- 概要
近年來，深度卷積神經網絡（CNNs）在單一圖像超分辨率（SISR）中進行了廣泛的探索，並獲得了卓越的性能。但是，大多數現有的基於CNN的SISR方法主要聚焦於更寬或更深的體系結構設計上，而忽略了挖掘層間特征的內在相關性，從而阻礙了CNN的表示能力。為了解決這一問題，在本文中提出了一個二階注意力網絡（SAN），用於更強大的特征表達和特征相關性學習。特別地，開發了一種新穎的可訓練的二階通道注意力（SOCA）模塊，以通過使用二階特征統計量進行更具區分度的表示來自適應地重縮放通道級別的特征。此外，我們提出了一種非局部增強殘差組（NLRG）結構，該結構不僅包括了非局部操作以獲取遠程空間內容信息，而且還包含重復的局部源殘差注意力模塊（LSRAG）以學習越來越多的抽象特征表示。實驗結果證明了SAN網絡在客觀指標和視覺質量方面均優於最新的SISR方法。
碼字不易，如果您覺得有幫助，麻煩點個贊再走唄~