典型文献
结合双注意力和结构相似度量的图像超分辨率重建网络
文献摘要：
针对低分辨率图像到高分辨率图像的映射函数解空间极大,导致超分辨率重建模型难以产生细致纹理的问题,本文提出一种结合双注意力和结构相似度量的图像超分辨率重建网络.以改进的U-Net网络模型作为基本结构,引入针对低级别视觉任务的数据增强方法,增加样本多样性.编码器部分由卷积层和自适应参数线性整流激活函数(Dynamic ReLU)组成.同时引入了一种残差双注意力模块(Residual Dual Attention Module,RDAM)与像素重组(PixelShuffle)模块共同构成解码器,通过上采样操作,逐级放大图像.为了使生成图像更加符合人眼视觉特性,采用了一种结合结构相似度量准则的损失函数,增强网络约束.实验结果表明:重建图像的质量对比SRCNN,在Set5、Set14、BSD100和Ur-ban100标准测试集上的平均PSNR提升约1.64 dB,SSIM提升约0.047.本文方法能够使重建的图像纹理细节更丰富,有效地减少了映射函数可能的解空间.
文献关键词：
超分辨率;U-Net网络;数据增强;双注意力;结构相似
中图分类号：
作者姓名：
黄友文;唐欣;周斌
作者机构：
江西理工大学信息工程学院,江西赣州341000
文献出处：
引用格式：
[1]黄友文;唐欣;周斌-.结合双注意力和结构相似度量的图像超分辨率重建网络)[J].液晶与显示,2022(03):367-375
A类：
RDAM,PixelShuffle,ban100
B类：
结构相似度,相似度量,图像超分辨率重建,重建网络,低分辨率图像,高分辨率图像,映射函数,解空间,Net,基本结构,低级,视觉任务,数据增强,增强方法,样本多样性,编码器,分由,卷积层,自适应参数,数线,整流,激活函数,Dynamic,ReLU,残差双注意力模块,Residual,Dual,Attention,Module,像素,解码器,上采样,逐级,成图,人眼视觉特性,结合结构,度量准则,损失函数,网络约束,重建图像,质量对比,SRCNN,Set5,Set14,BSD100,Ur,标准测试集,PSNR,dB,SSIM,图像纹理
AB值：
0.398851
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
