基于多尺度自適應(yīng)注意力的圖像超分辨率網(wǎng)絡(luò)

周穎， 裴盛虎， 陳海永，2， 許士博

（1.河北工業(yè)大學(xué) 人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津 300130；2.河北省控制工程技術(shù)研究中心，天津 300130）

1 引 言

單幅圖像超分辨率（Single Image Super-Resolution，SISR）是圖像處理中的關(guān)鍵技術(shù)之一，其目的是通過(guò)低分辨率（Low-Resolution，LR）圖像重建高分辨率（High-Resolution，HR）圖像，在視頻監(jiān)測(cè)［1］、衛(wèi)星遙感［2］和醫(yī)學(xué)成像［3］等不同領(lǐng)域有強(qiáng)烈的需求。傳統(tǒng)SISR方法主要有基于插值的方法、基于重建的方法和基于學(xué)習(xí)的方法，但這些方法重建的超分辨率圖像質(zhì)量較低。隨著深度學(xué)習(xí)的到來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNNs）因其顯著的特征表達(dá)能力受到了越來(lái)越多的關(guān)注。卷積超分辨率網(wǎng)絡(luò)（Super-Resolution Convolutional Neural Network，SRCNN）［4］首次將深度學(xué)習(xí)應(yīng)用于SISR任務(wù)，促進(jìn)了大量基于CNNs的SISR研究的涌現(xiàn)，但因其輸入為L(zhǎng)R圖像上采樣后的圖像導(dǎo)致網(wǎng)絡(luò)仍具有較高的計(jì)算復(fù)雜度。為實(shí)現(xiàn)更快的運(yùn)行速度，Shi等［5］提出了一種快速卷積超分辨率網(wǎng)絡(luò)，通過(guò)在LR圖像空間中提取特征來(lái)減少計(jì)算量，并使用反卷積作為網(wǎng)絡(luò)最后的上采樣操作。然而，淺層的網(wǎng)絡(luò)由于存在嚴(yán)重的梯度消失問(wèn)題，早期基于CNNs的SISR方法的性能無(wú)法得到進(jìn)一步提升。

深度卷積神經(jīng)網(wǎng)絡(luò)因其高級(jí)特征中包含更多的信息量進(jìn)一步提高了SISR任務(wù)的重建性能。Kim等［6］提出深度卷積超分辨率網(wǎng)絡(luò)（Super-Resolution Using Very Deep Convolutional Network，VDSR），通過(guò)在網(wǎng)絡(luò)中引入殘差學(xué)習(xí)，解決了梯度消失問(wèn)題，相較于早期的淺層網(wǎng)絡(luò)其性能得到了顯著提升；Tai等［7］提出深度遞歸殘差網(wǎng)絡(luò)（Deep Recursive Residual Network，DRRN），利用全局跳躍連接和局部殘差學(xué)習(xí)減少了參數(shù)量，并表現(xiàn)出良好的性能；Lim等［8］提出增強(qiáng)型深度超……