典型文献
基于门控卷积神经网络的图像超分辨重建算法
文献摘要：
近年来,卷积神经网络被广泛应用于图像超分辨率领域.针对基于卷积神经网络的超分辨率算法存在图像特征提取不充分,参数量大和训练难度大等问题,本文提出了一种基于门控卷积神经网络(gated convolutional neural network,GCNN)的轻量级图像超分辨率重建算法.首先,通过卷积操作对原始低分辨率图像进行浅层特征提取.之后,通过门控残差块(gated residual block,GRB)和长短残差连接充分提取图像特征,其高效的结构也能加速网络训练过程.GRB中的门控单元(gated unit,GU)使用区域自注意力机制提取输入特征图中的每个特征点权值,紧接着将门控权值与输入特征逐元素相乘作为GU输出.最后,使用亚像素卷积和卷积模块重建出高分辨率图像.在Set14、BSD100、Urban100和Manga109数据集上进行实验,并和经典方法进行对比,本文算法有更高的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM),重建出的图像有更清晰的轮廓边缘和细节信息.
文献关键词：
超分辨率;门控单元;门控残差块;轻量级;卷积神经网络
中图分类号：
作者姓名：
王文安;梁新刚;刘侍刚
作者机构：
陕西师范大学现代教学技术教育部重点实验室,陕西西安710062;陕西师范大学计算机科学学院,陕西西安 710119
文献出处：
引用格式：
[1]王文安;梁新刚;刘侍刚-.基于门控卷积神经网络的图像超分辨重建算法)[J].光电子·激光,2022(06):637-642
A类：
门控残差块
B类：
门控卷积神经网络,图像超分辨重建,重建算法,率领,超分辨率算法,图像特征提取,参数量,gated,convolutional,neural,network,GCNN,轻量级,图像超分辨率重建,卷积操作,低分辨率图像,过门,residual,block,GRB,残差连接,分提,网络训练,训练过程,门控单元,unit,GU,自注意力机制,输入特征,特征图,特征点,权值,紧接着,将门,控权,相乘,亚像素卷积,卷积模块,高分辨率图像,Set14,BSD100,Urban100,Manga109,经典方法,峰值信噪比,peak,signal,noise,ratio,PSNR,结构相似性,structural,similarity,SSIM,细节信息
AB值：
0.380167
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。
