基于注意力引导的轻量级图像超分辨率网络

Abstract

针对图像超分辨率重建网络因结构冗杂、参数量增加导致的计算量过大、训练时间过长等问题,提出一种注意力引导的轻量级图像超分辨率网络(LAGNet)。LAGNet将随机初始化的自适应权重引入深度残差网络结构,更大限度地利用浅层特征信息。其次,提出注意力引导(AG)模块,该模块使用高效通道注意力(ECA)模块和空间分组增强(SGE)模块双支路并联结构,结合通道间关系和空间位置信息特征,利用注意力引导层动态调整两个分支的权重占比,准确获取高频特征信息。最后,使用全局级联连接,减少网络参数量并加快信息流通速度。使用L1损失函数,在加快收敛速度的同时防止梯度爆炸。在三个基准数据集上的测试结果表明:相比其他网络,LAGNet的峰值信噪比平均提高0.39 dB,模型参数量平均减少24%,加法操作量和乘法操作量平均减少62%;在图像视觉效果上整体更为清晰,细节纹理更自然。