一种自适应权重学习的轻量超分辨率重建网络

近年来,基于深度卷积神经网络的单幅图像超分辨率重建方法取得了令人瞩目的 成果.基于像素级注意力网络的图像超分辨率重建方法能够在极小的参数量下获得良好的重建性能,是目前最先进的轻量化超分辨率重建方法之一.但是,受到各模块参数量的限制,像素级注意力网络训练缓慢和收敛条件苛刻的问题变得日益突出.针对这些问题,提出了一种基于自适应权重学习的轻量化超分辨率重建网络.该网络使用多个自适应权重模块组成非线性映射网络,每个模块能够提取到不同层级的特征信息,在每个自适应权重模块中,利用注意力分支和无注意力分支分别获取相应信息,再通过自适应权重融合分支进行整合.使用特定的卷积层拆分和融合两条分支,大幅降低了注意力分支和无注意力分支的参数量,使网络在参数量与性能之间达到相对平衡.在标准数据集上的实验证明,所提出方法在降低模型参数量的同时,峰值信噪比和结构相似度两种客观质量评价指标均优于同类先进方法,该方法能够重建更准确的纹理细节,得到更好的视觉效果,证明了该方法的有效性.