用于单图像超分辨率的混合残差注意力网络
计算机视觉与模式识别
2019-10-23 v1 机器学习
图像与视频处理
摘要
卷积神经网络（CNN）特征的提取与合理利用对图像超分辨率（SR）性能有显著影响。尽管CNN特征同时包含空间与通道信息，当前SR深度技术常因仅使用空间或通道信息之一而难以最大化性能。此外，它们将此类信息整合于深或宽网络中，而非利用所有可用特征，最终导致高计算复杂度。为解决这些问题，我们提出二值化特征融合（BFF）结构，以有效利用从残差组（RG）提取的特征。每个残差组（RG）由多个混合残差注意力块（HRAB）组成，在单一块中有效整合了多尺度特征提取模块与通道注意力机制。此外，我们使用具有不同膨胀因子的膨胀卷积来提取多尺度特征。我们还提议采用全局、短与长跳跃连接及残差组（RG）结构，以在不丢失重要特征细节的情况下简化信息流动。在文中，我们将此整体网络架构称为混合残差注意力网络（HRAN）。实验中，我们在定量与定性比较上均观察到本方法相对于SOTA方法的效能。
引用
@article{arxiv.1907.05514,
title = {Hybrid Residual Attention Network for Single Image Super Resolution},
author = {Abdul Muqeet and Md Tauhid Bin Iqbal and Sung-Ho Bae},
journal= {arXiv preprint arXiv:1907.05514},
year = {2019}
}
备注
12 pages, 5 figures