基于密集反馈网络的单幅图像超分辨率重建

来源：计算机工程杂志2021年第11期北京时间：

作者：刘锡泽, 范红, 海涵, 王鑫城, 许武军, 倪林

单位：东华大学 信息科学与技术学院, 上海 201620

摘要：基于深度学习的单幅图像超分辨率网络模型体积庞大，导致参数利用率低且难以部署，对中间层特征利用不充分。提出一种密集反馈注意力网络（DFAN）模型。在同一特征图中通过多尺度残差注意力模块（MRAB）提取不同尺度的深层特征，以增加特征的多样性。同时将每个MRAB的输出均作为同组中其他残差模块的输入，使各层之间的信息流最大化，从而减小训练难度。实验结果表明，相比VDSR、DRRN、MemNet等模型，DFAN模型具有较优的重建效果，其在重建放大倍数为4的Set5数据集上计算复杂度仅为VDSR模型的0.14倍左右，而峰值信噪比提高了0.57 dB。

关键词：单幅图像超分辨率重建,深度学习,密集反馈模型,注意力机制,残差模块

基金资助：国家自然科学基金（61801106）。