。与此同时,该算法设计了多尺度块MSB作为跳层来提取输入图像的低频信息,从而提高了网络的重建效果。实验结果表明,该算法与大部分的图像超分辨率算法相比,能更好恢复出低分辨率图像中的纹理细节信息,重建出更清晰的高分辨率图像。




本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005028




作者信息:

谢余杭

(福建师范大学 光电与信息工程学院,福建 福州350007)


微信图片_20210517164139.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map