摘要
基于深度学习的真实图像超分辨率(super-resolution,SR)重建算法目前存在参数量过大的问题,为解决该问题,提出了一种多尺度残差特征融合的轻量级真实图像SR重建算法.首先利用深度可分离卷积和复用卷积针对多尺度特征提取块进行改进,在提取特多尺度特征的同时实现了模块的轻量化,参数量仅为改进前的7.5％.其次使用残差特征融合操作将4个多尺度深度可分离特征提取块(multi-scale depthwise separable block,MSDSB)聚合成一个残差特征融合块,以减少残差路径长度.然后使用增强型注意力模块从通道和空间维度进行自适应调整以提升算法性能.最后使用自适应上采样模块获得SR重建图像.在消融实验中,本文算法重建性能超过原始算法,且参数量仅为3.53×106,是原始算法的34.5％.在对比实验中,其重建性能超过了当前主流算法,与组件分而治之(component divide-and-conquer,CDC)算法相比,PSNR和SSIM指标分别提升了 0.01 dB与0.0010,且参数量仅为组件CDC算法的8.84％,在保证重建性能的同时实现了算法的轻量化.
基金项目
国家自然科学基金重大项目(11971084)
重庆市高校创新研究群体资助项目(CXQT20015)
重庆市教委科研项目重点项目(KJZD-K202200511)
重庆市科技局技术预见与制度创新项目(2022TFII-OFX0265)
NETL
NSTL
维普
万方数据