用于单图像超分辨率的压缩多尺度特征融合网络

最近,深度神经网络在图像超分辨率(SR)领域取得了重大突破。 大多数基于深度学习的图像SR方法学习端到端网络,以发现低分辨率(LR)图像和高分辨率(HR)图像之间的映射关系,以便生成视觉上令人满意的图像。 但是,这些方法仅提取单个比例尺特征来学习映射关系,这将丢失一些重建所需的关键信息。 在本文中,我们提出了一种用于单图像SR的压缩多尺度特征融合(MSFF)网络。 网络中使用了多个MSFF模块来提取不同比例的图像特征,这使我们能够捕获图像的更完整的结构和上下文信息,从而获得更好的SR质量。 此外,为了解决由于使用多尺度结构而导致的训练难度和计算费用消耗的问题,设计了结构稀疏正则化算法来学习具有稀疏结构的MSFF网络并获得压缩网络,从而大大降低了网络参数。并在保持重建质量的同时加快了速度。 在各种图像上的大量实验表明,与几种最新方法相比,该方法在视觉质量方面可以实现更理想的性能。