基于信道注意力机制卷积神经网络的图像超分辨率.docxVIP

基于信道注意力机制卷积神经网络的图像超分辨率 端木春江 姚松林 摘 要： 在图像超分辨率中，现有的卷积神经网络的方法较传统方法有明显的优势。然而，图像超分辨率的更深层卷积神经网络难以训练。同时，由于低分辨率图像包含丰富的低频特征信息，而这些信息在信道上与高频信息一起被平等地对待，因此阻碍了卷积神经网络的表达能力。文章提出了基于信道注意力机制的卷积神经网络，充分考虑信道之间的相互依赖性，自适应地重新调整信道的特征。实验表明，该算法较以前的算法可以实现更好的性能和更清晰的视觉效果。 关键词： 图像处理; 图像超分辨率; 卷积神经网络; 信道注意力机制 中图分类号：TP391 文献标识码：A 文章编号：1006-8228（2020）04-26-03 The super-resolution method based on the neural convolutional networks of channel attention mechanism Duanmu Chunjiang， Yao Songlin （College of Physics and Electronic Information Engineering， Zhejiang Normal University， Jinhua， Zhejiang 321004， China） Abstract： In the image super-resolution， current convolutional neural network methods have better performance than the traditional ones. However， the deep convolutional neural networks are difficult for training in the image super-resolution. And the low-resolution images generally have more low-frequency information， and it is treated evenly with the high frequency information in the channels of the networks， which hinders the expression ability of the whole convolutional neural network. A new method which utilizes the channel attention mechanism is proposed in this paper， it fully considers the mutual reliance of channels， and adaptively readjusts the channel features. Experiment results show that the proposed method has better performance and visual quality than previous ones. Key words： image processing; image super-resolution; convolutional neural network; channel attention mechanism 0 引言 针对仅由一幅低分辨率图像（LR）重建对应的高分辨率图像（HR）的问题，通常称为单幅图像超分辨率（Super Resolution，SR）。单幅图像超分辨率可应用于计算机视觉的各方面，包括安全和监控成像，医学影像，模式识别等。然而，图像超分辨率是一个病态的问题，因为对于任何低分辨率图像，产生其高分辨率图像可以有无穷多的解。为了解决这样的病态逆问题，许多学者提出了很多基于學习的方法来学习LR和HR图像对之间的映射关系。 基于学习的图像超分辨率技术是当前超分辨率技术的研究热点。最近，基于卷积神经网络（Convolutional Neural Network，CNN）的方法[4-5]相比传统的超分辨率方法[1-3]已经取得了显著的进步。 注意力机制将可用的处理资源分配给最具信息性和最有用的输入。最近，注意力机制逐渐应用于深度神经网络[6-7]。Fei等[6]提出了用于图像分类的残差注意网络，具有注意力机制。注意力机制也应用于图像的定位和理解、基于序列的网络图像等[7]。然