多尺度错误驱动的密集残余网络用于图像超分辨率重建
Xueri Li1, Lei Yang1, Shimin Liang1
1School of Computer Science, Guangdong University of Science and Technology, Dongguan, China.
PloS one
|September 18, 2025
概括
本研究引入了一个以错误驱动的多尺度密集残余网络 (EMDN),用于优越的单图像超分辨率. EMDN有效地捕获多尺度信息和高频细节,显著提高图像重建质量.
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:
- 目前的单图像超分辨率 (SISR) 方法难以处理多尺度信息和高频细节提取.
- 现有的前网络架构缺乏代改进和强大的反机制,以增强高频采集.
研究的目的:
- 在SISR中开发用于多级特征提取,融合和反的先进策略.
- 为改进图像超分辨率提出一个创新的以错误为导向的多尺度密集残余网络 (EMDN).
主要方法:
- 利用来自不同尺寸和不同输入的卷积内核的双重多尺度特征,同时处理.
- 整合了一个以错误驱动的反机制到密集的残余网络架构中.
- 为SISR开发了一个以错误为导向的多尺度密集剩余网络 (EMDN).
主要成果:
- 拟议的EMDN方法在各个扩展因子的主观和客观评估中优于现有的方法.
- 与基线前送网络相比,在峰值信号与噪声比率 (PSNR) 中实现了高达0.385%的改进,在结构相似度指数 (SSIM) 中达到0.191%.
- 通过比较评估证明了更高的图像分辨率和恢复质量.
结论:
- 该EMDN有效地解决了SISR多尺度特征提取和反机制的局限性.
- 实验结果验证了提高图像分辨率的拟议方法的有效性和实际意义.
- 开发的方法提供了一个强大的解决方案,用于从低分辨率输入中进行高质量的图像重建.
