轻量级的本地和全球颗粒度选择优化网络,用于单图像超分辨率

科学领域:

• 计算机视觉 计算机视觉
• 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:

• 单图像超分辨率 (SISR) 模型从结合本地和全球特征中受益.
• 现有的方法通常使用线性聚变用于局部特征,导致冗余和低效的提取.
• 全球特征提取受不相关的特征阻碍,影响依赖性捕获和重建质量.

研究的目的:

• 提出一个轻量级网络,LGGSONet,用于SISR中增强的特征提取.
• 提高本地和全球细粒度特征处理的效率和有效性.
• 提高SISR模型的整体重建质量.

主要方法:

• 引入了局部粒度选择模块 (LGSM),使用非线性卷积来实现动态的多尺度特征融合.
• 开发了一个全球粒度优化模块 (GGOM),使用全球转移的注意力来过无关的特征.
• 将LGSM和GGOM集成到一个混合颗粒度变压器块 (MGTB) 和一个混合颗粒度剩余变压器组 (MGRTG) 中,以简化网络培训.

主要成果:

• 与先进的轻量级方法相比,LGGSONet实现了0.30 dB的PSNR改进.
• 拟议的网络保持较少的参数和较低的计算成本.
• 实验结果验证了LGGSONet在SISR任务中的有效性.

结论:

• LGGSONet有效地解决了线性特征融合和SISR中无关特征干扰的局限性.
• 拟议的网络提供了一个轻量级和高效的解决方案,用于高质量的图像超分辨率.
• 新型模块 (LGSM,GGOM) 和架构 (MGTB,MGRTG) 显著提升了SISR能力.