一个双分支空间交互和多尺度可分离聚合驱动的混合网络,用于红外图像超分辨率

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:

• 单图像超分辨率 (SISR) 旨在提高图像分辨率.
• CNN和变压器在可见图像SR方面表现出色,但由于噪音和有限的远程依赖模型,它们在红外图像方面面临挑战.
• 红外图像带来了独特的挑战,例如低信号噪声比和模糊的边缘.

研究的目的:

• 开发一种有效的混合神经网络,用于红外图像超分辨率重建.
• 为了解决现有的CNN和变压器模型在红外成像中的局限性.
• 为了提高红外图像的细节清晰度和视觉质量.

主要方法:

• 拟议的RDSR (剩余双分支可分离超分辨率网络),是一种混合架构.
• 集成的多尺度深度可分离的卷积,具有转移窗口自注意.
• 引入了双分支空间交互 (BDSI) 和多尺度可分离空间聚合 (MSSA) 模块.

主要成果:

• 在PSNR和SSIM方面,RDSR在×2和×4升级方面表现出卓越的性能.
• 性能优于基于CNN (EDSR,RCAN,RDN) 和基于变压器 (SwinIR,DAT,HAT) 的最新方法.
• 在多个公共红外图像数据集上的实验验证证证了有效性.

结论:

• 拟议的RDSR网络有效地重建高分辨率红外图像.
• 结合卷曲和自我注意的混合方法对红外SR非常有效.
• RDSR为提高红外图像质量和细节恢复提供了一个有前途的解决方案.