多跳连接残差注意网络的图像超分辨率重建

随着卷积神经网络深度的不断增加,深度卷积神经网络的训练会变得更加困难.此外,在图像超分辨率中,低分辨率图像的通道特征和输入通常在不同的通道中被平等对待,这就导致了卷积神经网络的表征能力被弱化.为了解决这些问题,提出了一种多跳连接残差注意网络,该网络利用多跳连接中的残差(Residual in Multi-skip Connection,RIMC),构造了具有多个残差组的深度网络.每个残差组包含了一定数量的短跳连接和多跳连接.在RIMC的基础上,主网络被允许穿过多跳连接来绕过丰富的低频信息,同时高频信息也可以被主网络集中地学习.另外,考虑到通道和空间维度的相互依赖关系,提出了注意机制块(Attention Mechanism Block,AMBlock)来关注信息的位置,并自适应地调整通道特征尺度,其中通道注意机制和空间注意机制被应用在这种方式中.实验结果表明,该网络可以更好地恢复图像细节,获得更高的图像质量和网络性能.     

H.264码率控制算法研究

针对JVT-G012的基本单元层码率控制中复杂度的估计部分没有充分利用已编码帧的时空相关性的缺点,使用新的模型将当前帧已编码的基本单元MAD值引入到原有MAD模型中进行复杂度估计,充分利用已编码帧的时空相关性,使复杂度的估计更准确.实验结果表明,该改进模型PSNR提高0.01~0.08dB,视频图像质量更好,编码时间也有不同程度的下降,实时性提高,编码生成的Bits数降低,节省传输带宽.