《表2 不同方法的定量结果对比》
本文使用基于CNN的双三次降解(Bicubic)的最新SR方法进行了比较测试:SRCNN[3]、FSRCNN[4]、VDSR(Very Deep convolutional Super-Resolution networks)[14]、Lap SRN[6]、Mem Net(Memory Network)[24]、EDSR[7]、RDN(Residual Dense Network)[23]、SAN(Second-order Attention Network)[21]和RCAN[9]来验证NCAN的有效性。不同方法所得的视觉结果如图3所示。表2中显示了每个比例因子的定量结果。与其他方法相比,本文提出的NCAN在所有具有不同比例因子的数据集上表现最佳。NCAN和SAN可以达到非常相似的结果,并且优于其他方法。由于其他方法都使用二阶注意力来学习特征之间的相互依赖性,这使得网络更加关注信息特征。
图表编号 | XD00197776800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.10 |
作者 | 叶杨、蔡琼、杜晓标 |
绘制单位 | 武汉工程大学邮电与信息工程学院计算机与信息工程学院、武汉工程大学计算机科学与工程学院、吉林大学珠海学院电子信息系 |
更多格式 | 高清、无水印(增值服务) |