用于单图像超分辨率的通道与空间特征调制网络

利用深度卷积神经网络（CNNs）已使单图像超分辨率的性能获得显著提升。深度 CNN 中的特征包含不同类型的信息，对图像重建的贡献各异。然而，大多数基于 CNN 的模型缺乏对不同类型信息的判别能力且同等处理，导致模型的表征能力受限。另一方面，随着神经网络加深，来自前层的长程信息易在后续层中被削弱或丢失，不利于图像超分辨。为捕获更具信息量的特征并保持长程信息用于图像超分辨，我们提出通道与空间特征调制（CSFM）网络，其中级联一系列特征调制记忆（FMM）模块并以密集连接结构将低分辨率特征转换为高信息量特征。在每个 FMM 模块中，我们构建一组通道与空间注意力残差（CSAR）块并以链结构堆叠，以全局—局部方式动态调制多级特征。该特征调制策略使高贡献信息增强、冗余信息抑制。同时，为保持长程信息，在 FMM 模块末端附加门控融合（GF）节点，通过密集跳跃连接与门控机制自适应融合层次化特征并提炼更有效信息。在基准数据集上的大量定量与定性评估表明了我们所提方法相对于最先进方法的优越性。