基于非对称协同注意力的深度交错图像超分辨率网络
计算机视觉与模式识别
2020-04-27 v1
摘要
近来，基于卷积神经网络（CNN）的图像超分辨率（SR）在文献中已取得显著成功。然而，这些方法以单路径流形式实现，从输入中丰富特征图以进行最终预测，未能将先前的低层特征充分融入后续高层特征。本文中，为应对该问题，我们提出深度交错网络（DIN）来学习不同状态的信息应如何组合用于图像SR，其中浅层信息引导深层代表性特征的预测。我们的DIN遵循多分支模式，允许多个互连分支在不同状态交错与融合。此外，提出非对称协同注意力（AsyCA）并作用于交错节点，以自适应地强化来自不同状态的信息性特征并提升网络的判别能力。大量实验证明了所提DIN相较于最先进SR方法的优越性。
引用
@article{arxiv.2004.11814,
title = {Deep Interleaved Network for Image Super-Resolution With Asymmetric Co-Attention},
author = {Feng Li and Runming Cong and Huihui Bai and Yifan He},
journal= {arXiv preprint arXiv:2004.11814},
year = {2020}
}
备注
Accepted by the IJCAI-PRICAI 2020