计算机应用研究

作者：盘展鸿,朱鉴,迟小羽,蔡瑞初,陈炳丰,

单位：1.广东工业大学计算机学院,广州510006；2.北京航空航天大学青岛研究院,山东青岛266000；

关键词：超分辨率,深度学习,特征融合,注意力机制,

基金：国家自然科学基金资助项目(61502109,61672502,61702112)；广东省自然科学基金资助项目(2016A030310342)；广东省信息物理融合系统重点实验室开放课题(2016B030301008)；NSFC-广东联合基金资助项目(U1501254)；广东省科技计划项目(2016A040403078,2017B010110015,2017B010110007)；广州市珠江科技新星资助项目(201610010101)；广州市科技计划项目(201604016075,202007040

现有的基于深度学习的单张图像超分辨率（single image super-resolution，SISR）模型通常是通过加深网络层数来提升模型的拟合能力，没有充分提取和复用特征，导致重建图像的质量较低。针对该问题，提出了基于特征融合和注意力机制的图像超分辨率模型。该模型在特征提取模块使用残差中嵌入残差（residual in residual，RIR）的结构，该网络的特征提取模块由包含多个残差块的残差组构成，并且在每个残差组内进行局部特征融合，在每个组之间进行全局特征融合。此外，在每一个残差块中引入坐标注意力模块，在每一个残差组中引入空间注意力模块。经验证，该模型能充分提取特征并且复用特征。实验最终结果表明，该模型在客观评价指标和主观视觉效果上都优于现有的模型。

来源：2022年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第3期