文献类型：期刊文章

作　　者：高青青[1] 赵建伟[1] 周正华[1]

GAO Qingqing;ZHAO Jianwei;ZHOU Zhenghua(Department of Applied Mathematics,College of Sciences,China Jiliang University,Hangzhou 310018)

机构地区：[1]中国计量大学理学院应用数学系,杭州310018

出　　处：《模式识别与人工智能》

基　　金：国家自然科学基金项目(No.61571410);浙江省自然科学基金项目(No.LY18F020018,LSY19F020001)资助。

年　　份：2020

卷　　号：33

期　　号：11

起止页码：972-980

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：不断加深网络的深度可提高网络的超分辨率重建效果,但是网络的加深会导致网络参数量急速增加,难以进行网络训练和内存存储.为了减小深度网络的参数规模并尽量保持网络的重建性能,基于递归和多尺度的思想,文中提出精简的基于递归多尺度卷积网络的图像超分辨率重建方法.首先利用多尺度模块充分提取图像在不同尺度下的特征信息,再通过递归操作实现网络规模的加深而不增加网络的参数量,最后将每次递归操作的输出进行特征融合,作为高分辨率图像重建的输入.实验表明,文中方法在网络参数量较少时重建效果较优.

关 键 词：超分辨率重建 深度学习  递归 多尺度

分 类 号：TP391]