计算机工程

作者：杨郅树, 梁佳楠, 曹永军, 钟震宇, 何永伦

单位：1. 五邑大学智能制造学部, 广东 江门 5290202. 广东省科学院智能制造研究所广东省现代控制技术重点实验室, 广东 广州 5100703. 华南理工大学机械与汽车工程学院, 广东 广州 511442

关键词：超分辨率重建,轻量级网络,局部卷积,多尺度融合,长依赖关系

基金：佛山市重点领域科技攻关项目(2020001006827); 广州市科技计划项目(202206010052)

目前基于深度学习的超分辨率重建网络存在卷积运算冗余、图像重建信息不完整、模型参数庞大等问题,限制了其在边缘设备上的适用性。针对上述问题,提出一种轻量级的局部分离与多尺度融合图像超分辨率重建网络,该网络利用局部卷积对图像进行特征提取,通过分离部分图像通道,在减少网络冗余计算的同时保持图像重建的质量。设计一种多尺度特征融合模块,在空间维度学习长依赖特征,并采用一个通道注意力增强组在空间维度捕获空间特征,减少图像重建信息的丢失,有效恢复图像的细节纹理。由于多尺度特征融合模块更多地是从全局角度进行特征提取融合,因此构建一种高效反残差模块补充网络的局部上下文信息提取能力。在Set 5、Set 14、B 100、Urban 100、Manga 109这5个基准数据集上的实验结果表明,当尺度因子为2、3、4倍时,该网络的参数量分别为373 000、382 000、394 000,FLOPs分别为84.0×109、38.1×109、22.1×109。与VDSR、IMDN、RFDN、RLFN等网络相比,该网络在较少网络参数的情况下,能够保证图像重建效果。

来源：2024年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第7期