计算机应用

作者：郭琳, 刘坤虎, 马晨阳, 来佑雪, 徐映芬

单位：1.湖北大学 人工智能学院, 武汉 430062；2.智能感知系统与安全教育部重点实验室, 武汉 430062；3.智慧政务与人工智能应用湖北省工程研究中心, 武汉 430062

关键词：图像超分辨率,残差网络,感受野,深度学习,注意力

基金：国家自然科学基金资助项目(62273135)

针对现有残差网络存在残差特征利用不充分、细节丢失的问题，提出一种结合两层残差聚合结构和感受野扩展双注意力机制的深度神经网络模型，用于单幅图像超分辨率（SISR）重建。该模型通过跳跃连接形成两层嵌套的残差聚合网络结构，对网络各层提取的大量残差信息进行分层聚集和融合，能减少包含图像细节的残差信息的丢失。同时，设计一种多尺度感受野扩展模块，能捕获更大范围、不同尺度的上下文相关信息，促进深层残差特征的有效提取；并引入空间-通道双注意力机制，增强残差网络的判别性学习能力，提高重建图像质量。在数据集Set5、Set14、BSD100和Urban100上进行重建实验，并从客观指标和主观视觉效果上将所提模型与主流模型进行比较。客观评价结果表明，所提模型在全部4个测试数据集上均优于对比模型，其中，相较于经典的超分辨率卷积神经网络（SRCNN）模型和性能次优的对比模型ISRN（Iterative Super-Resolution Network），在放大2倍、3倍、4倍时的平均峰值信噪比（PSNR）分别提升1.91、1.71、1.61 dB和0.06、0.04、0.04 dB；视觉效果对比显示，所提模型恢复的图像细节纹理更清晰。

来源：2024年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第5期