(Single image super-resolution using multi-scale feature enhancement attention residual network)论文阅读

论文提出了一种结合浅网络和深网络的超分辨率方法,利用多尺度特征提取和注意力模块来改善图像恢复。浅网络处理双三次插值问题,深网络用于恢复高频信息。通过多尺度卷积和注意力机制,模型能够同时提取低频和高频特征,减少计算量和模型复杂性,有效解决棋盘效应。
摘要由CSDN通过智能技术生成

论文地址:https://www.sciencedirect.com/science/article/abs/pii/S0030402621000954

这篇论文主要是提出了多尺度注意力模块。

目前基于卷积神经网络的大多数的方法都是通过更深的网络结构获取更好的特征,但是这种方法导致很高的计算量和复杂的模型。此外,利用不同尺度的特征仍然是一项挑战。而且,双三次插值被大多数作为预处理,这将产生不好的影响在特征提取的过程中。为了解决这些问题,作者提出了一种浅和深的网络,一种多尺度特征提取和注意力模块(为了更好提取低级和高级特征)。为了抑制反卷积的影响,这里选择亚像素卷积作为上采样模块。

引言

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一壶浊酒..

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值