《表2 不同模型的参数运算量和运算时间》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于注意力机制的图像超分辨率重建》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。