聚合残差注意力网络的单图像超分辨率重建

针对现有生成式对抗网络对单图像进行超分辨率重建时存在特征信息挖掘不足、算法复杂度高及训练不稳定的问题，提出一种聚合残差注意力网络的单图像超分辨率重建方法。首先，以聚合残差模块作为基本残差块构造生成器，降低计算复杂度，在每个残差块中引入具有三维权重的注意力模块作为网络主通道，在不引入其他参数情况下捕获更多的高频信息。其次，在鉴别器中采用谱归一化处理，对鉴别器网络参数进行限制，从而稳定训练过程。最后，采用拟合性更好的Swish激活函数，提高网络的特征提取能力。将鲁棒性更好的Charbonnier损失函数作为像素损失，同时加入正则化损失抑制图像噪点，提升图像的空间平滑性。实验结果表明，所提方法得到的四倍放大的超分辨率重建图像在Set5、Set14、BSD100三个公开数据集上的峰值信噪比平均值提高了1.54 dB，结构相似性平均值提高了0.0457，重建图像拥有更好的清晰度和更为丰富的高频细节。     

基于深监督跨尺度注意力网络的深度图像超分辨率重建

消费级深度相机拍摄的深度图像具有分辨率较低的问题，深度图像超分辨率重建是解决该问题的有效方法 .为了提高重建性能，提出一种基于深监督跨尺度注意力网络的深度图像超分辨率重建算法.网络逐级放大，在损失函数中对每一级的输出都进行约束，实现深监督的目的 .采用高阶跨尺度注意力模块，将多尺度特征尺度内及跨尺度相关性与注意力机制结合起来，实现多尺度特征的自适应调整.采用内层为宽激活残差、外层为基本残差的双层残差块作为网络基本构成元素，以提高网络对复杂非线性关系的学习能力.实验结果表明，本文算法在主观视觉效果和客观质量评价指标方面都优于当前主流的深度图像超分辨率重建算法.     

基于生成对抗网络的遥感图像超分辨率重建改进算法

为了获取包含更多高频感知信息与纹理细节信息的遥感重建图像，并解决超分辨率重建算法训练难和重建图像细节缺失的问题，提出一种融合多尺度感受野模块的生成对抗网络（GAN）遥感图像超分辨率重建算法。首先，使用多尺度卷积级联增强全局特征获取、去除GAN中的归一化层，提升网络训练效率去除伪影并降低计算复杂度；其次，利用多尺度感受野模块与密集残差模块作为生成网络的细节特征提取模块，提升网络重建质量获取更多细节纹理信息；最后，结合Charbonnier损失函数与全变分损失函数提升网络训练稳定性加速收敛。实验结果表明，所提算法在Kaggle、WHURS19、AID数据集上的平均检测结果较超分辨率GAN在峰值信噪比、结构相似性、特征相似性等方面分别高出约1.65 dB、约0.040(5.2%)、约0.010(1.1%)。     

基于多尺度与残差网络的图像超分辨率重建

针对目前图像超分辨率重建算法在提取图像信息时过于单一地累加卷积层导致的深层网络梯度消失和图像信息丢失的问题,提出了一种基于多尺度与残差网络的图像超分辨率重建算法。该算法使用多尺度密集连接的卷积核代替单一累加的卷积核,充分提取输入低分辨率图像信息并实现通道特征维度的复用;利用残差网络,多层次地对丢失图像信息进行补充并对深层网络模型的梯度问题实现了抑制,在反向传播的过程中帮助全网络模型自适应地完成对权重更新;最后以非线性映射的方式输出最终重建图像。实验表明,所提算法在测试集上的峰值信噪比和结构相似性与对比算法相比均有所提升;在与目前主流算法对比中获得了细节信息更加丰富、边缘纹理更加清晰的重建图像。     

基于改进增强型超分辨率生成对抗网络的图像超分辨率重建算法

针对现有的图像超分辨率重建算法仍存在细节上处理不足的问题,提出一种基于改进增强型超分辨率生成对抗网络(ESRGAN)的图像超分辨率重建算法.首先,使用多尺度密集连接模块(MDB)代替密集连接模块(DB),并且在MDB后添加通道注意力机制,以调整不同通道的特征响应值,从而改进了ESRGAN的生成网络模型中的深层信息提取模...     

基于混合残差密集网络的电路板红外图像超分重建北大核心CSCD

红外图像普遍存在分辨率低、细节模糊和视觉效果差的问题,使其难于直接应用在PCB故障诊断系统中。针对这一问题,本文提出了一种可充分利用红外图像层次特征的混合残差密集网络超分辨率重建算法。首先,使用卷积神经网络提取原始低分辨率图像的浅层特征信息;其次,设计多路径混合残差密集连接块,进一步提取更丰富的深层特征信息;最后,引入全局特征融合与残差学习自适应的学习并整合全局特征信息,应用转置卷积上采样完成红外图像的超分辨率重建。实验结果表明,本文算法能够有效提高重建后红外图像分辨率,使细节信息得到改善、视觉效果得到提升。基于公共/自建数据集得到的重建后图像峰值信噪比和结构相似性指标分别达到42.17 dB/39.32 dB和0.9503/0.9466,优于文中列举的双三次内插法、SRCNN和ESPCN模型,重建性能得到明显提高。     

基于注意力机制的多尺度融合图像超分辨率重建

针对图像超分辨率重建算法在信息恢复过程中存在特征提取不充分、重建高频细节能力不足等问题,在SRGAN的基础上提出了一种基于注意力机制的多尺度融合图像超分辨率重建算法(SRGAN-MCA)。首先,构建了一种基于坐标注意力机制的多尺度密集残差注意力模块来提取不同尺度的特征信息,以解决图像超分辨率重建非线性映射过程中特征提取不充分的问题;其次,通过在网络判别器中嵌入谱归一化来约束判别器的Lipschitz常数,以增强网络训练的稳定性;最后添加了Charbonnier损失函数对SRGAN-MCA进行训练优化,以实现更高质量重建。在Set5、Set14、BSD100数据集上的实验结果表明,与SRGAN相比,2倍和4倍放大重建图像的峰值信噪比(PSNR)平均提高了0.35 dB、0.47 dB,结构相似性(SSIM)平均提高了0.005 4、0.016。     

基于循环生成对抗网络的超分辨率重建算法研究

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...     

多级跳线连接的深度残差网络超分辨率重建

由于快速的卷积神经网络超分辨率重建算法(FSRCNN)卷积层数少、相邻卷积层的特征信息之间缺乏关联性,因此难以提取到图像深层信息导致图像超分辨率重建效果不佳。针对此问题,该文提出多级跳线连接的深度残差网络超分辨率重建方法。首先,该方法设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决相邻卷积层的特性信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。该文方法与bicubic, A+, SRCNN, FSRCNN和ESPCN算法在Set5和Set14测试集上进行了对比测试,在视觉效果和评价指标数值上该方法都优于其它对比算法。     

改进的生成对抗网络的超分辨率方法研究

本文针对基于深度学习的超分辨率重建网络SRGAN中存在的训练不稳定,重建图像信息缺失等问题进行了分析研究,做出相应的改进,提出了一种改良的生成器残差块结构,提高了重建效率,增强了重建图像的质量;引入Wasserstein距离代替JS散度来描述数据分布之间的差异,解决了生成对抗网络训练不稳定的问题,有效避免了梯度消失现象...     

密集残差网络红外图像超分辨率重构

单幅红外图像超分辨率重构算法作为红外图像分辨率提升应用的关键技术,近年来得到了广泛的研究。为了提高红外图像的分辨力,提出了一种基于残差密集对抗式生成网络的单幅红外图像分辨力提升方法。与以往基于对抗式生成网络的分辨力提升方法不同,本文方法的新颖性主要包含两个方面。首先,在网络架构方面进行改进,以提高性能。设计密集残差网络作为对抗式生成网络的生成网络,充分利用了低分辨率图像的有效特征。在生成网络中引入了一种连续内存机制,以利用密集的剩余块。其次,将Wasserstein-GAN作为损失函数,对判别网络模型进行修正,以达到稳定训练的目的。利用红外高分辨率图像数据集进行了大量的实验,结果表明,该方法在客观评价和主观评价方面均优于目前最新的方法。     

融合内外特征的图像超分辨率算法

针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量。与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善。     

基于深度学习的风云四号卫星图像超分辨率重建

风云四号A卫星(FY-4A)部分通道的图像分辨率较低,影响风云卫星多通道协同监测能力。针对该问题,提出一种改进的超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks, ESRGAN)算法来实现FY-4A影像的超分辨率重建。该方法基于ESRGAN的生成器架构,利用迁移学习策略,将预训练权重作为模型的初始值,设计了一组包含5层空洞卷积层的残差密集模块(Residual-in-Residual Dense Block, RRDB),并优化了损失函数。结果表明,在4倍影像分辨率重建下,相比于ESRGAN算法,改进的ESRGAN算法在峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似性(Structural Similarity, SSIM)、空间相关系数(Correlation Coefficient, CC)上分别提高了0.704、0.029、0.002,均方根误差(Root-Mean-Square Error, RMSE)降低了10%,且重建影像更加清晰自然,纹理更加细致。     

融合注意力机制的高分辨人脸识别图像重建

针对由于人脸姿势、光照不均、拍摄环境、拍摄设备等内外部因素造成图像分辨率低的问题,提出融合注意力机制的高分辨人脸识别图像重建模型.首先以低分辨率人脸图像对作为两个生成器输入,通过残差块和注意力模块堆叠网络提取人脸特征信息,进而生成高分辨率人脸图像.训练中使用一个鉴别器来监督两个生成器的训练过程.利用Adam算法对鉴别器...     

基于线阵扫描成像的太赫兹图像超分辨率重建

针对太赫兹扫描成像设备存在的图像清晰度差、边缘模糊等问题,提出了一种基于生成对抗网络的太赫兹图像超分辨率重建算法。首先,在处理太赫兹图像时引入限制对比度自适应直方图均衡方法,有效解决了太赫兹图像对比度低的问题;其次,在生成对抗网络的基础上,提出了一种基于增强注意力机制的残差生成对抗网络,实现了太赫兹扫描图像的超分辨率重建,提升了图像纹理和细节的重建能力;最后利用频谱归一化的U-net网络对生成器生成的重建图像进行判别,增强了训练的稳定性。实验结果表明,提出的太赫兹图像超分辨率重建算法将太赫兹线阵相机所成太赫兹图像的边缘强度提高了7%,峰值信噪比提高了13%,平均梯度提高了12%,结构相似度提高了14%,验证了该算法的优越性和有效性。     

增强型多尺度残差网络的图像超分辨率重建算法

现有的图像超分辨率重建算法大多具有极深的网络结构导致参数量过大，并且不能充分提取特征。为了解决以上问题，提出了一种基于增强型多尺度残差网络（EMSRN）的图像超分辨率重建算法。该网络主要由多个增强型多尺度残差块（EMSRB）组成，通过使用残差块和并行的多空洞率的空洞卷积组构建该模块的骨干结构，获取了图像的局部和全局多尺度特征的同时有效减小了网络参数量。在模块最后使用通道注意力机制自适应地对提取到的特征进行加权，使网络更多地关注高频信息。实验结果表明，比起基础的多尺度残差网络，所提算法将峰值信噪比（PSNR）提升了0.53 dB，结构相似性（SSIM）达到了0.9782。相比于增强型深度超分辨率网络，参数量仅为其31.7%，却取得了近似的重建表现。     

基于坐标注意力机制的人脸图像超分辨率重建算法

针对传统的人脸超分辨率图像重建技术,人脸特征信息提取与恢复中存在特征丢失的问题,文中提出了一种基于坐标注意力机制的IP-FSRGAN人脸图像超分辨率重建算法,以帮助生成器学习到更多的人脸特征信息并合成更真实的超分辨率人脸图像。在放大倍数为4时,采用LFW数据集测试模型性能。实验结果显示,该方法与IP-FSRGAN相比,PSNR提升0.14%,SSIM提升0.59%,Y通道PSNR提升2.43%,SSIM提升0.38%,在定量上均优于SRGAN、ESRGAN、IP-FSRGAN等人脸重建方法。实验证明,文中所提基于坐标注意力机制的IP-FSRGAN人脸图像超分辨率重建算法在人脸超分辨图像重建上具有良好的有效性。     

多尺度残差反馈融合网络的单幅图像超分辨率重建

单幅超分辨率重建可以根据一张或多张低分辨率图像生成高分辨率图像。本文提出了一种基于神经卷积网络的单幅图像超分辨率重建算法,以恢复信息丰富的高分辨率图像。该网络由一系列具有低分辨率图像特征的递归密集连接和级联,能够生成强大的特征表示,并充分捕捉多尺度上下文信息。此外,本文设计了一种多级特征融合模块,不仅可以减少深层学习过程中损失的空间信息,还能有效缓解图像伪影问题。通过在Set5等常用数据集上的对比实验结果表明,本文算法均优于同类算法。     

基于生成对抗网络的单帧红外图像超分辨算法

高分辨率红外图像的获取受到了硬件性能的限制,利用信号处理的方法实现红外图像的超分辨率重建可以有效地提高红外图像的分辨率.将基于深度学习的超分辨方法应用于红外图像,实现了单帧红外图像的超分辨率重建,获得了更好的评价结果.通过引入对抗训练的思想,以及添加基于判别网络的损失函数分量,提高了放大倍数的同时,获得更好的高频细节恢复,图像边缘锐化,避免了超分辨率红外图像过于模糊.     

融合注意力的生成式对抗网络单图像超分辨率重建

基于深度学习的单图像超分辨率重建方法已经比较完善,重建图像具有较高的客观评价值或具有较好的视觉效果,但是图像感知效果和客观评价值不能均衡提升.针对这一问题,提出一种融合注意力的生成式对抗网络单图像超分辨率重建方法.首先去掉残差网络中会破坏图像原本的对比度信息、影响图像生成质量的批归一层,其次是构造注意力卷积神经网络残差块,可有效地在特征映射中进行自适应特征细化,改善重建结果在大尺度因子下缺乏高频信息和纹理细节的问题,最后构造像素损失函数,使用鲁棒性较好的Charbonnier损失函数替代均方差损失函数,用总变差正则项平滑训练结果.实验结果表明,在4倍放大因子下,与其他方法在Set5、Set14、Urban100、BSDS100测试集上进行测试比较,本文方法峰值信噪比平均值提升2.88 dB,结构相似性平均值提升0.078.实验数据和效果图表明,该方法主观上具有丰富的细节,客观上具有较高的峰值信噪比值和结构相似性值,实现了视觉效果和客观评价指标值的均衡提升.