科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习模式下新型偏振计算成像方法存在随着网络深度的增加计算复杂度和内存使用相应增加以及分层特征提取不充分的问题，针对该问题，提出一种轻量级注意力级联网络的偏振计算成像超分辨率方法，采用级联连接和融合连接的方式来深化卷积层的表征能力，以有效地传递浅层特征并减少参数量。设计空间注意力自适应权重机制以提取关键的空间内容特征，构造空间金字塔网络增强多感受野下的偏振特征信息，特别地，上采样模块引入浅层与深层重建双路径，通过融合双层路径特征计算生成高分辨率偏振图像。最后，网络末端信息细化块用以学习更精细的特征并增强重建质量。实验结果表明：本文网络重建图像的纹理细节更加丰富，在全偏振图像集上2倍超分辨率的峰值信噪比为45.12 dB，参数量仅约为MSRN模型的9%。所提方法通过级联方式有效捕捉低频特征信息同时极大地减少参数量，并结合注意力金字塔结构探索深层特征，实现了轻量级网络的高效超分辨率重建效果。
- 单位
