科研之友
微信
新浪微博
Facebook
分享链接
摘要
单幅图像超分辨率在众多领域应用广泛，然而现有算法大多通过扩展卷积神经网络深度和宽度来提取更多特征细节，这将导致算法计算复杂度的提高和模型参数量的增大。为解决上述问题，本文提出了一种自适应残差注意力的轻量级超分辨率网络算法，该算法首先通过改进坐标注意力网络，生成了关注高频位置信息的注意力特征图，接着将改进的自适应残差注意力信息提取模块和坐标注意力模块双支路并行连接，使输出的特征信息包含更多图像细节，同时算法采用多尺度上采样的方法可以使训练得到的网络模型（单次训练）一次输出多个不同尺度的超分辨率图片。通过和经典轻量级超分辨率算法比较，本文算法得到的4倍重建图片，在四个公共数据集上的平均PSNR提高了1.06dB，模型参数量减少了59%，在图像观感上更为清晰，包含更多高频细节。
- 单位
