摘要：近年来,深度学习技术推动了图像超分辨率领域的进展。然而,现有的网络计算资源消耗量大,无法在移动端设备上进行应用。针对这一问题,提出了一种基于特征金字塔的轻量化图像超分辨率算法。在设计的特征金字塔提取模块中,采用通道分离和交叉融合的操作,提高特征的表达能力,更全面地捕捉不同特征间的关联。此外,设计了一种双分支的通道注意力机制,引导两个特征自适应性融合,同时引入残差结构让模型训练更加稳定。在Manga109数据集的2倍尺度的实验中,相比于SRCNN算法和IDN算法,提出的方法峰值信噪比(PSNR)分别提高了1.35 dB和0.18 dB,参数量相比IDN减少了43.76%。

摘要：单幅图像放大是一个病态问题,约束信息的不足令问题的解决难以有突破性的进展基于图像局部结构的相似性和在不同分辨率尺度上的相似保持,提出了利用局部结构相似性来约束超分辨率问题的思路 根据相似判断规则发现图像中的相似区域,根据相似程度生成多幅相似图像,从而可以利用图像序列超分辨率的算法来求解 文中使用最大后验概率估计方法,在最大后验概率意义下得到最优解实验表明,该算法用于存在着大量相似结构的图像超分辨率问题中有着很好的效果,譬如文字图像。

摘要：图像超分辨率算法目前最为通用的框架是基于Bayes估计的方法,其求解方法多归于重复背投影(插值)的迭代方法·在特定的成像条件下,基于训练的多核插值滤波器估计方法具有良好的效果·考虑采样过程对图像质量的影响,我们把多核插值滤波器估计方法引入到重复背投影的计算框架下,取得了优于单独使用一种方法的超分辨率结果·

摘要：轻量级卷积神经网络具有参数量较小、计算量较小、推理速度较快等特点,但性能受到极大限制.为了进一步提升轻量级图像超分辨率网络的性能,文中提出基于区域互补注意力和多维注意力的轻量级图像超分辨率网络.网络基本构件是双支路的多交互残差块,可有效融合多尺度特征.为了提高特征的利用率和表达能力,设计轻量且有效的区域互补注意力,使特征图不同区域的信息互相补充.同时设计多维注意力,分别在通道维和空间维建模像素间的依赖关系.实验表明文中网络性能较优,并将当前轻量级超分辨率网络的复杂度和性能平衡提升到一个较高水平.

摘要：深度卷积神经网络规模越大(更深和更宽),性能越好,对计算和存储能力的要求也越高,限制了其在资源受限设备上的应用,迫切需要轻量级(参数量较小)超分辨率网络.为此,提出一个特征频率分组融合的轻量级图像超分辨率网络模型.首先使用残差拼接块传递和融合局部特征;然后通过混合注意力块组合不同线索的特征,提高特征的表达能力;最后利用高频和低频特征分组融合块,融合高频和低频特征信息,提高超分辨率图像的恢复质量.在Pytorch环境下,利用DIV2K数据集对网络模型进行训练,使用Set5,Set14,B100,Urban100和Manga109数据集进行实验的结果表明,无论是主观视觉质量还是客观度量,所提网络模型在PSNR,SSIM和LPIPS方面均显著优于对比网络模型.

摘要：目前深度学习模式下的图像超分辨率重建存在对纹理感知不够精确、重建图像不够真实等问题,为了改善重建图像质量,提出一种基于多感受野拉普拉斯生成对抗网络的单幅图像超分辨率算法.首先,利用多感受野特征提取、可分离拉普拉斯滤波和复合残差密集块构建生成网络,使网络提取更全面的图像信息;其次,利用多维软标签对抗网络,可使生成对抗网络更容易训练且重建图像纹理更加丰富;最后,网络预训练采用L1损失函数和VGG低层特征,使重建图像获取整体特征,训练使用VGG高层特征、Charbonnier损失和生成损失,使重建结果更加精细,纹理更加充分.实验使用Div2k和Flickr2K进行模型训练,使用Set5等数据集进行测试.结果表明,该算法比USRNet等相关算法的网络规模减小40%,感知指数比USRNet平均降低0.76%,图像重建结果具有更多细节且真实性更强.

摘要：目的 图像超分辨率重建的目的是将低分辨率图像复原出具有更丰富细节信息的高分辨率图像。近年来,基于Transformer的深度神经网络在图像超分辨率重建领域取得了令人瞩目的性能,然而,这些网络往往参数量巨大、计算成本较高。针对该问题,设计了一种轻量级图像超分辨率重建网络。方法 提出了一种轻量级图像超分辨率的蓝图可分离卷积Transformer网络(blueprint separable convolution Transformer network,BSTN)。基于蓝图可分离卷积(blueprint separable convolution,BSConv)设计了蓝图前馈神经网络和蓝图多头自注意力模块。然后设计了移动通道注意力模块(shift channel attention block,SCAB)对通道重点信息进行加强,包括移动卷积、对比度感知通道注意力和蓝图前馈神经网络。最后设计了蓝图多头自注意力模块(blueprint multi-head self-attention block,BMSAB),通过蓝图多头自注意力与蓝图前馈神经网络以较低的计算量实现了自注意力过程。结果 本文方法在4个数据集上与10种先进的轻量级超分辨率方法进行比较。客观上,本文方法在不同数据集上取得了不同程度的领先,并且参数量和浮点运算量都处于较低水平。当放大倍数分别为2、3和4时,在Set5数据集上相比SOTA(state-of-theart)方法,峰值信噪比(peak signal to noise ratio,PSNR)分别提升了0.11 dB、0.16 dB和0.17 dB。主观上,本文方法重建图像清晰,模糊区域小,具有丰富的细节。结论 本文所提出的蓝图可分离卷积Transformer网络BSTN以较少的参数量和浮点运算量达到了先进水平,能获得高质量的超分辨率重建结果。

摘要：卷积神经网络已在图像超分辨率领域得到广泛应用,Transformer近年来在该类图像处理任务中的扩展更是具有里程碑的意义,然而这些大型网络具有过多的参数量和计算量,其在部署和应用上存在很大局限性。考虑到上述发展现状,提出一种基于交错组卷积与稀疏全局注意力的轻量级图像超分辨率重建网络,该网络引入了以交错组卷积为主的特征提取模块,对Transformer的多头自注意力机制进行优化,设计了一种稀疏全局注意力机制以增强特征学习能力,并提出了一种多尺度特征重构模块来提高重建效果。实验结果表明:相比其他几种基于深度神经网络的方法,所提方法的PSNR、SSIM、参数量、计算量等性能指标都表现较好。而与基于Transfomer的方法相比,所提方法在PSNR、SSIM指标上平均提高0.03、0.0002,在参数量、计算量、运行时间上平均降低2.66×10^(6)、130×10^(9)、930 ms。

摘要：目的现有医学图像超分辨率方法主要针对单一模态图像进行设计,然而在磁共振成像(magnetic resonance imaging,MRI)技术的诸多应用场合,往往需要采集不同成像参数下的多模态图像。针对单一模态的方法无法利用不同模态图像之间的关联信息,很大程度上限制了重建性能。目前超分辨率网络模型参数量往往较大,导致计算和存储代价较高。为此,本文提出了一个轻量级残差密集注意力网络,以一个统一的网络模型同时实现多模态MR图像的超分辨率重建。方法首先将不同模态的MR图像堆叠后输入网络,在低分辨率空间中提取共有特征,之后采用设计的残差密集注意力模块进一步精炼特征,再通过一个亚像素卷积层上采样到高分辨率空间,最终分别重建出不同模态的高分辨率图像。结果本文采用MICCAI(medical image computing and computer assisted intervention)BraTS(brain tumor segmentation)2019数据集中的T1和T2加权MR图像对网络进行训练和测试,并与8种代表性超分辨率方法进行对比。实验结果表明,本文方法可以取得优于对比方法的重建性能。相对于对比方法中性能最优的方法,本文方法在参数量低于对比模型的10%的情况下,当放大因子为2时,T1和T2加权模态的峰值信噪比(peak signal to noise ratio,PSNR)分别提高了0.1098 dB和0.4155 dB;当放大因子为3时,T2加权模态的PSNR提高了0.2959 dB,T1加权模态下降了0.0646 dB;当放大因子为4时,T1和T2加权模态的PSNR分别提高了0.2693 dB和0.0429 dB。结论本文提出的轻量级超分辨率网络能够充分利用不同模态MR图像之间的关联信息,同时获得各输入模态图像高质量的超分辨率重建结果。

摘要：为了获得更好的图像超分辨率重建质量,提高网络训练的稳定性,对生成对抗网络、损失函数进行研究。首先,介绍了SRGAN和DenseNet,并设计了基于DenseNet的生成网络用以生成图像,且将子像素卷积模块加入到DenseNet中。接着,移除了原本DenseNet中冗余的BN层,提高了模型的训练效率。最后,介绍了SRGAN的损失函数并基于Earth-Mover距离来重新设计损失函数,并且用SmoothL1损失取代MSE损失来计算VGG特征图,以防止MSE放大最大误差和最小误差间的差距。实验证明该模型在网络训练过程中能够达到稳定收敛的状态。重建出的图像质量对比SRGAN,在3个基准测试集SET5,SET14,BSD100上的平均PSNR要高约2.02 dB,SSIM高约0.042(5.6%)。重建出的图像不仅在指标上有所提升,且拥有更好的清晰度,高频细节更为丰富。