壁畫圖像具有結(jié)構(gòu)細(xì)節(jié)豐富,紋理復(fù)雜、色彩多變的特點(diǎn),而基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法重建的壁畫圖像存在紋理模糊和邊緣鋸齒效應(yīng)的問題。因此,提出了一種基于多尺度殘差注意力網(wǎng)絡(luò)的壁畫圖像超分辨率重建算法。首先,通過多尺度映射單元,用不同尺度的卷積核直接對(duì)低分辨率壁畫圖像進(jìn)行特征提取;然后,將融合后的特征圖輸入殘差通道注意力塊,使網(wǎng)絡(luò)從全局信息出發(fā)對(duì)各個(gè)特征圖進(jìn)行權(quán)值優(yōu)化,增強(qiáng)網(wǎng)絡(luò)模型的深度映射能力;最后,在網(wǎng)絡(luò)末端引入亞像素卷積層,重新排列像素,得到重建的高分辨率壁畫圖像。實(shí)驗(yàn)結(jié)果表明,本算法可以減小重建誤差,增強(qiáng)重建壁畫圖像的邊緣及結(jié)構(gòu)信息,使重建的壁畫圖像紋理細(xì)節(jié)更豐富。 

【文章來源】：激光與光電子學(xué)進(jìn)展. 2020,57(16)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

殘差塊結(jié)構(gòu)圖

在不增加特征維度的前提下，對(duì)特征通道間的非線性相關(guān)性進(jìn)行建模，以增強(qiáng)網(wǎng)絡(luò)的深度表達(dá)能力。采用特征重新標(biāo)定策略[14]，通過學(xué)習(xí)的方式自動(dòng)獲取每個(gè)特征通道的重要程度，從而實(shí)現(xiàn)特征通道的自適應(yīng)校準(zhǔn)，通道注意力機(jī)制結(jié)構(gòu)如圖2所示。使用全局平均池化方法[15]將網(wǎng)絡(luò)上一級(jí)輸入的特征通道空間信息轉(zhuǎn)換為通道描述符，并將其設(shè)置為x=[x1，…，xc-1,xc]的輸入，其具有尺寸為H×W的c個(gè)特征映射。通道統(tǒng)計(jì)z∈Rc可以通過空間維度H×W收縮x得到，Rc為特征映射圖進(jìn)行全局平均池化后的特征通道，z的第c個(gè)元素可表示為

通過結(jié)合GoogleNet[16]中的Inception block和Resnet中的Residual learning block，拓展了網(wǎng)絡(luò)的寬度和深度，以增強(qiáng)模型的特征提取能力，提升壁畫圖像重建的質(zhì)量。該網(wǎng)絡(luò)的構(gòu)如圖3所示。4.1 特征提取

【參考文獻(xiàn)】：
博士論文
[1]古代壁畫圖像保護(hù)與智能修復(fù)技術(shù)研究[D]. 劉建明.浙江大學(xué) 2010



本文編號(hào)：3141997