轻量级图像超分辨率的蓝图可分离卷积Transformer网络
Journal of Image and Graphics(2024)
摘要
目的 图像超分辨率重建的目的是将低分辨率图像复原出具有更丰富细节信息的高分辨率图像.近年来,基于Transformer的深度神经网络在图像超分辨率重建领域取得了令人瞩目的性能,然而,这些网络往往参数量巨大、计算成本较高.针对该问题,设计了一种轻量级图像超分辨率重建网络.方法 提出了一种轻量级图像超分辨率的蓝图可分离卷积Transformer 网络(blueprint separable convolution Transformer network,BSTN).基于蓝图可分离卷积(blueprint separable convolution,BSConv)设计了蓝图前馈神经网络和蓝图多头自注意力模块.然后设计了移动通道注意力模块(shift channel attention block,SCAB)对通道重点信息进行加强,包括移动卷积、对比度感知通道注意力和蓝图前馈神经网络.最后设计了蓝图多头自注意力模块(blueprint multi-head self-attention block,BMSAB),通过蓝图多头自注意力与蓝图前馈神经网络以较低的计算量实现了自注意力过程.结果 本文方法在4个数据集上与10种先进的轻量级超分辨率方法进行比较.客观上,本文方法在不同数据集上取得了不同程度的领先,并且参数量和浮点运算量都处于较低水平.当放大倍数分别为2、3和4时,在Set5数据集上相比SOTA(state-of-the-art)方法,峰值信噪比(peak signal to noise ratio,PSNR)分别提升了 0.11 dB、0.16dB 和0.17 dB.主观上,本文方法重建图像清晰,模糊区域小,具有丰富的细节.结论 本文所提出的蓝图可分离卷积Transformer网络BSTN以较少的参数量和浮点运算量达到了先进水平,能获得高质量的超分辨率重建结果.
更多查看译文
关键词
image super-resolution,lightweight model,Transformer,deep learning,attention mechanism
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要