一个普通的轻量级图像超分辨率,加上利增强和双重注意力网络

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:

• 基于深度学习的单图像超分辨率 (SISR) 实现了高性能,但遭受了显著的计算和存储成本.
• 存在对轻量级SISR网络的需求,这些网络可以保持有效性,同时减少对实际应用的资源需求.

研究的目的:

• 开发一个名为ESDAN (Enhancement and Sharpening with Dual Attention Network) 的一般轻量级SISR网络,以优化模型复杂性和性能之间的权衡.
• 引入新型模块,增强特征表示和重建能力.

主要方法:

• 拟议的ESDAN网络包括一个化增强模块 (SEM) 和一个双重注意力抽样模块 (DAU).
• SEM集成了注意力驱动的特征 Sharpening (ADFS) 和多路特征增强 (MWFE),以改善特征对比度和信息增强.
• DAU动态地融合浅层和深层特征,以提高重建的准确性.

主要成果:

• 广泛的实验表明,ESDAN的性能优于当前最先进的轻量级SISR方法.
• 在各种与SISR相关的任务中,ESDAN表现出高度的多功能性和有效性,包括医学成像 (阿尔茨海默氏症大脑MRI),立体内镜图像和监视图像.
• 源代码是公开可用的.

结论:

• 埃斯丹为轻量级单图像超分辨率提供了有效的解决方案,平衡计算效率与高质量的图像重建.
• 该网络的设计和证明的多功能性表明它在各种图像超分辨率挑战中具有广泛的适用性.