基于深层特征差异性网络的图像超分辨率算法

传统深层神经网络通常以跳跃连接等方式堆叠深层特征，这种方式容易造成信息冗余。为了提高深层特征信息的利用率，该文提出一种深层特征差异性网络(DFDN)，并将其应用于单幅图像超分辨率重建。首先，提出相互投影融合模块(MPFB)提取多尺度深层特征差异性信息并融合，以减少网络传输中上下文信息的损失。第二，提出了差异性特征注意力机制，在扩大网络感受野的同时进一步学习深层特征的差异。第三，以递归的形式连接各模块，增加网络的深度，实现特征复用。将DIV2K数据集作为训练数据集，用4个超分辨率基准数据集对预训练的模型进行测试，并通过与流行算法比较重建的图像获得结果。广泛的实验表明，与现有算法相比，所提算法可以学习到更丰富的纹理信息，并且在主观视觉效果和量化评价指标上都取得最好的排名，再次证明了其鲁棒性和优越性。