《表2 放大4倍时不同算法在基准测试集上的比较》
注:加粗的是最优值,下划线的是次佳值;PI值越小越好。
本文算法MCAN与现有超分辨率算法Bicucic[16]、SRCNN[2]、增强深度残差网络的单幅图像超分辨(Enhanced Deep residual networks for single image Super-Resolution,EDSR)[17]、RCAN[5]、SAN[8]、生成对抗网络的单幅逼真图像超分辨率(photo-realistic single image Super-Resolution using a GAN,SRGAN)[18]算法、自动纹理合成实现的单幅图像超分辨率(Enhancenet:single image super-resolution through automated texture synthesis,ENET)[19]以及PESR[11]相比,利用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和感知指数PI对放大4倍重建结果进行评估,结果如表2和图4。从表2可以看出,MCAN在Set5、Set14等数据集上PI均超过其他超分辨率算法;且从图4(j)可以看出,相较于图4(i)等其他算法,本文算法恢复出的图像总体效果如杂草和木桥纹理更清晰直观。这表明直接进行通道注意力预测以及二阶统计信息的利用能增强网络判别性能力的学习,提升网络性能。
图表编号 | XD00222691000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.10 |
作者 | 姚鲁、宋慧慧、张开华 |
绘制单位 | 江苏省大数据分析技术重点实验室(南京信息工程大学)、南京信息工程大学大气环境与装备技术协同创新中心、江苏省大数据分析技术重点实验室(南京信息工程大学) |
更多格式 | 高清、无水印(增值服务) |