基于多尺度残差注意力网络的壁画图像超分辨率重建算法

发布时间：2021-04-16 19:02

　　壁画图像具有结构细节丰富,纹理复杂、色彩多变的特点,而基于卷积神经网络的图像超分辨率算法重建的壁画图像存在纹理模糊和边缘锯齿效应的问题。因此,提出了一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法。首先,通过多尺度映射单元,用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征图输入残差通道注意力块,使网络从全局信息出发对各个特征图进行权值优化,增强网络模型的深度映射能力;最后,在网络末端引入亚像素卷积层,重新排列像素,得到重建的高分辨率壁画图像。实验结果表明,本算法可以减小重建误差,增强重建壁画图像的边缘及结构信息,使重建的壁画图像纹理细节更丰富。 

【文章来源】：激光与光电子学进展. 2020,57(16)北大核心CSCD

【文章页数】：8 页

【部分图文】：

残差块结构图

在不增加特征维度的前提下，对特征通道间的非线性相关性进行建模，以增强网络的深度表达能力。采用特征重新标定策略[14]，通过学习的方式自动获取每个特征通道的重要程度，从而实现特征通道的自适应校准，通道注意力机制结构如图2所示。使用全局平均池化方法[15]将网络上一级输入的特征通道空间信息转换为通道描述符，并将其设置为x=[x1，…，xc-1,xc]的输入，其具有尺寸为H×W的c个特征映射。通道统计z∈Rc可以通过空间维度H×W收缩x得到，Rc为特征映射图进行全局平均池化后的特征通道，z的第c个元素可表示为

通过结合GoogleNet[16]中的Inception block和Resnet中的Residual learning block，拓展了网络的宽度和深度，以增强模型的特征提取能力，提升壁画图像重建的质量。该网络的构如图3所示。4.1 特征提取

【参考文献】：
博士论文
[1]古代壁画图像保护与智能修复技术研究[D]. 刘建明.浙江大学 2010



本文编号：3141997