轻量化逆可分离残差信息蒸馏网络的图像超分辨率重建
Lightweight Inverse Separable Residual Information Distillation Network for Image Super-Resolution Reconstruction作者机构：兰州理工大学电气工程与信息工程学院兰州730050 兰州理工大学甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验教学中心兰州730050
出 版 物：《模式识别与人工智能》 (Pattern Recognition and Artificial Intelligence)
年 卷 期：2023年第36卷第5期
页 面：419-432页
核心收录：
学科分类：0710[理学-生物学] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：国家重点研发计划项目(No.2020YFB1713600) 国家自然科学基金项目(No.61763029)资助
主 题：卷积神经网络 超分辨率 残差网络 注意力机制 信息蒸馏
摘 要：基于深度学习的图像超分辨率重建算法的性能需求导致急剧增加的参数量与高额的计算成本,这限制超分辨率重建在移动设备上的应用.针对此问题,文中提出轻量化逆可分离残差信息蒸馏网络的图像超分辨率重建算法.首先,设计渐进可分离蒸馏重洗模块,进行多重信息蒸馏,在提取多层次特征的同时保持模型轻量化,使用多个特征提取连接,学习更具区别性的特征表示,以便网络能从蒸馏中获得更多有益信息.然后,设计对比感知坐标注意力模块,充分利用通道感知与位置敏感信息,增强特征选择能力.最后,提出逐步补偿残差连接方式,提高浅层特征的利用率,补偿网络的纹理细节特征.实验表明,文中算法在模型复杂性与重建性能之间实现较好的均衡,重建的高分辨率图像主客观质量都很优秀.
维普期刊数据库
同方期刊数据库