空间和频道聚合网络用于轻量级图像超分辨率
Xianyu Wu1, Linze Zuo1, Feng Huang1
1College of Mechanical Engineering and Automation, Fuzhou University, Fuzhou 350108, China.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
本研究介绍了空间和频道聚合网络 (SCAN),这是一个轻量级的深度学习模型,用于单图像超分辨率 (SISR). SCAN提高了图像分辨率和细节恢复效率,优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 单图像超分辨率 (SISR) 旨在提高图像分辨率和细节.
- 目前的SISR方法难以平衡性能和计算成本.
- 轻量级网络架构对于实际的SISR应用至关重要.
研究的目的:
- 引入一个新的轻量级网络,即空间和通道聚合网络 (SCAN),以实现高效的SISR.
- 解决现有SISR技术中的性能效率权衡问题.
- 为了改善中级图像信息的提取.
主要方法:
- 开发了一个轻量级SISR网络SCAN.
- 采用大型内核卷曲,包括9x9内核,用于扩展受体场.
- 综合功能减少操作,以集中提取信息.
主要成果:
- 与最先进的轻量级SISR方法相比,SCAN实现了更高的性能.
- 在基准数据集上显示了0.13 dB的PSNR和0.0013的SSIM改进.
- 在远程传感数据上表现出显著的收益,PSNR 0.4 dB 和 SSIM 0.0033 的改进.
结论:
- SCAN为平衡SISR性能和计算效率提供了一个有效的解决方案.
- 大型内核卷曲和特征减少的新组合增强了细节恢复.
- 对于需要高分辨率图像重建的应用,包括遥感,SCAN显示出有前途.
