《表2 不同模型的参数运算量和运算时间》
从表1的实验结果来看,本文提出的模型和SRCNN、VDSR、EDSR、RCAN相比,在Set5、Set14数据集上的PSNR和SSIM均值都有所提升。在放大倍数较低时,本文的模型重建效果和RCAN相比没有明显的提升,但在放大倍数较高时,本文的模型重建效果良好,PSNR均值也有较大的提升,表明本文的模型提取图像细节的能力比较强。从图5中的睫毛图像也可以看出,本文的模型重建出来的图像更清晰,与原高分辨率图像更相似。一般而言,随着放大倍数的增大,图像重建的难度也会随之增大,在放大倍数为4时,本文的模型相较RCAN模型在Set14上的PSNR均值提升了0.39 d B。在RCAN的启发下,本文模型将特征图通道注意力机制应用于残差网络,带来了良好的重建效果,但是特征图通道注意力机制会带来巨大的参数量,增加计算开销。为了减少通道注意力机制带来的大量参数影响,本文还引入了深度可分离卷积来减少参数运算量,表2是各模型的参数运算量以及运算时间对比。
图表编号 | XD00201824900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.10 |
作者 | 王永金、左羽、吴恋、崔忠伟、赵晨洁 |
绘制单位 | 贵州大学计算机科学与技术学院、贵州大学计算机科学与技术学院、贵州师范学院数学与大数据学院、贵州师范学院数学与大数据学院、贵州师范学院数学与大数据学院、贵州大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |