波形金字塔反复结构-维护注意力网络,用于单图像超分辨率

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 目前使用卷积神经网络 (CNN) 的单图像超分辨率 (SISR) 方法经常忽视结构上下文和细节忠实性,导致扭曲的重建.
• 将图像先验纳入CNN对于提高图像重建质量至关重要.

研究的目的:

• 为SISR提出一种新的循环结构保存机制,利用多尺度波形变换 (WT) 作为图像前.
• 引入波形金字塔循环结构维护注意网络 (WRSANet) 以增强图像重建.

主要方法:

• 拟议的WRSANet采用一种新的结构尺度保护 (SSP) 架构和结构尺度融合 (SSF) 架构与反向WT用于递归的低频结构恢复.
• 引入了新的低频到高频信息传输 (L2HIT) 和细节增强 (DE) 机制,以提高高频细节保真度.
• 一个关节损失功能平衡低频和高频信息融合,在训练期间通过自适应式超参数调整进行调整.

主要成果:

• 与最新的方法相比,WRSANet在合成和现实数据集上都表现出卓越的性能和视觉质量.
• 该方法特别擅长在保存上下文结构和重建复杂的纹理细节方面.

结论:

• 通过保留低频结构和增强高频细节,WRSANet有效地解决了传统SISR方法的局限性.
• 拟议的方法为超分辨率图像提供了显著的细节保真度和结构完整性的改进.