【图像超分辨率重建】——RCAN论文精读笔记

原创

已于 2022-10-31 09:11:48 修改 · 1.8k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #计算机视觉 #人工智能

于 2022-10-30 16:19:27 首次发布

本文介绍了用于图像超级分辨率的残差通道注意网络（RCAN）。提出RIR结构构建更深网络，让低频信息绕过，使主网络专注高频信息；还提出通道注意力机制CA，自适应重新划分通道特征。大量实验证明，RCAN在图像超分和物体识别上效果良好。

2018-Image Super-Resolution Using Very Deep Residual Channel Attention Networks(RCAN)

基本信息

作者： Yulun Zhang, Kunpeng Li, KaiLi, Lichen Wang, BinengZhong, and Yun Fu
期刊： ECCV
引用： *
摘要： 卷积神经网络（CNN）的深度对于图像超级分辨率（SR）来说是至关重要的。然而，我们观察到，用于图像超分辨率的深度网络更难训练。低分辨率的输入和特征包含丰富的低频信息，这些信息在不同的通道上被同等对待，因此阻碍了CNN的表示能力。为了解决这些问题，我们提出了非常深入的残差通道注意网络（RCAN）。具体来说，我们提出了一种残差（RIR）结构来形成非常深的网络，它由几个具有长跳过连接的残差组组成。每个残差组包含一些具有短跳过连接的残差块。同时，RIR允许丰富的低频信息通过多个跳过连接被绕过，使主网络专注于学习高频信息。此外，我们提出了一种通道关注机制，通过考虑通道之间的相互依赖性，自适应地重新划分通道的特征。广泛的实验表明，与最先进的方法相比，我们的RCAN实现了更好的准确性和视觉改善。