4 个月前

密集残差拉普拉斯超分辨率

密集残差拉普拉斯超分辨率

摘要

超分辨率卷积神经网络最近在单幅图像的高质量恢复方面展示了出色的效果。然而,现有的算法通常需要非常深的网络架构和较长的训练时间。此外,当前用于超分辨率的卷积神经网络无法充分利用多尺度特征并给予它们同等权重,这限制了其学习能力。本文介绍了一种紧凑且准确的超分辨率算法——密集残差拉普拉斯网络(DRLN)。该网络通过在残差结构上叠加残差,使低频信息流能够专注于学习高、中层次特征。此外,通过密集连接的残差块设置实现了深度监督,这也有助于从高层次复杂特征中进行学习。我们还提出了拉普拉斯注意力机制,以建模关键特征并学习特征图之间的跨层和层内依赖关系。进一步的定量和定性评估表明,在低分辨率、噪声低分辨率以及真实历史图像基准数据集上,我们的DRLN算法在视觉效果和准确性方面均优于现有最先进方法。

代码仓库

saeed-anwar/DRLN
pytorch
GitHub 中提及

基准测试

基准方法指标
image-super-resolution-on-bsd100-2x-upscalingDRLN+
PSNR: 32.47
SSIM: 0.9032
image-super-resolution-on-bsd100-3x-upscalingDRLN+
PSNR: 29.4
SSIM: 0.8125
image-super-resolution-on-bsd100-4x-upscalingDRLN+
PSNR: 27.87
SSIM: 0.7453
image-super-resolution-on-bsd100-8x-upscalingDRLN+
PSNR: 25.06
SSIM: 0.607
image-super-resolution-on-manga109-2xDRLN+
PSNR: 39.75
SSIM: 0.9792
image-super-resolution-on-manga109-3xDRLN+
PSNR: 34.94
SSIM: 0.9518
image-super-resolution-on-manga109-4xDRLN+
PSNR: 31.78
SSIM: 0.9211
image-super-resolution-on-manga109-8xDRLN+
PSNR: 25.55
SSIM: 0.8087
image-super-resolution-on-set14-2x-upscalingDRLN+
PSNR: 34.43
SSIM: 0.9247
image-super-resolution-on-set14-3x-upscalingDRLN+
PSNR: 30.8
SSIM: 0.8498
image-super-resolution-on-set14-4x-upscalingDRLN+
PSNR: 29.02
SSIM: 0.7914
image-super-resolution-on-set14-8x-upscalingDRLN+
PSNR: 25.4
SSIM: 0.6547
image-super-resolution-on-set5-2x-upscalingDRLN+
PSNR: 38.34
SSIM: 0.9619
image-super-resolution-on-set5-3x-upscalingDRLN+
PSNR: 34.86
SSIM: 0.9307
image-super-resolution-on-set5-8x-upscalingDRLN+
PSNR: 27.46
SSIM: 0.7916
image-super-resolution-on-urban100-2xDRLN+
PSNR: 33.54
SSIM: 0.9402
image-super-resolution-on-urban100-3xDRLN+
PSNR: 29.37
SSIM: 0.8746
image-super-resolution-on-urban100-4xDRLN+
PSNR: 27.14
SSIM: 0.8149
image-super-resolution-on-urban100-8xDRLN+
PSNR: 23.24
SSIM: 0.6523

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
密集残差拉普拉斯超分辨率 | 论文 | HyperAI超神经