基于全局密集特征融合卷积网络的单图像超分辨率(Single Image Super-Resolution Based on GlobalDense Feature Fusion Convoluti)

本文提出了一种全局密集特征融合卷积网络(DFFNet),用于单图像超分辨率(SISR)。DFFNet通过特征融合块(FFblock)直接获取和融合全局特征,解决了传统方法中层次特征利用率低的问题。实验表明,DFFNet在SISR任务上表现出与最新方法相当甚至更好的性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

摘要:深度神经网络 (dnn) 最近在单图像超分辨率 (SISR) 中得到了广泛的应用,并取得了巨大的成功。但是,大多数基于dnn的SISR方法都没有充分利用层次特征。后续层无法直接读取特征,因此,先前的分层信息对后续层输出的影响很小,并且性能相对较差。为了解决这个问题,提出了一种新颖的全局密集特征融合卷积网络 (DFFNet),该网络可以充分利用全局中间特征。特别地,引入了特征融合块 (FFblock) 作为基本模块。每个块可以直接从先前的块中读取原始的全局特征,然后以整体的方式学习特征之间的特征空间相关性和通道相关性,从而形成连续的全局信息存储机制。基准测试的实验表明,所提出的方法DFFNet与最新方法相比具有良好的性能

引言

图像超分辨率,尤其是单图像超分辨率 (SISR),是计算机任务中的经典问题。它旨在从降级的低分辨率 (LR) 图像中重建视觉上令人愉悦的高分辨率 (HR) 图像。SISR已应用于各种领域,例如面部识别,医学成像和监视系统 [1,2]。HR图像与LR图像之间的关系是基于这种情况的,因此,SISR是一个高度不适定的逆问题。一个常见的假设是,LR图像是HR图像的双三次下采样版本,但是在实际应用中,还需要考虑许多其他因素。

SISR方法大致可以分为三类: 插值方法,基于重建的方法和基于学习的方法 [3-7]。随着深度学习 (DL) 在图像处理中越来越流行 [8-11],Dong等人 [12] 首次引入了名为SRCNN的卷积神经网络来解决SISR问题。Kim等人 [13] 用20个卷积层制作了一个更深的网络,名为VDSR [13],同时使用跳过连接来简化训练。Kim等人 [14] 还

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一壶浊酒..

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值