摘要
为了将低分辨率图像增强为高分辨率(H R)图像并最终得到超分辨率(SR)图像,提出了具有混合残差和密集连接结构的轻量级神经网络(LNN)来提高单幅图像超分辨率(SISR)性能,构建了层间SR-LNN(SR-ILLNN)和简化SR-LNN(SR-SLNN)两种LNN.SR-ILLNN采用基于部分卷积的填充方案来避免边界信息的丢失,结合局部和全局跳跃连接来训练卷积层之间输出特征图上的残差,并在低分辨率和高分辨率图像上对SR-ILLNN进行训练.通过SR-SLNN删除SR-ILLNN的高分辨率特征层和共享特征层来降低SR-ILLNN的网络复杂度.从多样化2K(DIV2K)图像数据集中提取训练图像,测试评估SR的准确性和网络复杂性.实验结果表明,与传统方法相比,SR-ILLNN和SR-SLNN可以显著降低参数数量、内存容量和减少计算时间,同时保持相似的图像质量.
维普
万方数据