首页|基于层次交互动态注意力与序列学习的图像超分辨率重建

基于层次交互动态注意力与序列学习的图像超分辨率重建

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对图像超分辨率中网络关注度不足、模块间协同性弱和深层特征表征消失等问题,提出了一种结合层次交互动态注意力与序列学习单元的多级残差聚合超分辨率重建模型.模型采用多层次特征融合与跳跃连接的网络结构,结合不同层次的特征,捕获从低到高的不同级别的信息,生成更丰富和准确的表征.模块里通过残差连接避免梯度消失,实现深度网络的平滑损失空间和灵活增加.提出动态层次融合注意力模块动态计算各个特征的重要性权重,进行有选择性的特征融合,并通过序列学习单元捕获更长范围的上下文信息.提出多尺度特征融合模块将不同感受野的特征信息提取融合,以挖掘更深层的特征表示.模块尾部引入轻量化无参注意力机制自适应加权特征图,恢复图像高频细节.实验结果表明,相较于主流算法,提出的算法在各种公开测试集(Set5、Set14、BSD100、Urban100、Manga109)上进行3倍超分辨率重建评估,平均峰值信噪比提升约0.47 dB,平均结构相似性提升约0.006 8.且在遥感图像超分辨率重建方面展示出实际应用潜力.证明其在图像超分辨率重建方面的优越性.
Image super-resolution reconstruction based on hierarchical interactive dynamic attention and sequence learning
To address issues like insufficient network focus,weak synergy between modules,and loss of deep feature representations in image super-resolution,a multi-level residual aggregation super-resolution reconstruction model is presented.This model integrates hierarchical interactive dynamic attention with sequence learning units,featuring a network structure with multi-level feature fusion and skip connections for capturing diverse information levels more richly and accurately.Residual connections prevent gradient vanishing,ensuring smooth,flexible enhancements in deep networks.The dynamic hierarchical fusion attention module dynamically assigns importance weights to each feature for selective fusion,complemented by sequence learning units that broaden the contextual scope.A multi-scale feature fusion module combines features from different receptive fields to explore deeper representations.At the end,a lightweight,parameter-free attention mechanism adaptively weights feature maps,restoring high-frequency details.Experimental results demonstrate that this model surpasses mainstream algorithms in 3x super-resolution reconstruction across multiple public datasets(Set5,Set14,BSD100,Urban100,Manga109),with average improvements of about 0.47 dB in PSNR and 0.006 8 in SSIM,showcasing its potential for practical remote sensing applications and its superiority in the domain.

super-resolutionattention mechanismsequence learningmulti-level residual aggregation networkPSNR

莫恒辉、魏霖静

展开 >

甘肃农业大学信息科学技术学院 兰州 730070

图像超分辨率 注意力机制 序列学习 多级残差聚合网络 峰值信噪比

科技部国家外专项目甘肃省高等学校产业支撑项目甘肃省重点研发计划兰州市人才创新创业项目2020年甘肃农业大学研究生教育研究项目2021年甘肃农业大学校级"三全育人"试点推广教学研究项目2022年甘肃农业大学校级专业综合改革项目

G2022042005L2023CYZC-5423YFWA00132021-RC-472020-192022-92021-4

2024

10.19652/j.cnki.femt.2405919

国外电子测量技术
北京方略信息科技有限公司

国外电子测量技术

CSTPCD
影响因子：1.414
ISSN：1002-8978
年,卷(期)：2024.43(6)
  • 4