基于极深残差通道注意力网络的图像超分辨率
计算机视觉与模式识别
2018-07-16 v2
摘要
卷积神经网络(CNN)的深度对图像超分辨率(SR)至关重要。然而,我们观察到用于图像SR的更深网络更难训练。低分辨率输入与特征包含丰富的低频信息,这些信息在各通道间被同等对待,从而阻碍了CNN的表征能力。为解决这些问题,我们提出了极深残差通道注意力网络(RCAN)。具体而言,我们提出残差中的残差(RIR)结构来构建极深网络,该结构由若干带有长跳跃连接的残差组组成。每个残差组包含一些带有短跳跃连接的残差块。同时,RIR允许丰富的低频信息通过多个跳跃连接被旁路,使主网络专注于学习高频信息。此外,我们提出通道注意力机制,通过考虑通道间的相互依赖关系来自适应地重新缩放通道特征。大量实验表明,我们的RCAN相比当前最优方法取得了更好的精度与视觉改善。
引用
@article{arxiv.1807.02758,
title = {Image Super-Resolution Using Very Deep Residual Channel Attention Networks},
author = {Yulun Zhang and Kunpeng Li and Kai Li and Lichen Wang and Bineng Zhong and Yun Fu},
journal= {arXiv preprint arXiv:1807.02758},
year = {2018}
}
备注
To appear in ECCV 2018