基于深度可分离卷积的级联多尺度交叉网络的超分辨率重构

摘要

深度卷积神经网络进行单幅图像超分辨率在精度和速度方面取得了显著成果。然而随着网络的层次加深,信息流动减弱,训练难以实现。同时,大多数模型采用单流结构,在不同的感受域下的上下文信息很难获取。改善信息流动获取足够的细节信息并减少网络参数量,本文提出了基于深度可分离卷积的级联多尺度交叉网络(Cascaded Multiscale Crossing Network, CMSC),在每个级联子网络中,堆叠多个多尺度交叉模块以便融合互补多尺度的信息,从而有效改善跨层的信息流。同时,在每个阶段引入残差学习策略,充分利用低分辨率特征信息,进一步提升重建性能。在基准数据集的评估表明本文方法优于最主流的超分辨率方法。