基于残差通道注意力和多级特征融合的图像超分辨率重建

席志红; 袁昆鹏

doi:doi:10.3788/LOP57.041504

激光与光电子学进展, 2020, 57 (4): 041504, 网络出版: 2020-02-20

基于残差通道注意力和多级特征融合的图像超分辨率重建下载： 1232次

Super-Resolution Image Reconstruction Based on Residual Channel Attention and Multilevel Feature Fusion

席志红 ^*袁昆鹏

作者单位

哈尔滨工程大学信息与通信工程学院, 黑龙江哈尔滨 150001

图 & 表

图 1. ESPCN网络结构图

Fig. 1. Structure of ESPCN network

下载图片查看原文

图 2. VDSR网络结构图

Fig. 2. Structure of VDSR network

下载图片查看原文

图 3. 本文算法的网络结构图

Fig. 3. Network structure of proposed algorithm

下载图片查看原文

图 4. 递归单元模块。(a)递归单元模块的组成;(b)残差通道注意力;(c)多级特征融合

Fig. 4. Recursive unit module. (a) Recursive unit module composition; (b) residual channel attention; (c) multilevel feature fusion

下载图片查看原文

图 5. Set5测试集下不同层数时PSNR均值随迭代次数的变化

Fig. 5. Variation of mean PSNR with the number of iterations for different layers at Set5 test set

下载图片查看原文

图 6. Set5测试集下不同网络结构的参数数量与PSNR均值的关系

Fig. 6. Relationship between number of parameters of different network structures and mean PSNR at Set5 test set

下载图片查看原文

图 7. Set5测试集下不同方法的运行时间与PSNR均值之间的关系

Fig. 7. Relationship between run time of different methods and mean PSNR at Set5 test set

下载图片查看原文

图 8. 采用不同算法恢复出来的斑马图像

Fig. 8. Comparison of zebra image recovered with different algorithms

下载图片查看原文

图 9. 采用不同算法恢复出来的ppt图像的对比

Fig. 9. Comparison of ppt image recovered with different algorithms

下载图片查看原文

表 1在Set5测试集下不同RCAF模型组件的PSNR均值

Table1. Means PSNR of different RCAF model components at Set 5 test set

Multilevelfeature fusion	Residualchannel attention	PSNR
√	√	31.61
×	√	31.35
√	×	31.40
×	×	30.94

查看原文

表 2测试集Set5、Set14、BSD100下不同算法的PSNR均值

Table2. Mean PSNR of different algorithms at Set5, Set14, and BSD100 test sets

Test set	Scale	Bicubic	SRCNN^[8]	ESPCN^[10]	FSRCNN^[9]	VDSR^[11]	RCAF
	2	33.68	36.19	36.38	36.45	37.34	37.62
Set5	3	30.45	32.46	32.71	32.59	33.47	34.00
	4	28.46	30.15	30.29	30.42	30.78	31.61
	2	30.21	32.10	32.20	32.21	32.82	33.24
Set14	3	27.51	28.99	29.12	29.12	29.51	29.87
	4	25.98	27.23	27.17	27.43	27.62	28.11
	2	29.43	30.88	30.93	31.24	31.51	31.81
BSD100	3	27.08	28.06	28.16	28.25	28.43	28.72
	4	25.84	26.63	26.59	26.85	26.87	27.18

查看原文

表 3测试集Set5、Set14、BSD100下不同算法的SSIM均值

Table3. Mean SSIM of different algorithms at test sets Set5, Set14, and BSD100

Dataset	Scale	Bicubic	SRCNN^[8]	ESPCN^[10]	FSRCNN^[9]	VDSR^[11]	RCAF
	2	0.931	0.955	0.957	0.957	0.958	0.963
Set5	3	0.869	0.911	0.915	0.912	0.919	0.930
	4	0.810	0.862	0.863	0.866	0.875	0.893
	2	0.869	0.958	0.960	0.963	0.910	0.964
Set14	3	0.774	0.884	0.887	0.892	0.827	0.897
	4	0.702	0.821	0.823	0.827	0.759	0.842
	2	0.844	0.880	0.883	0.887	0.892	0.897
BSD100	3	0.740	0.776	0.781	0.780	0.793	0.797
	4	0.670	0.692	0.694	0.701	0.719	0.720

查看原文

席志红, 袁昆鹏. 基于残差通道注意力和多级特征融合的图像超分辨率重建[J]. 激光与光电子学进展, 2020, 57(4): 041504. Zhihong Xi, Kunpeng Yuan. Super-Resolution Image Reconstruction Based on Residual Channel Attention and Multilevel Feature Fusion[J]. Laser & Optoelectronics Progress, 2020, 57(4): 041504.

基于残差通道注意力和多级特征融合的图像超分辨率重建下载： 1232次

图 1. ESPCN网络结构图

Fig. 1. Structure of ESPCN network

图 2. VDSR网络结构图

Fig. 2. Structure of VDSR network

图 3. 本文算法的网络结构图

Fig. 3. Network structure of proposed algorithm

图 4. 递归单元模块。(a)递归单元模块的组成;(b)残差通道注意力;(c)多级特征融合

Fig. 4. Recursive unit module. (a) Recursive unit module composition; (b) residual channel attention; (c) multilevel feature fusion

图 5. Set5测试集下不同层数时PSNR均值随迭代次数的变化

Fig. 5. Variation of mean PSNR with the number of iterations for different layers at Set5 test set

图 6. Set5测试集下不同网络结构的参数数量与PSNR均值的关系

Fig. 6. Relationship between number of parameters of different network structures and mean PSNR at Set5 test set

图 7. Set5测试集下不同方法的运行时间与PSNR均值之间的关系

Fig. 7. Relationship between run time of different methods and mean PSNR at Set5 test set

图 8. 采用不同算法恢复出来的斑马图像

Fig. 8. Comparison of zebra image recovered with different algorithms

图 9. 采用不同算法恢复出来的ppt图像的对比

Fig. 9. Comparison of ppt image recovered with different algorithms

表 1在Set5测试集下不同RCAF模型组件的PSNR均值

Table1. Means PSNR of different RCAF model components at Set 5 test set

表 2测试集Set5、Set14、BSD100下不同算法的PSNR均值

Table2. Mean PSNR of different algorithms at Set5, Set14, and BSD100 test sets

表 3测试集Set5、Set14、BSD100下不同算法的SSIM均值

Table3. Mean SSIM of different algorithms at test sets Set5, Set14, and BSD100

关于本站 Cookie 的使用提示

全站搜索

基于残差通道注意力和多级特征融合的图像超分辨率重建 下载： 1232次

图 1. ESPCN网络结构图

Fig. 1. Structure of ESPCN network

图 2. VDSR网络结构图

Fig. 2. Structure of VDSR network

图 3. 本文算法的网络结构图

Fig. 3. Network structure of proposed algorithm

图 4. 递归单元模块。(a)递归单元模块的组成;(b)残差通道注意力;(c)多级特征融合

Fig. 4. Recursive unit module. (a) Recursive unit module composition; (b) residual channel attention; (c) multilevel feature fusion

图 5. Set5测试集下不同层数时PSNR均值随迭代次数的变化

Fig. 5. Variation of mean PSNR with the number of iterations for different layers at Set5 test set

图 6. Set5测试集下不同网络结构的参数数量与PSNR均值的关系

Fig. 6. Relationship between number of parameters of different network structures and mean PSNR at Set5 test set

图 7. Set5测试集下不同方法的运行时间与PSNR均值之间的关系

Fig. 7. Relationship between run time of different methods and mean PSNR at Set5 test set

图 8. 采用不同算法恢复出来的斑马图像

Fig. 8. Comparison of zebra image recovered with different algorithms

图 9. 采用不同算法恢复出来的ppt图像的对比

Fig. 9. Comparison of ppt image recovered with different algorithms

表 1在Set5测试集下不同RCAF模型组件的PSNR均值

Table1. Means PSNR of different RCAF model components at Set 5 test set

表 2测试集Set5、Set14、BSD100下不同算法的PSNR均值

Table2. Mean PSNR of different algorithms at Set5, Set14, and BSD100 test sets

表 3测试集Set5、Set14、BSD100下不同算法的SSIM均值

Table3. Mean SSIM of different algorithms at test sets Set5, Set14, and BSD100

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于残差通道注意力和多级特征融合的图像超分辨率重建下载： 1232次