基于CNN的轻量级神经网络单幅图像超分辨率研究

• 作者: 杨小琴 朱玉全
• 来源期刊: 计算技术与自动化
• 关键词: 卷积神经网络 轻量级神经网络 单幅图像超分辨率 图像增强
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 图形图像技术
• 页码范围: 98-105
• 页数: 7页
• 分类号: TP391.41,TP183
• 语种: 中文
• DOI: 10.16339/j.cnki.jsjsyzdh.202201018

摘要

为了将低分辨率图像增强为高分辨率(HR)图像并最终得到超分辨率(SR)图像，提出了具有混合残差和密集连接结构的轻量级神经网络(LNN)来提高单幅图像超分辨率(SISR)性能，构建了层间SR-LNN(SR-ILLNN)和简化SR-LNN(SR-SLNN)两种LNN。SR-ILLNN采用基于部分卷积的填充方案来避免边界信息的丢失，结合局部和全局跳跃连接来训练卷积层之间输出特征图上的残差，并在低分辨率和高分辨率图像上对SR-ILLNN进行训练。通过SR-SLNN删除SR-ILLNN的高分辨率特征层和共享特征层来降低SR-ILLNN的网络复杂度。从多样化2K(DIV2K)图像数据集中提取训练图像，测试评估SR的准确性和网络复杂性。实验结果表明，与传统方法相比，SR-ILLNN和SR-SLNN可以显著降低参数数量、内存容量和减少计算时间，同时保持相似的图像质量。