超分辨率论文阅读

一壶浊酒..

已于 2022-10-29 15:06:55 修改

阅读量1.8k

点赞数 3

分类专栏： # 图像超分辨重建文章标签：论文阅读

于 2022-10-29 11:09:59 首次发布

本文链接：https://blog.csdn.net/qq_40107571/article/details/127578562

版权

图像超分辨重建专栏收录该内容

84 篇文章 6 订阅 ¥59.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了超分辨率领域的最新进展，特别是残差卷积注意力机制和多尺度特征融合在图像重建中的应用。通过引入卷积注意力模块CBAM，网络能够自适应地提取通道和空间注意力特征，提高重建图像的质量。同时，通过多尺度卷积和残差结构，捕捉不同尺度的图像信息，避免梯度消失和信息丢失。另外，文章还讨论了MobileNet v2的深度可分离卷积在模型轻量化中的作用，以及经典超分辨率结构FSRCNN的特征提取策略。最后，提出了一种融合多层级特征和混合注意力机制的网络结构，以增强高频信息的恢复和特征利用率。

摘要由CSDN通过智能技术生成

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&