《表1 BSD100数据集上不同通道注意力模型的对比实验》

  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

《混合阶通道注意力网络的单图像超分辨率重建》

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

注：加粗值为最优。

为探究将通道注意力升降维改为一维卷积以及混合不同阶通道注意力对MCAN影响，以下采用升降维一阶通道注意力模型（RCAN）、二阶模型（SAN）与本文快速一维卷积实现的一阶模型（EFCA）、二阶模型（ESCA）分别在BSD100数据集上做对比实验。为保持参数一致，设置G=4，M=8，结果如表1所示，评价指标为感知指数（Perceptual Index，PI)，PI值越小越好。（1）和（2）是训练时分别采用升降维的一、二阶模型，（3）和（4）是分别采用改进后一、二阶模型EFCA、ESCA。（1）和（3），（2）和（4）对比表明，将一阶或二阶通道注意力由升降维改为一维卷积，通道预测权重和每个通道特征一一对应，注意力预测更准确；（5）和（6）对比表明，改进后一阶（EFCA）二阶（ESCA）通道模型融入残差块混合使用相比单独采用一阶或二阶模型性能更好。这表明采用改进的通道注意力模型不仅权重预测更准确合理，更关注于信息量大的特征，还提高了网络判别性学习能力，故比其他算法结果更优。