用于单图像超分辨率的多粒度注意力网络
图像与视频处理
2019-10-01 v2 计算机视觉与模式识别
摘要
深度卷积神经网络(CNN)在图像超分辨率(SR)中备受关注。近来，利用特征重要性与上下文线索的视觉注意力机制被引入图像 SR，并被证明能有效提升基于 CNN 的 SR 性能。本文对 SR 模型中的注意力机制进行了深入研究，并阐明了针对这些思想的简单而有效的改进如何提升 SOTA。我们进一步提出一种称为“多粒度注意力网络(MGAN)”的统一方法，充分利用多尺度与注意力机制在 SR 任务中的优势。在我们的方法中，每个神经元的重要性依据其周围区域以多粒度方式计算，并用于自适应地重缩放特征响应。更重要的是，先前方法中的“通道注意力”与“空间注意力”策略本质上可视为我们所提方法的两种特例。我们还引入多尺度稠密连接，以多尺度提取图像特征，并通过稠密跳跃连接捕获不同层特征。在基准数据集上的消融研究证明了方法的有效性。与其他 SOTA SR 方法相比，我们的方法在精度与模型规模上均展现出优越性。
引用
@article{arxiv.1909.11937,
title = {Multi-grained Attention Networks for Single Image Super-Resolution},
author = {Huapeng Wu and Zhengxia Zou and Jie Gui and Wen-Jun Zeng and Jieping Ye and Jun Zhang and Hongyi Liu and Zhihui Wei},
journal= {arXiv preprint arXiv:1909.11937},
year = {2019}
}