基于层次注意力的图像超分辨率重建

臧永盛，周冬明，王长城，聂仁灿

(云南大学 信息学院， 云南 昆明 650504)

0 引言

随着人们对图像要求的逐渐提高，如何获得高质量图像成为了一个严峻的挑战。单幅图像超分辨率(Single Image Super Resolution,SISR)重建技术正在解决这一问题，其目标是从一幅低分辨率(Low Resolution，LR)图像重建出一幅高分辨率(High Resolution,HR)图像。因此，SISR重建技术广泛应用于计算机视觉[1]、医学、视频和安全等各个领域。

基于插值[2]和基于重构[3-4]的传统算法简单有效，计算量小，但是重建后的图像存在边缘模糊、高频信息丢失的问题。基于深度学习的方法利用卷积神经网络自动提取特征的能力，把LR和HR图像之间看作一种映射关系，有效地恢复出了HR图像。VDSR[5],DRCNN[6]等算法通过残差学习思想，构建深达20层的网络模型来学习LR和HR图像之间的映射关系。SRGAN[7]利用生成对抗网络和感知损失函数生成的图像更自然逼真。EDSR[8]通过去除批量归一化网络层和使用ReLU作为激活函数，恢复出了更高质量的图像。RCAN[9]利用通道注意力机制差异性地对待同一层中的特征通道，使网络关注信息更丰富的通道，重建出的图像包含更多的纹理信息。尽管这些模型取都得了重大进展，却忽略了利用原始超分辨图像在卷积神经网络中的不同层次特征之间的相关性，重建后的图像往往在细节方面趋于平滑。

因此，针对上述问题提出了基于层次注意力的超分辨重建模型 (Hierarchical Attention Network，HAN)，层次注意力可以不平等地对待网络中不同层次的中间特征，提高卷积神经网络的特征表示能力，获取更多的图像特征信息。……