概述
这篇论文提出了现有的SISR大多未能充分利用中间层的特征信息的问题，由此提出了一个特征跳转融合块，来解决这个问题。
网络总体结构由四部分组成：浅特征提取层、深层融合特征提取层、重建层、深度特征提取层。输入的LR图片先经过33的卷积提取粗糙的特征，后经过浅特征提取层提取浅层特征，浅层特征经过深层融合特征提取层的到经过融合后的深层特征，各个深层特征融合提取块所得到的深层融合特征经过全局特征融合后，生成全局融合特征，后经过亚像素上采样和降维操作恢复出高分辨率图片。
首先介绍SFblock，在此模块中，使用残差学习和11的卷积来提取浅层特征保证了训练的效率，防止梯度消失。
这篇论文主要的创新点在于FSFblock中，这篇文章提出了一种融合多尺度融合的架构来解决一开始提出的现有SISR无法充分利用网络中间层的特征信息的问题。FSF模块中包含三个不同尺度的特征提取层分别为33、35、55，为了防止中间层特征信息的丢失采用了逐级融合的方式，首先上一个FSF块得到的特征信息分别输入三个不同尺度的特征提取层进行特征提取，后将原始输入的特征信息与33卷积进一步提取所得的特征信息进行拼接，并用11的卷积进行融合，将融合后的特征信息继续与下一层35所提取到的深层特征信息进行融合，依次融合到最后一层，这样很好的保证网络中间隐藏层的特征信息不丢失。
最后
以上就是迷人大白为你收集整理的Multi-Level Feature Fusion Mechanism for Single Image Super-Resolution的全部内容，希望文章能够帮你解决Multi-Level Feature Fusion Mechanism for Single Image Super-Resolution所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复