论文部分内容阅读
图像超分辨率重建是一种典型的底层计算机视觉任务,其目标是从低分辨率(Low Resolution,LR)图像中恢复出细节更加丰富的高分辨率(High Resolution,HR)图像。近年来,卷积神经网络在单幅图像超分辨率重建的应用中取得了巨大的成功,相较于传统方法获得了更好的重建效果。但是现有的重建模型网络结构浅,卷积核感受野较小,难以学习大范围的图像特征,导致重建过程中没能充分利用图像的上下文信息,不利于复杂纹理细节特征的重建,从而影响重建的图像质量。针对现有的基于卷积神经网络的图像超分辨率重建方法存在的问题和不足,本文提出了一种多尺度特征融合递归残差网络模型,由多尺度特征提取、递归残差网络和反卷积重建网络组成。特征提取单元使用不同尺度的卷积核自适应检测不同尺度下的图像特征信息,提取LR图像的浅层特征信息。递归残差网络使用全局残差和多路径模式下的局部残差相结合的方式来学习LR图像和HR图像之间的非线性映射,从不同路径提取的特征不仅会在网络尾部融合,而且会在网络的前向传输过程中融合,其结合了残差块和多路径链接的优点,以充分利用不同尺度的浅层和深层局部图像特征。同时在残差块中引入递归学习策略,在加深网络结构的同时,使用较少的参数训练网络,增加感受野的同时还可以提高网络的收敛速度。在图像重建部分,使用反卷积层实现图像的上采样,将LR图像使用双三次插值法放大后与反卷积层上采样得到的图像相融合,形成全局残差学习,实现最终HR图像的重建。实验结果表明多尺度特征信息的融合可以获得图像更多的浅层特征,多层递归残差特征的重用可以增强重建模型的表示能力,学习更丰富的图像深层特征,说明利用不同尺度的浅层和深层局部图像特征,可以提高重建图像的质量和模型的重建效率。结果表明本文提出的重建模型能够以较少的参数和较短的时间重建HR图像。