适应性残余频道关注网络单一图像超分辨率

文摘

单一图像超分辨率(SISR)是一种传统的图像恢复问题。给定一个图像分辨率较低(LR) SISR的任务是找到相应的高分辨率(人力资源)的形象。作为一个不适定问题,有适合SISR问题从不同的观点。最近,深度学习已经显示出其惊人的性能在不同的图像处理任务。有适用于基于卷积神经网络(CNN)的图像超分辨率。在本文中,我们提出一种自适应剩余通道关注网络图像超分辨率。我们首先分析剩余连接结构的限制,提出一种自适应设计合适的特征融合。除了自适应连接,频道关注调整的重要性提出了分布在不同的频道。一种新颖的自适应剩余通道注意块(ARCB)与信道提出了关注和自适应连接。然后,提出了一种简单而有效的高档街区设计不同的尺度。 We build our adaptive residual channel attention network (ARCN) with proposed ARCBs and upscale block. Experimental results show that our network could not only achieve better PSNR/SSIM performances on several testing benchmarks but also recover structural textures more effectively.

1。介绍

超分辨率(SR)在图像恢复领域是一个重要的问题。的任务单图像超分辨率(SISR)是找到高分辨率(人力资源)从低分辨率图像(LR)图像。因为它是一个不适定问题,有潜在的高分辨率图像对应于一个相同的低分辨率图像。SISR方法有实际应用,如视频质量增强、遥感图像处理、和核磁共振分析。找到最合适的人力资源图片,有各种方法SISR问题和其他图像恢复任务。

深度学习已经显示出其惊人的性能在各种任务1- - - - - -5]。如今,有基于卷积神经网络(CNN)——作品关注SISR问题。据我们所知,SRCNN [6)是第一个使用图像超分辨率的三层CNN。SRCNN之后,东等人提出FSRCNN [7)与一个更深的但窄网络,取得了更好的性能和更少的时间成本。通常,当网络是更深层次的,性能会更好。VDSR [8金等人提出的)使用了一个很深的网络设计与全球剩余的学习。灵感来自VDSR和剩余连接,EDSR [9]Lim等人提出的一个增强的深层网络申请SISR问题残块。除了EDSR, MDSR [9)设计一个高档模块对不同比例共同因素。出于拉普拉斯算子的结构金字塔,赖昌星等人提出LapSRN [10渐进结构)。类似于MDSR,进步LapSRN高档图像同时与不同的缩放因子。递归结构能有效地扩大接受字段和充分利用共享参数。DRCN [11]Ghifary等人提出的共享使用卷积层增加接受字段。DRRN [12)大等人提出的结合残留和递归结构,取得了良好的表现。

ResNet [13他等人提出的)已经被证明是成功的网络设计。ResNet,提出了一种残块图像分类和超出有效梯度流。有适合超分辨率的残块。EDSR堆叠残块全球快捷方式建立很深的网络。RDN [14张等人提出的)引入了剩余密度块(RDB)功能融合,实现良好的性能。除了RDN, RCAN [15]提出的张等人设计了一个residual-in-residual结构来构建网络更深。有一个快捷方式在剩余块:添加特征图谱处理之前和之后被认为是最终结果。事实上,上面的方法应用一个固定比率平衡两部分,不区分不同的重要性。

注意用于模拟人类大脑。看照片时,人类的大脑通常集中在更重要的领域。有关注图像处理任务的方法。SENet [16]提出的胡锦涛等人介绍了一个通道的注意力分配渠道重要性的方法。SENet需要一些参数,这对于不同的网络设计是灵活的。我们所知,RCAN15)是第一个图像超分辨率处理通道的注意机制。RCAN之后,IMDN [17]回族等人提出的修改了香草频道关注层与一些参数,取得了良好的表现。圣(18戴等人提出的)引入了一个二阶的注意机制与渠道和外地的关注。

在本文中,我们提出一个新颖的自适应剩余通道注意块(ARCB)图像超分辨率。不同于香草残块,一种自适应权重从成对结合的数据信息的主要路径和快捷方式。考虑到不同渠道的重要性在残块,频道注意介绍了ARCB重量分布的通道。除了块设计,近期作品设计专用高档模块不同的缩放因子。在本文中,我们介绍一个简单但有效的通用高档街区设计不同的因素。自适应残余频道关注网络(ARCN)设计基于ARCBs和提出高档街区。实验是进行一些测试基准。结果表明,我们的ARCN不仅可以实现更好的性能在PSNR值/ SSIM比较还复杂的结构性纹理更有效地恢复。

本文的贡献可以证明如下:(1)我们提出一个新的块名叫ARCB频道关注机制。在ARCB,我们提出一种自适应的残留与权重。体重因素能找到合适的比率从不同的路径组合信息。频道关注机制ARCB分配不同的权重更关注重要的信息渠道。(2)我们提出一个微小的但有效的高档块设计方法。提出的设计,我们的网络可以灵活喻不同比例因素。(3)实验结果表明,我们建议的ARCN达到更好的PSNR / SSIM结果在几个测试基准和复苏比其他方法更复杂的结构纹理。

2。相关的工作

2.1。单一图像超分辨率

让和分别表示LR和人力资源图像;退化的观测模型步骤可以被描述为 在哪里 表示退化和n表示噪音。通常退化模型选为bicubic-down与不同比例的因素。鉴于 ,的任务单图像超分辨率(SISR)是找到对应 。然而,有几个潜在的人力资源退化图像相同的LR形象。由于SISR是一个不适定问题,挑战是找到解决方案。

卷积神经网络(CNN)被证明是一个有效的工具,图像恢复(1- - - - - -5]。最近,有适合SISR CNN-based问题[19,20.]。我们所知,SRCNN6东等人提出的)是第一个深度学习为SISR工作。在SRCNN卷积有三层,对应于稀疏编码方法的三个步骤:特征提取、非线性映射和恢复。SRCNN之后,FSRCNN [7)在东等人提出了更深层次的网络申请SISR问题。不同于SRCNN FSRCNN使用反褶积层高档功能映射。通过收缩和扩展模块,FSRCNN减少了参数的数量和构建网络更深,更快。ESPCN [21施等人提出的)引入了一个像素调整层来代替反褶积层升级。FSRCNN相似,有几个卷积层处理LR特征图。ESPCN年底,卷积层改变特征图的通道数量,和像素洗牌层进行空间变换。从实践经验,更深层次的网络通常会导致更好的性能。VDSR [8金等人提出的]应用一个很深的卷积二十层的网络和全球剩余连接。此外,批正常化(BN)是用于VDSR提高性能。保存地图的分辨率特性,零填充策略应用于VDSR。红色(22]提出的毛泽东等人介绍了对称encoder-decoder结构与卷积和反褶积层。将信息传输到底层,剩余块之间的连接设计。

更深层次的网络将会导致大量的参数。递归设计共享参数选项之一来构建轻量级的网络。SISR有递归网络问题。DRCN [11]Ghifary等人提出的应用分享卷积层扩大接受域有限的参数。在DRCN SRCNN相似,有三个模块。嵌入网络提取输入图像的特征图谱。特征提取后,推理网络与共享参数进行非线性映射。最后,网络恢复重建人力资源特征图的图像。提高网络性能,跳过连接DRCN学习残留信息。DRRN [12]提出的大等人设计了一个递归的残留与共享参数,以防止梯度消失。通过使用递归设计和共享参数,DRRN 52-layer网络构建与一些参数和比VDSR表现更好。

最近,有良好的工作表现关注不同块设计和网络管道(23- - - - - -27]。密集的连接已经被证明有效的图像超分辨率(23,25,26]。SRDenseNet [28通等人提出的)介绍了致密连接SISR问题和连接所有特征图谱作为最终输出。有四个在SRDenseNet组件。首先,一个卷积层被用来提取底层特征。提取后,一些密集的街区被用来提取高级特性。反褶积层用于高档特征图。最后,卷积层应用于人力资源图片生产。SRResNet [29日)与跳过剩余块使用连接建立深度网络获得更好的性能。EDSR [9林等人提出的)删除冗余批从SRResNet归一化层,建立更深层次的网络。剩余连接已经被证明是一种有效的设计更好的网络性能。RDN [14张等人提出的)引入了剩余密度块叫RDB结合两种结构。通过叠加rdb全球功能融合,深层网络RDN取得了良好的性能。MSRN [30.李等人提出的]引入了多尺度残块结合残和盗梦空间块。全球融合结构应用于MSRN特征提取。建立更深层次的网络小说residual-in-residual结构提出了RCAN [15),这被证明是成功的。

2.2。注意机制

注意机制是人类大脑模拟首先提出的。看一个图像或读一个句子时,重要领域将更加关注。有不同的注意方法用于图像处理。有四个种类的注意机制:item-wise软的注意,item-wise硬的注意,位置方面软的注意,和位置方面的关注。item-wise注意力和位置方面注意的区别是输入表单。顺序item-wise所需物品的特别重视,地图位置方面需要注意一个特性。从另一个角度看,注意可以分离为软、硬的注意。软的关注更关注于不同领域和渠道。训练后,柔软的关注将生成的网络。除了柔软的注意力,注意力更集中在不同的像素。 Hard attention is a random prediction procedure, which is usually implemented by reinforcement learning.

空间网络变压器(STN) (31日)是一个关注在空间域方法。在STN,信息从起源图像变成了另一个空间与要点。作者提出了一种空间转换变压器模块。也有适合渠道领域的关注。SENet [16]提出的胡锦涛等人介绍了一个通道的注意力的方法多集中在重要的渠道。在SENet squeeze-and-excitation (SE)模块提出了自动学习不同渠道的重要性。在SE模块,挤压操作首先介绍了全球通道特性。挤压后,励磁模块用于学习渠道之间的关系。有两个完整的连接层ReLU激活在励磁模块。最后,扩展模块应用激发后重新调整地图的功能。SENet关注进口渠道,对于不同区域的特征图谱一视同仁。考虑全球信息特征图,非局部神经网络(32]介绍了远程依赖注意块为更好的性能。然而,提出了非局部块需要更多的内存和高成本计算的复杂性。

3所示。方法

在本节中,我们将描述该ARCN。ARCN,一种自适应剩余通道注意块名叫ARCB提出组成网络。ARCB适应性因素对不同信息的重要性是学习而训练。自适应剩余连接后,频道频道关注机制分配权重,认为从另一个角度的重要性。ARCN的主体是由几个ARCBs和填充结构。全球剩余跳过连接介绍ARCN学习。主体后,一个有效的和小高档模块是专为改变比例因素灵活。我们将介绍提出ARCN以以下方式:首先,网络设计将被描述。描述后,ARCB将频道关注讨论的细节。详细介绍灵活的高档街区将遵循ARCB的描述。 Finally, some comparisons will be done with other SISR works.

3.1。网络设计

整个网络结构如图1。

在提出ARCN有三个模块。首先,特征提取模块从输入LR图像提取特征图。特征提取后,非线性映射模块处理功能从LR空间映射到人力资源空间。跳过连接全球剩余应用于非线性映射模块学习。最后,恢复模块和一个灵活的高档块恢复特性提出的人力资源的图像地图。

有一个卷积层特征提取模块。层从LR提取底层特征图像和地图构建功能。让特征提取模块;然后操作可以证明 在哪里表示输入LR图像。

特征提取后,几个ARCBs应用于非线性映射模块映射特性从LR空间映射到人力资源空间。让我们表示k ARCB的输出;然后是 在哪里表示k ARCB的操作。

K块后,有一个填充结构由两个卷积层ReLU激活。填充结构用于提高网络深度和重量信息从主路径为全球剩余的学习。填充结构的操作和全球剩余学习可以证明 在哪里表示填充结构和人力资源代表填充后的特征图谱。

最后,一个有效的高档块应用于恢复模块。在恢复模块,最后人力资源形象恢复从加工特征图。可以证明是恢复的操作模块 在哪里表示高档街区。

3.2。自适应剩余连接块

ARCB介绍网络自适应剩余连接和频道的关注。提出ARCB如图的插图2(b)。

有两个卷积层ReLU ARCB激活。不同于ResBlock,用于大多数SISR作品,一个通道层设计卷积后层的关注。注意层权重来自不同渠道的信息。之后,学习适应性的因素用于规模加工特征图。

让和分别表示主处理路径和关注层;之后的操作kth ARCB可以证明 在哪里表示自适应因子时所学到的培训。

自适应因子是ResBlock和ARCB之间的主要差异之一。在香草ResBlock信息混合物从两条路径的比例是固定的。然而,它并不区分不同信息的重要性。在提出ARCB、体重因素是一种可习得的参数。换句话说,这个比例会调整由于训练数据,哪个更适合信息融合。

另一个主要区别香草ResBlock ARCB是频道的关注。卷积层平等对待来自不同渠道的信息。更专注于重要的渠道,注意介绍ARCB频道。通道的结构如图3。

从图3,全球平均连接池是首先应用于信息估计。有一个假设,当特征图谱更复杂,更重要的信息。从这个角度来看,全球平均池操作可以快速、有效地提取信息。特征提取后,squeeze-and-excitation设计介绍了非线性映射。在挤压步骤中,蒸馏通道数量减少的信息。最重要的信息将加权后的挤压。然后,励磁模块保存频道号码一样的起源特征图。最后,采用乙状结肠激活和一个点乘法分配不同的重要渠道之一。

让我们表示的和输入和输出通道的关注。通道的操作注意机制可以证明 在哪里表示乙状结肠激活;和表示紧缩和励磁模块。之间有一个ReLU激活紧缩和励磁模块。这两个模块的连接层。

有一个s形的激活和激励之间的乘法。一方面,它将有利于非线性。另一方面,乙状结肠激活将重量转换成是负的。由于没有消极的人类视觉系统,它的目的是适应生物过程。

3.3。灵活的高档街区

高档街区是广泛应用于各种适合SISR问题,从而增加特征图的分辨率和恢复最后人力资源形象。有不同的高档街区设计不同比例因素没有一个统一的模式。在本文中,我们提出了一个灵活的高档街区设计模式。提出设计,结构可以很容易地修改为不同的缩放因子。我们提出的结构灵活的高档街区图所示4。

如图4有三个传统高档街区设计:A、B和C (30.]。在一个非线性高档设计介绍ReLU激活。B设计消除了ReLU激活但卷积和pixel-shuffle层。此外,设计C使用反褶积来代替pixel-shuffle层。不同形式的其它作品一样,只有一个卷积层与pixel-shuffle层提出了高档街区。

有两种使用灵活的高档街区设计的好处。一方面,只有一个卷积层块,保存参数,降低了计算的复杂性。另一方面,当改变比例因子,只有修改的块卷积的频道数层。改变后,网络的主体可以find-tuned几个迭代的新因素。

有一个主要区别和其他人提出的块。在其他的设计,有一个卷积层后pixel-shuffle或反褶积层。通常,它是用来恢复人力资源图像特征图3通道。然而,在我们的提议,提出的恢复是唯一卷积层。一方面,它是对应于特征提取模块,也只有一个卷积层组成。

介绍了详细设计,有不同的比例因素的例子。特殊的配置如表所示1。注意,当比例因子改变,唯一修改频道号码。从这个角度来看,提出了不同因素高档街区是灵活的。

4所示。讨论

(1)区别DRDN [33:在DRDN,有密集的街区(DB)结构特性开发。整个DRDN持有全球剩余密度连接设计有效过程的特性。在ARCN,全球和当地剩余连接是用来处理功能。ARCN没有密集的联系,这是为了缩小数字频道。没有渠道的关注和DRDN没有自适应权重。在ARCN,利用两个组件更有效地利用的特性。(2)学习动机对全球和地方残留:在ARCN,全球和当地残余学习策略探索共同申请功能。剩余的连接可以有效地解决梯度消失问题,使网络更深入。当地的剩余连接ARCB确保梯度流,而全球剩余学习ARCN担保相同的信息传输,提高了网络容量和代表性。

4.1。实验

以下4.4.1。实现细节

在提出ARCN,有K= 16 ARCBs堆叠为主要路径的非线性映射模块。通道的挤压一步注意收缩通道数量n= 16。为所有卷积层期望高档街区,c= 64过滤器。

我们的ARCN DIV2K训练(34数据集。为SISR DIV2K数据集是一种新的数据集的问题。有1000到2 k分辨率的图像从现实世界。培训在DIV2K,有800张图片,图像进行验证,100和100图像进行测试。在这篇文章中,我们训练我们ARCN 800 5图像训练图像和验证模型。成对训练数据出现48的决议48为LR补丁。培训的批量大小设置为20。模型是由亚当优化器1000年更新的时代。亚当的学习速率优化器是设置为 每200次迭代和减半。

5测试基准是用来评估网络性能。他们是Set5 [35],Set14 [36),B100 (37],Urban100 [38],Manga109 [39]。评价指标选择和峰值信噪比(PSNR)和结构相似度(SSIM)。

4.1.2。实验结果

我们比较我们与一些SISR作品:ARCN SRCNN [6]和FSRCNN [7]。定量PSNR / SSIM比较如表所示2。

从表2,我们的模型取得了竞争或更好的性能在五个基准相比其他工作。Urban100和Manga109 ARCN达到更好的性能比其他的。Urban100有高分辨率图像从现实世界,和Manga109由漫画封面。从这个角度来看,我们的ARCN可以恢复复杂结构性纹理更有效。

可视化的比较如图5。有四个图像选择从Urban100测试基准比较性能。从可视化,我们ARCN执行比其他结构纹理复苏。

4.2。模型分析

(1)研究参数:从设计,我们提出了灵活的高档块可以保存参数。显示参数和性能的比较,我们在五个基准测试模型。定量结果如表所示3。我们比较我们与最近的一些轻量级ARCN适合SISR问题:肉(43],EDSR-baseline [9],SRMDNF [42],DRCN [11]。结果表明,我们的ARCN用更少的参数可以实现竞争或更好的性能。大约有18.7%的在我们ARCN类似的性能参数。(2)研究自适应因素:为了证明自适应的影响因素,我们说明了学习功能ARCB从两个不同的部分。如图6(一)从主路径表示处理的特性;从快捷方式(b)表示输入功能。的快捷方式包含原点信息输入功能,而功能集中于高频信息处理功能。自适应融合后,将增强高频信息聚合。此外,不同ARCBs演示学习权重,我们表演在图7。的x设在表示ARCBs的深度。的y设在表示学习权重。从数据显示,网络深度的增加,利用高频信息将更大更重要 。这表明自适应残余学习的能力,学会灵活的重量为不同级别的信息。定量比较的PSNR / SSIM有或没有表所示4。的结果,充当用于提高性能的一个重要的角色。(3)研究在高档街区:在本文中,我们提出一个有效的高档块任意升级的因素。作为替代,香草层叠设计和提出有效的持续竞争力的表现。然而,拟议的高档街区拥有更小的参数的数量。比较两个高档街区不同的缩放因子如表所示5。从表中,提出了块有很多升级较少的参数与计算成本的图像。

5。结论

在本文中,我们提出了一个新颖的自适应残余频道关注网络名为ARCN单一图像超分辨率(SISR)问题。ARCN提出,适应剩余通道注意块(ARCB)是专为更好的性能。混合因素ARCB培训时所学到的,自适应加权两条路径的信息块。频道关注机制引入ARCB分配的重要性在不同的频道。除了ARCB,一个小但是灵活的高档街区的设计提出了不同的缩放因子。实验结果表明,我们建议的ARCN不仅可以实现竞争或更好的性能参数少于其他轻量级作品也更有效地恢复复杂结构性纹理。

在未来,更reference-free知觉将演示网络性能进行评估。此外,将真实数据集上进行更多的实验。

数据可用性

图像和定量比较数据用于支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

本文得到了沈阳大学基础化学科技(LQ2020020)。

引用

1. 戈尔。刘和F.-P。一个”,图像分类算法基于深learning-kernel功能”,科学的规划卷,2020篇文章ID 7607612, 2020。视图:出版商的网站|谷歌学术搜索
2. e·托提m .藓类f . Guareschi f . Leporati和m . Piastra“深复发性神经网络边缘监测个人风险和预警的情况下,“科学的规划卷,2019篇文章ID 9135196, 2019。视图:出版商的网站|谷歌学术搜索
3. H.-F。柯,C.-B。陆,X.-B。李,G.-Y。张,y梅,X.-W。沈,“增量最佳体重单层神经网络的学习机器,”科学的规划卷,2018篇文章ID 3732120, 2018。视图:出版商的网站|谷歌学术搜索
4. w·通”,混合算法框架有学习和补充对鲸鱼优化算法融合特性,”科学的规划卷,2020篇文章ID 5684939, 2020。视图:出版商的网站|谷歌学术搜索
5. x, y Lei, f·杨,“铁路路基缺陷自动识别方法基于改进r-cnn更快,”科学的规划卷,2018篇文章ID 4832972, 2018。视图:谷歌学术搜索
6. c, c . c .阿来k .他和x唐,“学习深卷积图像超分辨率网络”欧洲计算机视觉的诉讼施普林格,页184 - 199年,慕尼黑,德国,2014年9月。视图:谷歌学术搜索
7. c, c . c .阿来,x,“加速超分辨率卷积神经网络”欧洲计算机视觉的诉讼施普林格,页391 - 407年,慕尼黑,德国,2016年9月。视图:谷歌学术搜索
8. j . j . Kim Kwon李,k .μ李,“准确的图像超分辨率使用很深的卷积网络”《IEEE计算机视觉与模式识别会议美国拉斯维加斯,NV, 2016年6月。视图:谷歌学术搜索
9. Lim,美国的儿子,h·金,美国不,和kμ李,“针对单一图像超分辨率增强深残余网络”《IEEE计算机视觉与模式识别会议研讨会重庆,页136 - 144年,中国,2017年11月。视图:谷歌学术搜索
10. W.-S。赖,J.-B。黄:Ahuja, M.-H。阳,“深拉普拉斯金字塔网络快速、准确的超分辨率,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页624 - 632年,美国,2017年7月,你好。视图:谷歌学术搜索
11. m . Ghifary w·b·Kleijn m, d . Balduzzi和w·李,“深无监督领域适应reconstruction-classification网络,”欧洲计算机视觉的诉讼施普林格,页597 - 613年,慕尼黑,德国,2016年9月。视图:谷歌学术搜索
12. x y Tai, j·杨和刘,“通过深度递归残余网络,图像超分辨率”《IEEE计算机视觉与模式识别会议拉斯维加斯,页3147 - 3155年,NV,美国,2017年6月。视图:谷歌学术搜索
13. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:谷歌学术搜索
14. y, y, y, b .钟和傅y,“剩余密度图像超分辨率网络”《IEEE计算机视觉与模式识别会议,页2472 - 2481,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
15. y, k, k, l . Wang b .钟和傅y,“使用很深的剩余通道图像超分辨率关注网络”计算机视觉的欧洲会议(大会),页286 - 301,德国慕尼黑,2018年9月。视图:谷歌学术搜索
16. 沈l . j .胡,g .太阳“Squeeze-and-excitation网络”《IEEE计算机视觉与模式识别会议美国盐湖城,UT, 2018年6月。视图:谷歌学术搜索
17. 杨z回族,x高,y, x,“轻量级multi-distillation网络图像超分辨率信息,”第27届ACM国际会议多媒体学报》上美国,纽约,纽约,2019年10月。视图:谷歌学术搜索
18. t·戴j . Cai y张S.-T。夏,l .张“二阶网络关注单一的图像超分辨率”《IEEE计算机视觉与模式识别会议长滩,页11065 - 11074年,CA,美国,2019年6月。视图:谷歌学术搜索
19. p . k .江z . Wang Yi, g, t . Lu和j .江”Edge-enhanced gan遥感图像超限分辨。”IEEE地球科学和遥感卷,57号8,5799 - 5812年,2019页。视图:出版商的网站|谷歌学术搜索
20. z z邵,l . Wang Wang和j·邓,“遥感图像超分辨率使用稀疏表示和耦合稀疏autoencoder,”IEEE选择杂志的主题应用地球观测和遥感,12卷,不。8,2663 - 2674年,2019页。视图:出版商的网站|谷歌学术搜索
21. w·史,j .绅士f . Huszar et al .,”“单一图像的实时和视频超分辨率使用高效的亚像素卷积神经网络”学报2016年IEEE计算机视觉与模式识别会议(CVPR)美国拉斯维加斯,NV, 2016年6月。视图:谷歌学术搜索
22. 毛x, c .沈,Y.-B。杨”,图像恢复使用很深的卷积encoder-decoder网络与对称跳过连接,”先进的神经信息处理系统29Curran Associates Inc .,纽约,纽约,美国,2016年。视图:谷歌学术搜索
23. p . k .江z . Wang Yi, j .江“密度分层递归网络图像超分辨率,”模式识别,第107卷,第107475页,2020年。视图:谷歌学术搜索
24. p .咦,z . Wang k .江z邵,j·马,”时段遥测超致密内存网络视频超分辨率”IEEE电路和系统视频技术,30卷,不。8,2503 - 2516年,2020页。视图:谷歌学术搜索
25. 江p . z . Wang Yi, k . et al .,“Multi-memory卷积神经网络视频超分辨率”IEEE图像处理,28卷,不。5,2530 - 2544年,2019页。视图:谷歌学术搜索
26. 江和j·j·马x Wang,“超限分辨图像通过密集的区别的网络,”IEEE工业电子产品,卷67,不。7,5687 - 5695年,2020页。视图:谷歌学术搜索
27. l .周z王,罗y和z,“分离性和密实度网络图像识别和超限分辨,“IEEE神经网络和学习系统,30卷,不。11日,第3286 - 3275页,2019年。视图:谷歌学术搜索
28. t·通g·李、刘x和问:高,“图像超分辨率使用密集跳过连接”《IEEE计算机视觉国际会议,第4807 - 4799页,威尼斯,意大利,2017年10月。视图:谷歌学术搜索
29. c . Ledig l·泰斯f . Huszr et al .,”“写实的单一图像超分辨率使用生成对抗的网络”学报2017年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页105 - 114年,NV,美国,2017年6月。视图:谷歌学术搜索
30. f . j . Li方、k·梅和g .张“多尺度残余图像超分辨率网络”计算机视觉的欧洲会议(大会),页517 - 532,德国慕尼黑,2018年9月。视图:谷歌学术搜索
31. m . Jaderberg k . Simonyan a Zisserman, k . kavukcuoglu“空间变压器网络”先进的神经信息处理系统Curran Associates Inc .,纽约,纽约,美国,2015页。视图:谷歌学术搜索
32. r . x Wang Girshick, a·古普塔和k .他“非本地的神经网络,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页7794 - 7803年,NV,美国,2018年6月。视图:谷歌学术搜索
33. w . (j . Yongbin l .竞争l .霁w .鑫和z通,“一个先进的深残余密集网络(drdn)图像超分辨率方法,”国际期刊的计算智能系统》12卷,第1601 - 1592页,2019年。视图:谷歌学术搜索
34. r . Timofte e . Agustsson M.-H l . Van干傻事。杨,l .张“Ntire 2017挑战单一图像超分辨率:方法和结果,”《IEEE计算机视觉与模式识别会议研讨会火奴鲁鲁,页114 - 125年,美国,2017年7月,你好。视图:谷歌学术搜索
35. m . Bevilacqua a Roumy、c·海雀和m . l . Alberi-Morel基于非负的邻居嵌入低幅图片超分辨率美国佛罗里达州,迈阿密马可Bevilacqua, 2012。
36. r . Zeyde m·兰德,m .防“单一图像使用通过扩大,”《国际会议上曲线和表面施普林格,页711 - 730年,巴黎,法国,2010年4月。视图:谷歌学术搜索
37. d·马丁,c . Fowlkes d·塔尔和j·马利克,“人类自然图像分割的数据库及其应用评价分割算法和测量生态数据,”《第八IEEE计算机视觉国际会议。ICCV,卷2,页416 - 423,IEEE,不列颠哥伦比亚,加拿大,2001年7月。视图:谷歌学术搜索
38. J.-B。黄,a·辛格和n . Ahuja“单一图像超分辨率转换self-exemplars,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页5197 - 5206年,NV,美国,2015年6月。视图:谷歌学术搜索
39. y松井,k . Ito y Aramaki et al .,“Sketch-based漫画使用manga109数据集检索,”多媒体工具和应用程序,卷76,不。20日,第21838 - 21811页,2017年。视图:谷歌学术搜索
40. x y Tai, j·杨,刘,c .徐“奶妈:持久内存映像恢复网络”《IEEE计算机视觉国际会议,第4547 - 4539页,威尼斯,意大利,2017年10月。视图:谷歌学术搜索
41. z回族,王x, x高,“快速、准确的单一图像超分辨率蒸馏通过信息网络”《IEEE计算机视觉与模式识别会议,页723 - 731,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
42. k . Zhang, w .左和l .张”学习一个卷积超分辨率网络多个退化,”《IEEE计算机视觉与模式识别会议,页3262 - 3271,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
43. 安,n . b .康,K.-A。孙,“快速、准确、轻量级的超分辨率与级联残余网络”计算机视觉的欧洲会议(大会)慕尼黑,德国,2018年9月。视图:谷歌学术搜索
44. j . w . Lai黄:Ahuja, m .杨“快速、准确的图像超分辨率与深度拉普拉斯算子金字塔网络,”IEEE模式分析与机器智能第41卷。。11日,第2613 - 2599页,2019年。视图:谷歌学术搜索

版权

版权©2020 Kerang曹等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。