多维注意力机制与选择性特征融合的图像超分辨率重建
2023-10-02邵剑飞邵建龙冯宇航
温 剑,邵剑飞*,刘 杰,邵建龙,冯宇航,叶 榕
(1.昆明理工大学 信息工程与自动化学院,云南 昆明 650500;2.云南警官学院 云南警用无人系统创新研究院,云南 昆明 650223)
1 引言
单图像超分辨率(Single Image Super-resolution,SISR)的任务是将低分辨率图像(Low Resolution,LR)通过重建技术获得更自然逼真的高分辨率图像(High Resolution,HR)。通常图像的分辨率越高,代表细节纹理带来的视觉效果越好。由于硬件设备采集图像的过程中受自然环境、数字设备成本或人为干涉因素的影响,拍摄的图像不清晰,这会降低图像分类[1]、无人机侦察[2]、医疗辅助[3]、遥感测绘[4]等视觉任务的性能。图像超分辨率(Super Resolution,SR)重建算法不受平台的限制,降低了设备的硬件成本,并有效提高了图像分辨率,因此成为计算机视觉领域具有重要研究意义的底层任务之一。
多年来,为解决SR 重建任务中的非适定性问题,早期的超分辨率研究包括基于插值方法和基于先验方法。插值方法主要有双线性插值[5]和双三次插值[6],实现从LR 到HR 的映射,该方法虽然操作简单,但应用范围及超分辨率效果较差,因此,基于先验的方法被提出。孙玉宝等[7]利用稀疏先验信息获得线性组合预测HR 图像,潘宗序等[8]利用自相似先验信息引导模型实现超分辨率重建,然而这种依赖先验信息的方法需要过于耗时的代价完成任务,在一定程度上阻碍了研究者的工作。
近年来,基于深度学习的深度卷积神经网络(Convolutional Neural Network,CNN)依靠其灵活的端到端架构和卓越的学习能力,得到了广泛的应用。Dong 等[9]于2016 年利用基于卷积神经网络提出了一个构建3 层神经网络来学习LR 到HR 的映射,其图像超分辨率重建性能验证了基于深度学习方法的竞争力。……
