典型文献
基于双重残差注意力网络的图像超分辨率重构方法
文献摘要：
图像超分辨(SR)方法通常利用深度神经网络学习从低分辨率图像(Low Resolution,LR)到高分辨率图像(High Reso-lution,HR)的非线性映射重建.但是从LR图像到HR图像的映射往往是一个不适定问题,即存在无限的HR图像可以降采样到同一LR图像.为了解决该问题,对LR图像引入附加约束来减少可能的函数空间,并提出了基于双回归网络—双重残差注意力网络(Dual Residual Attention Network,DRAN)的图像超分辨率重构方法(DRAN-SR).DRAN模型中原始网络负责将低分辨率(LR)图像重构为高分辨率(HR)图像,对偶回归网络负责估计下采样核和重构LR图像,从而形成一个闭环来提供额外的监督效果.实验结果表明,DRAN-SR比现有方法具有更好的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural SIMilarity,SSIM).
文献关键词：
图像超分辨重构;多级残差网络;双回归网络;峰值信噪比;结构化相似性
中图分类号：
作者姓名：
张美燕;吴岩;蔡文郁
作者机构：
浙江水利水电学院电气工程学院,浙江 杭州310018;杭州电子科技大学电子信息学院,浙江 杭州310018
文献出处：
引用格式：
[1]张美燕;吴岩;蔡文郁-.基于双重残差注意力网络的图像超分辨率重构方法)[J].传感技术学报,2022(08):1102-1108
A类：
Reso,双回归网络,DRAN,SIMilarity,结构化相似性
B类：
重残,残差注意力网络,图像超分辨率,超分辨率重构方法,SR,常利,深度神经网络,神经网络学习,低分辨率图像,Low,Resolution,LR,高分辨率图像,High,非线性映射,不适定问题,降采样,函数空间,Dual,Residual,Attention,Network,图像重构,对偶回归网络,下采样,监督效果,峰值信噪比,Peak,Signal,Noise,Ratio,PSNR,结构相似性,Structural,SSIM,图像超分辨重构,多级残差网络
AB值：
0.29723
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。
