雙路多尺度殘差網絡的圖像超分辨率重建

胡 銳,趙佰亭,賈曉芬

(安徽理工大學 電氣與信息工程學院,安徽 淮南232001)

單幅圖像的超分辨率重建,是一種從低分辨率圖像恢復出高分辨率圖像的技術。目前高分辨率圖像廣泛應用在遙感測繪、醫學圖像、視頻監控和圖像生成等領域中[1-3]。受當前技術發展限制以及成本考慮,利用軟件處理方法來獲得更高分辨率圖像,已經成為圖像處理領域研究的熱點。

對于傳統的插值[4]和重建[5]方法,通常存在著重建效果差,邊緣模糊等問題。隨著科技的發展,人們開始將目光放在深度學習技術上。DONG等[6]首次將深度學習引入到圖像重建領域中,提出一種卷積神經網絡的方法(super-resol ution convol utional neural net wor k,SRCNN),通過構建3個卷積層實現圖像重建。SHI等[7]提出一種亞像素卷積的方法(efficient sub-pixel convol utional neural net wor k,ESPCN),不需要對低分辨率圖像預處理,直接作為網絡的輸入進行特征提取,在最后一層對特征圖進行排列實現上采樣操作,減少低分辨率圖像上下文信息的破壞,使得特征信息盡可能的得以保留。對于卷積網絡來說,越深的網絡,其處理能力也就越好,而在圖像處理中,深度網絡也能夠更充分提取圖像中特征信息,使得處理效果得到提升,但是在運用中發現,網絡層數增加會導致梯度彌散問題。KI M等[8]結合殘差網絡[9],提出一種深度卷積網絡的方法(ver y deep net wor k f or super-resol ution,VDSR),通過特征圖的累加來解決這一問題。ZHANG等[10]提出了一種殘差密集連接網絡的方法(residual dense net wor k,RDN),通過多個殘差密集塊的相互連接融合,能夠更有效的提取特征信息,提高重建質量。ZHAO等[11]構建了一種級聯通道分割網絡的方法(channel splitting net wor k,CSN),將特征信息在子網絡中分散處理,來減輕深度網絡的學習負擔,提高訓練效果。……