文献类型：期刊文章

作　　者：张德[1] 赵保军[1] 林青宇[1]

ZHANG De;ZHAO Baojun;LIN Qingyu(School of Electrical and Information Engineering&Beijing Key Laboratory of Robot Bionics and Function Research,Beijing University of Civil Engineering and Architecture,Beijing 100044)

机构地区：[1]北京建筑大学电气与信息工程学院&机器人仿生与功能研究北京市重点实验室,北京100044

出　　处：《北京建筑大学学报》

基　　金：国家自然科学基金项目(62271035)。

年　　份：2023

卷　　号：39

期　　号：4

起止页码：77-83

语　　种：中文

收录情况：JST、RCCSE、普通刊

摘　　要：深度神经网络图像超分辨重建方法是基于学习低分辨率图像和高分辨率图像之间特征信息的端到端映射关系,在此学习过程中,很多方法存在特征信息丢失或者利用不充分、忽略了特征通道间的相互依赖关系等问题。因此,提出一种多尺度残差通道注意力网络模型。利用多个不同大小的卷积核进行特征提取,然后使用通道注意力机制自适应的建立通道之间的特征关系,并对重要特征信息进行加权。加权后与上一层输入信息进行残差连接,更好地利用低层信息的同时提高网络效率。在Set5、Set14、BSD100和Urban100数据集上进行实验验证,与现有方法相比,所提模型在客观评价指标PSNR和SSIM上均有提升,并且重建超分辨图像的纹理细节更加清晰、视觉效果更好。这表明方法在主客观评价方面都具有一定的优越性和先进性。

关 键 词：图像超分辨  残差网络  注意力机制  深度学习  

分 类 号：TP391.9]