文献类型：期刊文章

作　　者：蔡文郁[1] 张美燕[2] 吴岩[1] 郭嘉豪[1]

CAI Wenyu;ZHANG Meiyan;WU Yan;GUO Jiahao(College of Electronics and Information,Hangzhou Dianzi University,Hangzhou 310018,China;College of Electrical Engineering,Zhejiang University of Water Resources and Electric Power,Hangzhou 310018,China)

机构地区：[1]杭州电子科技大学电子信息学院,杭州310018 [2]浙江水利水电学院电气工程学院,杭州310018

出　　处：《电子与信息学报》

基　　金：国家自然科学基金(61801431);浙江省属高校基本科研业务费专项资金(GK209907299001-001)。

年　　份：2022

卷　　号：44

期　　号：1

起止页码：178-186

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为了提高图像超分辨率重建的效果,该文将注意力机制引入多级残差网络(Multi-level Residual Attention Network,MRAN)作为CycleGAN的重建网络,提出了基于循环生成对抗网络(CycleGAN)的超分辨率重建模型MRA-GAN。MRA-GAN模型中重建网络负责将低分辨率(LR)图像重建为高分辨率(HR)图像,退化网络负责将HR图像降采样为LR图像,LR判别器负责鉴别真实LR图像和通过退化网络降采样得到的LR图像,HR判别器负责鉴别真实HR图像和通过重建网络重建得到的HR图像,并且改进了CycleGAN原有的判别器判别方式和损失函数。实验结果验证了MRA-GAN模型与现有算法相比,在峰值信噪比(PSNR)和结构相似性(SSIM)等指标上都有所改进。

关 键 词：图像超分辨重建  多级残差网络  循环生成对抗网络  峰值信噪比 结构化相似性  

分 类 号：TN911.73]