首页 | 本学科首页   官方微博 | 高级检索  
     

全局注意力门控残差记忆网络的图像超分重建
引用本文:王静,宋慧慧,张开华,刘青山.全局注意力门控残差记忆网络的图像超分重建[J].中国图象图形学报,2021,26(4):766-775.
作者姓名:王静  宋慧慧  张开华  刘青山
作者单位:南京信息工程大学大气环境与装备技术协同创新中心, 江苏省大数据分析技术重点实验室, 南京 210044
基金项目:国家新一代人工智能重大项目(2018AAA0100400);国家自然科学基金项目(61872189,61876088,61532009);江苏省自然科学基金项目(BK20191397,BK20170040)
摘    要:目的 随着深度卷积神经网络的兴起,图像超分重建算法在精度与速度方面均取得长足进展。然而,目前多数超分重建方法需要较深的网络才能取得良好性能,不仅训练难度大,而且到网络末端浅层特征信息容易丢失,难以充分捕获对超分重建起关键作用的高频细节信息。为此,本文融合多尺度特征充分挖掘超分重建所需的高频细节信息,提出了一种全局注意力门控残差记忆网络。方法 在网络前端特征提取部分,利用单层卷积提取浅层特征信息。在网络主体非线性映射部分,级联一组递归的残差记忆模块,每个模块融合多个递归的多尺度残差单元和一个全局注意力门控模块来输出具备多层级信息的特征表征。在网络末端,并联多尺度特征并通过像素重组机制实现高质量的图像放大。结果 本文分别在图像超分重建的5个基准测试数据集(Set5、Set14、B100、Urban100和Manga109)上进行评估,在评估指标峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)上相比当前先进的网络模型均获得更优性能,尤其在Manga109测试数据集上本文算法取得的PSNR结果达到39.19 dB,相比当前先进的轻量型算法AWSRN(adaptive weighted super-resolution network)提高0.32 dB。结论 本文网络模型在对低分图像进行超分重建时,能够联合学习网络多层级、多尺度特征,充分挖掘图像高频信息,获得高质量的重建结果。

关 键 词:单幅图像超分辨率(SISR)  深度卷积神经网络(DCNN)  注意力门控机制  多尺度残差单元(MRUs)  递归学习
收稿时间:2020/5/18 0:00:00
修稿时间:2020/7/10 0:00:00

Learning global attention-gated multi-scale memory residual networks for single-image super-resolution
Wang Jing,Song Huihui,Zhang Kaihu,Liu Qingshan.Learning global attention-gated multi-scale memory residual networks for single-image super-resolution[J].Journal of Image and Graphics,2021,26(4):766-775.
Authors:Wang Jing  Song Huihui  Zhang Kaihu  Liu Qingshan
Affiliation:Collaborative Innovation Center on Atmospheric Environment and Equipment Technology, Jiangsu Key Laboratory of Big Data Analysis Technology, Nanjing University of Information Science and Technology, Nanjing 210044, China
Abstract:
Keywords:single-image super-resolution(SISR)  deep convolutional neural networks(DCNN)  attention gate mechanism  multi-scale residual units(MRUs)  recursive learning
点击此处可从《中国图象图形学报》浏览原始摘要信息
点击此处可从《中国图象图形学报》下载免费的PDF全文
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号