摘要
作为计算机视觉领域的研究热点之一,图像超分辨率重建技术旨在通过对低分辨率图像进行处理,获得包含更丰富信息的高分辨率图像。近年来,深度学习技术在单幅图像超分辨率重建任务中快速发展,出现了一系列基于卷积神经网络的重建方法。由于图像超分辨率重建本身具有病态问题的局限性和实际应用的多样性,目前的重建算法仍然存在一些不足,面临模型性能和参数量的限制,迫切需要朝着更先进的方向演进。本文主要针对单幅图像超分辨率重建算法展开深入研究,设计了两种不同的卷积神经网络,两种算法在客观评价指标和主观视觉效果上达到了优秀的表现。（1）提出一种基于高效残差注意力网络的单幅图像超分辨率重建算法。针对通用残差模块在特征表征能力和参数量上的瓶颈,提出通道沙漏残差模块（CHRS）,通过加深模块深度和采用嵌套多残差的内部结构,能获取更具区分性的特征,并且,与通用残差模块相比,该模块具有更少的参数。针对通用通道注意力机制的低效率问题,引入高效通道注意力机制并将该机制嵌入到CHRS中,形成的高效残差注意力模块（ERAB）能获得更好的性能和更高的效率。另外,针对图像超分辨率重建的病态问题,提出算法采用多层次重建的网络架构,使得中间层次能帮助监督和优化末尾层次的重建输出。实验结果表明,提出的高效残差注意力网络能获得优秀的重建表现,并且,具有较少的网络参数;提出的ERAB模块能提升其他网络的性能表现并在一定程度上减少模型的参数,具有很好的推广应用性能。（2）提出一种基于自适应残差注意力网络的单幅图像超分辨率重建算法。针对现有图像超分辨率重建算法中的残差模块对各个特征通道采取相同的激活方式,提出算法首次把自适应激活机制应用到图像超分辨率算法中,同时,对该机制做出改进,使得模块能自适应地、准确地学习是否对特征图的每个特征通道进行激活,便于学到更具区分性的特征。此外,提出算法引入坐标注意力机制,使得模块能学习到特征的空间位置信息和长程相关性信息,更准确地编码特征关系。实验结果表明,提出的自适应残差注意力网络能有效地学习从低分辨率图像到高分辨率图像的复杂映射关系,在模型性能和参数量之间获得了较好的平衡。
NETL