多尺度扩展卷积残余网络的超分辨率重建算法
Shanqin Wang1, Miao Zhang1, Mengjun Miao1,2
1School of Information Engineering, Chuzhou Polytechnic, Chuzhou, China.
Frontiers in neurorobotics
|September 2, 2024
概括
这项研究引入了一种新的多尺度扩展卷积网络,用于超分辨率重建,改善图像质量和细节保存. 改进的算法在峰值信号噪声比率和结构相似性方面优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 传统的超分辨率算法与小的受体场扎,并具有信息丢失的特点.
- 提取多尺度特征对于有效的图像重建至关重要.
研究的目的:
- 提出使用多尺度扩展卷积网络的新型超分辨率重建算法.
- 通过加强特征提取和融合来解决现有方法的局限性.
主要方法:
- 使用扩展卷积内核,具有不同的受体场,用于多尺度特征提取.
- 使用剩余注意力密集块和局部剩余连接进行特征融合.
- 包含剩余的嵌套网络和跳跃连接,以加快融合并防止退化.
主要成果:
- 拟议的算法在标准数据集 (Set5,Set14,BSDS100,Urban100) 上显示出卓越的性能.
- 与已建立的算法相比,实现了更高的峰值信号噪声比率 (PSNR) 和结构相似度指数 (SSIM) 测量.
- 重建的图像表现出更好的视觉质量.
结论:
- 多尺度扩展卷积网络有效地增强了超分辨率重建.
- 拟议的方法比现有的超分辨率技术提供了显著的改进.
- 算法的能够融合多尺度特征和非线性表达式的能力提高了重建性能.
