《表3 基准数据集上的评价结果(PSNR(d B)/SSIM)》
如表3所示(加粗为最优结果),本文在多个基准数据集上进行定量比较,可以看出本文算法在不同的放大倍数上相较其他方法总体上有较大提升。DRCN[21]、VDSR[10]将全局残差结构应用到网络的最终重建层;Lap SRN[23]和DSRN[24]在网络中从不同的分辨率空间对所需的特征进行提取,并且DSRN把原始的残差结构运用到网络当中,但是,这些算法都缺乏对网络中各个卷积层输出特征更细粒度的利用。对于图像超分辨这个需要密集预测出每一个像素点值的任务来说,从原始图像中提取更多的信息是至关重要的。而本文的算法采用双层密集连接把级联和残差结构结合,充分利用了每个深度的卷积提取的特征,并且引入了注意力机制,从宏观和微观两个角度对网络进行调节,从而能从原始图像中提取更丰富的信息,适应更复杂的情况。
图表编号 | XD00189248500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.05 |
作者 | 吴荣贵、蒋平 |
绘制单位 | 中国科学院光电技术研究所、中国科学院大学、中国科学院光电技术研究所 |
更多格式 | 高清、无水印(增值服务) |