典型文献
基于分形残差网络的单幅图像超分辨率重建
文献摘要：
近年来,各种基于卷积神经网络的单幅图像超分辨率方法取得了优异的性能提升.现有的超分辨率网络大多数都是使用单种尺度的卷积核来提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏,也无法很好地利用低分辨率图像的多尺度特征来提高图像的表达能力.为了解决超分辨率重建中存在的问题,提出了一种新的超分辨重建方法称为分型残差网络(fractal residual network,FRN).该网络使用分形残差注意力块,充分利用不同的层次特征,生成更精细的特征.同时,引入信道注意机制,自适应地重新缩放每个通道的特征,增加网络判别学习能力.此外,该算法将局部残差学习与全局残差学习相结合,以弥补信息丢失,降低学习难度.实验结果表明,该方法在重建性能上优于其他很多算法.
文献关键词：
超分辨率;残差学习;分形块;卷积神经网络
中图分类号：
作者姓名：
陈乔松;宗冕;官暘珺;范金松;王子权;邓欣;王进
作者机构：
重庆邮电大学 计算机科学与技术学院数据工程与可视计算重点实验室,重庆400065
文献出处：
引用格式：
[1]陈乔松;宗冕;官暘珺;范金松;王子权;邓欣;王进-.基于分形残差网络的单幅图像超分辨率重建)[J].重庆邮电大学学报（自然科学版）,2022(01):172-180
A类：
分形块
B类：
残差网络,单幅图像超分辨率,图像超分辨率重建,性能提升,超分辨率网络,卷积核,低分辨率图像,特征信息,细节信息,遗漏,多尺度特征,表达能力,超分辨重建,重建方法,法称,fractal,residual,network,FRN,网络使用,残差注意力,层次特征,信道,注意机制,缩放,残差学习,信息丢失,学习难度,多算法
AB值：
0.314355
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
