李 彬，王 平，赵思逸

基于双重注意力机制的图像超分辨重建算法

李 彬1，王 平1，赵思逸2

(1. 国防科技大学电子科学学院，湖南 长沙 410072； 2. 国防科技大学计算机学院，湖南 长沙 410072)

近年来，卷积神经网络(CNN)在单幅图像超分辨率重建领域(SISR)展现出良好效果。深度网络可以在低分辨率图像和高分辨率图像之间建立复杂的映射，使得重建图像质量相对传统的方法取得巨大提升。由于现有SISR方法通过加深和加宽网络结构以增大卷积核的感受野，在具有不同重要性的空间域和通道域采用均等处理的方法，因此会导致大量的计算资源浪费在不重要的特征上。为了解决此问题，算法通过双重注意力模块捕捉通道域与空间域隐含的权重信息，以更加高效的分配计算资源，加快网络收敛，在网络中通过残差连接融合全局特征，不仅使得主干网络可以集中学习图像丢失的高频信息流，同时可以通过有效的特征监督加快网络收敛，为缓解MAE损失函数存在的缺陷，在算法中引入了一种特殊的Huber loss函数。在主流数据集上的实验结果表明，该算法相对现有的SISR算法在图像重建精度上有了明显的提高。

单幅图像超分辨；特征监督；残差连接；通道注意力机制；空间注意力机制

单幅图像超分辨率重建(single image super- resolution，SISR)是一个低水平的计算机视觉任务，其目标是利用低分辨率(low-resolution，LR)图像，恢复出对应的高分辨率(high-resolution，HR)图像。由于硬件设备和信息传输条件的限制，通常获取到的多为LR图像。SISR技术在不增加硬件成本的同时能有效提升图像的成像质量，因而已经在社会安全[1]、医学成像[2]、军事遥感[3]等领域取得广泛应用。……