超分辨率论文阅读

残差卷积注意力超分

 VDSR、ESPCN 等方法表明：网络深度的加深对超 分辨率图像重建质量有至关重要的影响。但训练深度 卷积神经网络难以收敛，在训练过程会出现梯度消失和 梯度爆炸等问题。同时，未完全考虑到图像全局上下文 的信息对提取区域的影响，没有重点关注到图像边缘和 纹理等图像细节。对提取的图像特征通道、特征位置和 特征空间的信息平等对待，进一步导致重建的图像缺乏 全局特征信息。

运用多尺度卷积核提取不同尺度的特征信息，并重 点关注图像通道域信息进行特征信息的提取。为防止 网络过程必要的低频信息的丢失和网络难以收敛等问 题，引入短跳跃连接和长跳远连接的残差结构，构建多 尺度残差注意特征提取模块，提高图像特征信息的获取 精度。同时，本文算法关注图像特征的通道域注意、空间 域注意这两种注意力提取的特征信息，引入卷积块注意 力 模 块 CBAM[12] （Convolutional Block Attention Module），通过显示建模特征通道间的信息和空间位置注意 的相关性，自适应地提取图像特征。网络最后，通过反 卷积跳远连接结构进行对重建图像进行恒等映射，进一 步提高重建图像质量。

不同尺度卷积核提取的特征信息不同，本文采取 1×1、3×3和5×5不同像素尺度的卷积核来对图像进行特 征提取。通过多尺度的卷积核对图像进行卷积处理，可 以从低分辨率图像中较好地得到更多高频图像细节信 息。为节省计算力，不采取尺寸 7×7 卷积核。受 inception 结构的影响，将这三种卷积核加宽，来代替传统加 深的结构