基于深度学习的图像超分辨率重建方法研究.pdf

基于深度学习的图像超分辨率重建方法研究

摘要

图像超分辨率重建是数字图像处理领域的重要议题，其目标在于利用低分辨率图

像所包含的信息，重构出相应的高分辨率图像。随着计算机科技的进步，图像超分辨

率重建的研究的理论价值和实践意义愈发突出，成为当前计算机视觉领域研究的热点

之一。但现有方法仍存在着一些问题，首先，许多现有的超分辨率方法仅局限于处理

单一尺度的图像重建，即每个网络模型仅能针对特定尺度的图像进行超分辨率操作，

这严重制约了模型在实际应用中的通用性。其次，现有模型在提取最终图像特征多样

性方面尚显不足，导致重建后的图片缺乏细节信息，呈现出平滑化的趋势。这在很大

程度上影响了图像的视觉质量，导致从视觉感官层面来看，重建图片的质感较差。本

文针对以上问题，聚焦于对图像多维特征的融合，对现有任意尺度图像超分辨率重建

方法和注意力机制进行研究，旨在通过这些方面的综合研究提升超分辨率重建方法的

准确性和效率。本文主要工作包括：

针对现有的可实现任意尺度超分重建的方法，提出了一种融合了注意力机制、Res

Net和双向插值模块的方法。通过使用局部隐式图像函数对图像进行连续的表示，在局

部隐式图像函数的后处理方式上做出探索。引入了额外的特征表示方法，并将不同抽

取粒度的特征进行融合，提升图像特征的多样性和丰富度。通过这种方式，确保最终

得到的图像特征能够充分反映图像的多种属性和细节，从而提升超分辨率重建方法的

性能和准确性。所提出的超分辨率重建方法在五个不同的数据集上，对于任意缩放因

子均展现出正向的实验效果。

针对多头自注意力机制的局限性进行了优化，提出了若干种新型注意力算子。在

增强模型的特征抽取能力同时，能够更好地捕捉图像的细节和纹理信息更能高效地提

取多样化的特征信息。同时，为了突破现有注意力机制在特征提取上的维度局限，还

引入了一种简单新颖的无参注意力模块。同时兼顾通道和空域两个维度，有效整合信

息，从而显著增强特征表示的能力。这一设计不仅简化了模型结构，避免了复杂的操

作，还提升了模型在图像处理和计算机视觉任务中的性能。

关键词：图像超分辨率；深度学习；多尺度因子；注意力机制

基于深度学习的图像超分辨率重建方法研究

Abstract

Imagesuper-resolutionreconstructionisacrucialissueinthefieldofdigitalimageproce

ssing,whichaimstoachieveaccuratereconstructionofhigh-resolutionimageswiththehelpo

flow-resolutionimageinformation.Withtheprogressofscienceandtechnology,thetheoretic

alvalueandpracticalsignificanceoftheresearchonimagesuper-resolutionreconstructionha

vebecomemoreandmoreprominent,andithasbecomeoneofthehottopicsinthefieldofco

mputervision.However,therearestillsomeproblemsintheexistingmethods.Firstly,manyo

ftheexistingsuper-resolutionmethodsareonlylimitedtodealwithimagereconstructionata

singlescale,thatis,eachnetworkmodelcanonlyperformsuper-resolutionoperationforimag

esataspecificscale.Thislimitationseriouslyrestrictsthegeneralityofthemodelinpractical

applications.Second