控制与决策

作者：宋昭漾,赵小强,惠永永,蒋红梅

单位：兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050;兰州理工大学 国家级电气与控制工程实验教学中心,兰州 730050,,兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050;兰州理工大学 国家级电气与控制工程实验教学中心,兰州 730050,,兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050;兰州理工大学 国家级电气与控制工程实验教学中心,兰州 730050,,兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050;兰州理工大学 国家级电气与控制工程实验教学中心,兰州 730050,

关键词：超分辨率重建;深度神经网络;多级信息补偿;U型网络

基金：国家自然科学基金项目(61763029)；国防基础科研项目(JCKY2018427C002)；国家重点研发计划项目(2020YFB1713600)；甘肃省重点研发计划项目(21YF5GA072)；甘肃省自然科学基金项目(21JR7RA206, 20JR5RA459)；甘肃省教育厅优秀研究生创新之星项目(2021CXZX-501).

针对基于深度神经网络的图像超分辨率重建算法在特征提取过程中容易丢失特征信息,导致重建图像缺少纹理和边缘细节等问题,提出一种多级信息补偿的U型网络图像超分辨率重建算法.首先设计一个用于图像超分辨率重建的U型网络,该网络通过下通道分支对输入特征进行多层级特征提取和通道压缩,通过底层模块对压缩后的特征进行融合并提取不同通道的相关特征,通过上通道分支对压缩后的相关特征进行多层次特征提取和通道恢复;然后设计多级信息补偿模型,对U型网络的通道压缩过程中丢失的信息和通道恢复过程中难以恢复的信息进行补偿;最后在不同放大倍数下的Set5、Set14、BSD100和Urban100测试集上对所提算法和主流算法进行对比测试分析,实验结果表明所提算法相比主流算法实现了在峰值信噪比(PSNR)/结构相似度(SSIM)指标和视觉效果上的巨大提升.

来源：2023年第9期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第9期