基于改进多尺度特征金字塔网络的轻量化图像超分辨率重建模型
许光宇
吴敏
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对神经网络在图像超分辨率(super-resolution,SR)任务中因结构复杂导致的参数量过大、训练困难等问题,提出基于改进多尺度特征金字塔网络(multi-scale feature pyramid network,MFPNet)的轻量化图像SR重建模型.首先,设计改进MFPNet架构,通过迭代下采样操作构建不同尺度的特征表达空间,有效增强网络对图像多粒度细节特征的捕获能力.其次,采用位置感知循环卷积(position aware circular convolution,ParC)作为网络的主要信息提取模块,在降低参数量的同时扩大网络的感受野大小.最后,设计动态注意力块(dynamic attention block,DAB),通过注意力引导层(attention guidance layer,AGL)动态调整高效通道注意力(efficient channel attention,ECA)和空间注意力(spatial attention,SA)模块的占比,提升网络对纹理细节的恢复能力.实验结果表明,改进MFPNet模型与其他前沿模型相比,结构相似性指数度量(structure similarity index measure,SSIM)最高为 0.9613,峰值信噪比(peak signal-to-noise ratio,PSNR)最高为 38.11 dB.该研究证实改进MFPNet模型能够应用于重建图像任务,细节纹理更自然.
关键词：卷积神经网络超分辨率重建注意力机制轻量化多尺度特征金字塔
分类号：TP391.41(计算技术、计算机技术)
资助基金：国家自然科学基金(61471004)安徽理工大学博士专项基金(ZX942)
论文发表日期：2025-09-20
在线出版日期：2025-09-24（本平台首次上网日期，不代表文献的发表时间）
页数：7( 334-340 )
英文信息