基于信道注意力機制卷積神經網絡的圖像超分辨率

端木春江 姚松林

摘? 要： 在圖像超分辨率中，現有的卷積神經網絡的方法較傳統方法有明顯的優勢。然而，圖像超分辨率的更深層卷積神經網絡難以訓練。同時，由于低分辨率圖像包含豐富的低頻特征信息，而這些信息在信道上與高頻信息一起被平等地對待，因此阻礙了卷積神經網絡的表達能力。文章提出了基于信道注意力機制的卷積神經網絡，充分考慮信道之間的相互依賴性，自適應地重新調整信道的特征。實驗表明，該算法較以前的算法可以實現更好的性能和更清晰的視覺效果。

關鍵詞： 圖像處理; 圖像超分辨率; 卷積神經網絡; 信道注意力機制

中圖分類號：TP391? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2020）04-26-03

The super-resolution method based on the neural convolutional networks

of channel attention mechanism

Duanmu Chunjiang， Yao Songlin

（College of Physics and Electronic Information Engineering， Zhejiang Normal University， Jinhua， Zhejiang 321004， China）

Abstract： In the image super-resolution， current convolutional neural network methods have better performance than the traditional ones. However， the deep convolutional neural networks are difficult for training in the image super-resolution. And the low-resolution images generally have more low-frequency information， and it is treated evenly with the high frequency information in the channels of the networks， which hinders the expression ability of the whole convolutional neural network. A new method which utilizes the channel attention mechanism is proposed in this paper， it fully considers the mutual reliance of channels， and adaptively readjusts the channel features. Experiment results show that the proposed method has better performance and visual quality than previous ones.

Key words： image processing; image super-resolution; convolutional neural network; channel attention mechanism

0 引言

針對僅由一幅低分辨率圖像（LR）重建對應的高分辨率圖像（HR）的問題，通常稱為單幅圖像超分辨率（Super Resolution，SR）。單幅圖像超分辨率可應用于計算機視覺的各方面，包括安全和監控成像，醫學影像，模式識別等。然而，圖像超分辨率是一個病態的問題，因為對于任何低分辨率圖像，產生其高分辨率圖像可以有無窮多的解。為了解決這樣的病態逆問題，許多學者提出了很多基于學習的方法來學習LR和HR圖像對之間的映射關系。

基于學習的圖像超分辨率技術是當前超分辨率技術的研究熱點。最近，基于卷積神經網絡（Convolutional Neural Network，CNN）的方法[4-5]相比傳統的超分辨率方法[1-3]已經取得了顯著的進步。

注意力機制將可用的處理資源分配給最具信息性和最有用的輸入。最近，注意力機制逐漸應用于深度神經網絡[6-7]。Fei等[6]提出了用于圖像分類的殘差注意網絡，具有注意力機制。注意力機制也應用于圖像的定位和理解、基于序列的網絡圖像等[7]。然而，很少有人將注意力機制應用到低級視覺任務（如圖像超分辨率處理）中。

基于CNN的方法將從原始LR圖像輸入中提取特征并平等地處理每個通道的特征，這樣的過程將浪費不必要的計算以獲得豐富的低頻特征，缺乏跨特征通道的判別性學習能力，并最終阻礙深度網絡的代表性能力。為了實際解決這些問題，我們提出了一個基于通道注意力機制的網絡來獲得不同的特征，并同時自適應地學習更有用的信道特征。

1 信道注意力網絡

1.1 所提出方法的網絡架構

如圖1所示，所提出的方法的網絡結構主要由三部分組成：淺特征提取，深度特征提取和重建模塊。我們將ILR和ISR表示為網絡的輸入和輸出。首先，只使用一個卷積層從LR輸入圖像中提取淺層特征F0。

⑴

其中HSF表示卷積運算。

然后使用信道注意力層對淺層特征進行深度特征提取：

⑵

其中HA表示深層特征提取操作。

信道注意力層由一個卷積層和信道注意力機制組成。信道注意力機制可以讓卷積層自適應學習更有用的信道特征，以提取更有用的深層特征。因此將其輸出FDF視為深層特征，最后通過重建模塊進行特征的放大和圖像的重建：

⑶

其中HREC表示特征的放大和重建操作。重建模塊包含兩個卷積層和一個亞像素卷積層。首先使用一個卷積層對深層特征進行擴展，為特征的放大做預處理，然后通過一個亞像素卷積層對特征進行放大，最后通過一個卷積層重建放大后的特征。

1.2 引入注意力機制

如何針對每個信道特征產生不同的注意值是關鍵步驟。這里主要有兩個問題。①LR圖像特征中具有豐富的低頻信息和有價值的高頻信息。低頻信息比較平滑，高頻信息通常是區域性的，包含邊緣、紋理和其他細節等。②卷積層中的每個濾波器都使用相同的感受野進行操作。因此，卷積后的輸出特征無法充分利用自身區域之外的其他信息。

基于對上述問題分析，通過使用全局平均池化，來將信道的全局空間信息轉換為信道描述符。如圖2所示，設輸入特征X=[x1，…，xc，…，xC]，C個特征圖的尺寸為H×W。通過壓縮X可以獲得信道的統計向量z，z的第c個元素由下式確定：

⑷

其中，xc（i，j）是第c個特征xc在位置（i，j）處的值，HGP表示全局池化函數。

為了從聚合信息中完整獲得信道的依賴性，引入了一個門控機制，這里選擇利用Sigmoid激活函數的來進行門控機制：

⑸

其中，F和δ分別表示S形門控、和ReLU函數。W1是信道縮減層的權重，在被ReLU函數激活后，低維信號通過信道擴展層以比率r增加，其權重設置為W2。然后便可以獲得最終的信道統計值S，對輸入xc進行縮放：

⑹

其中，S和xc分別表示第c個信道中的縮放因子和特征映射。通過信道注意力機制，圖像特征被自適應地重新縮放。

1.3 網絡模型架構的細節

信道縮減層和信道擴展層的內核大小為1×1。除了信道縮減層和信道擴展層外，其他所有卷積層的內核大小都為3×3。內核大小為3×3的卷積層均使用零填充來保持特征大小固定。淺層特征提取和深層特征提取的卷積層中，濾波器的數量為64個。信道縮減層有所不同，其卷積層有4個濾波器，縮減率r為16。重建模塊中，第一個卷積層有32n個濾波器，n為超分辨率需要放大的倍數。最終的重建層的濾波器數量只有3個，因為網絡輸出的是彩色圖像。同時，該網絡也可以處理灰度圖像。

損失函數將采用L1損失函數：

⑺

其中，θ表示網絡的參數。利用隨機梯度下降法對損失函數進行優化。

2 實驗結果

2.1 實驗設置

本論文采用DIV2K數據集的800張高清訓練圖像作為訓練集。測試集采用兩個標準數據集：Set5和Set14。實驗結果在YCbCr顏色空間的Y信道（即亮度）上用PSNR（峰值信噪比）和SSIM（結構相似度）進行評估。

2.2 實驗結果與討論

在表1、表2、表3、表4中，展示了本論文的方法與以前的方法（A+、SRCNN）進行比較的實驗結果。從這些表格中，可以看出，與以前的方法相比，本文方法在放大倍數為2、3、4時，在Set5和Set14數據集上，其實驗結果均好于之前的方法。

在圖3中，放大因子為3時，對各種方法的重建圖像進行了視覺比較。對于圖像“butterfly”，可以觀察到以前的方法不能很好地恢復邊緣細節，并且有模糊、偽影等現象。相比之下，本文提出的算法可以更好地緩解模糊的偽影，并恢復更多細節。因此，實驗結果表明，本算法提出的網絡具有不錯的表征能力，可以從LR圖像中提取更復雜的特征。

3 結束語

本論文提出了一個基于注意力機制的卷積神經網絡的架構，用于對單幅圖像進行超分辨率放大。通過加深網絡的深度，使所提出的網絡可以提取圖像中更深層的特征信息。同時把注意力機制引入到所提出的網絡中，利用信道之間的相互依賴性來自適應地重新調整信道特征。實驗表明，所提出的方法在標準測試集中所重構的高分辨率的圖像的質量更高，在PSNR和SSIM指標上超過了之前的方法，同時提出的方法的重構圖像具有更清晰和更豐富的紋理信息。利用更深層次的網絡來進行圖像的超分辨率放大，并取得更好的效果，將是未來的研究方向。

參考文獻（References）：

[1] W. W. Zou ， P. C. Yue. Very low resolution facerecognition problem[J]. IEEE Transactions on Image Processing，2012.21（1）：327-40

[2] J.D. Van Ouwerkerk. Image super-resolution survey [J].?Image & Vision Computing，2006.24（10）：1039-1052

[3] J. Yang ， J. Wright， T.S. Huang， et al. Image?super-resolution via sparse representation[J]. IEEE Transactions on Image Processing，2010.9（11）：2861-2873

[4] C. Dong ， C.C. Loy ， K. He， et al. Image super-resolutionusing deep convolutional networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2014.38（2）：295-307

[5] W. S. Lai， J.B. Huang， N. Ahuja， et al. Fast and AccurateImage Super-Resolution with Deep Laplacian Pyramid Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2019 41（11）：2599-2613

[6] W. Fei， M. Jiang， Q. Chen， et al. Residual AttentionNetwork for Image Classification [C]. Honolulu， HI， United states： Proceedings of 30th IEEE Conference on Computer Vision and Pattern Recognition， CVPR 2017：6450-6458

[7] K. Li， Z. Wu， K.C. Peng， et al. Tell me where to look：guided attention inference network [C]. Salt Lake City， UT， United states： Proceedings of 31th IEEE Conference on Computer Vision and Pattern Recognition， CVPR 2018：9215-9223