全局注意力门控残差记忆网络的图像超分重建

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。

Learning global attention-gated multi-scale memory residual networks for single-image super-resolution