梯度指导的快速轻型超分辨率重建密集残差网络
【摘要】 近来，深度卷积神经网络在单图像超分辨率重建中取得了显著进展，但是，随着网络深度和宽度的增加，计算复杂度和内存消耗也随之增加.此外，超分辨率重建图像的边缘模糊以及伪影等问题也是目前方法不能很好解决的难点之一.针对上述问题，提出一种快速轻型超分辨率重建模型.该模型由一个3层的浅通道和一个29层的深通道构成，在结构的末端使用卷积层将深浅通道进行融合;浅通道主要用于恢复图像的整体轮廓，保留原图像的轮廓信息;深通道主要用于恢复图像的高频细节信息，采用多尺度滤波器提取不同尺度的纹理，增加提取信息的丰富度.模型结合密集块、多跨度残差连接降低了参数量、提高了网络收敛速度;在特征提取阶段，模型结合分组卷积提出其增强模型;模型的损失函数基于梯度损失与MAE损失，能够有效改善重建图像的边缘细节以及伪影问题.在基准数据集上的实验结果表明，所提模型在放大倍数为2、3任务上比现有的IDN、MemNet、DRRN等代表性模型具有更好的性能，特别是在参数量、计算复杂度、重建速度及改善图像边缘、去伪影等方面均优于现有具有代表性的算法;结合分组卷积的增强模型参数量仅有3
