基于多尺度残差注意力网络的壁画图像超分辨率重建算法

徐志刚; 闫娟娟; 朱红蕾

doi:doi:10.3788/LOP57.161012

激光与光电子学进展, 2020, 57 (16): 161012, 网络出版: 2020-08-05

基于多尺度残差注意力网络的壁画图像超分辨率重建算法下载： 981次

Mural Image Super Resolution Reconstruction Based on Multi-Scale Residual Attention Network

徐志刚闫娟娟朱红蕾 ^*

作者单位

兰州理工大学计算机与通信学院, 甘肃兰州 730050

图 & 表

图 1. 残差块结构图

Fig. 1. Structure of residual block

下载图片查看原文

图 2. 通道注意力机制示意图

Fig. 2. Schematic diagram of channel attention mechanism

下载图片查看原文

图 3. 本网络结构图

Fig. 3. Structure of our network

下载图片查看原文

图 4. 残差通道注意力块结构图

Fig. 4. Structure of residual channel attention block

下载图片查看原文

图 5. 不同算法的重建结果。(a)原图;(b)双三次插值算法;(c) SRCNN算法;(d) ESPCN算法;(e) VDSR算法;(f)本算法

Fig. 5. Reconstruction results of different algorithms. (a) Original images; (b) bicubic interpolation algorithm; (c) SRCNN algorithm; (d) ESPCN algorithm; (e) VDSR algorithm; (f) our algorithm

下载图片查看原文

图 6. 重建壁画图像的PSNR曲线。(a)佛像壁画;(b)藻井壁画

Fig. 6. PSNR curves of reconstructed mural image. (a) Buddha mural; (b) caisson mural

下载图片查看原文

图 7. 不同重建算法的参数量和训练时间。(a)参数量;(b)训练时间

Fig. 7. Parameter amounts and training time of different reconstruction algorithms. (a) Parameter amount; (b) training time

下载图片查看原文

表 1不同网络深度的重建图像质量

Table1. Reconstructed image quality at different network depths

Test set	Index	VDSR	RCAB
Test set	Index	VDSR	5	7	10
Buddha mural	PSNR /dB	33.43	30.92	32.55	34.33
	SSIM	0.9478	0.9313	0.9424	0.9656
Flying apsaras mural	PSNR /dB	30.12	28.72	30.44	30.89
	SSIM	0.9584	0.9456	0.9641	0.9884
Caisson mural	PSNR /dB	31.35	28.19	30.64	32.23
	SSIM	0.9604	0.9351	0.9478	0.9712

查看原文

表 2不同算法对壁画图像的测试结果

Table2. Test results of mural images by different algorithms

Dateset	Upscalingfactor	Bicubic		SRCNN		ESCPN		VDSR		Ours
Dateset	Upscalingfactor	PSNR /dB	SSIM	PSNR /dB	SSIM	PSNR /dB	SSIM	PSNR /dB	SSIM	PSNR /dB	SSIM
	2	31.57	0.9301	31.96	0.9451	32.21	0.9483	33.87	0.9517	34.66	0.9634
Test(a)	3	30.37	0.8612	31.65	0.8741	31.78	0.8795	33.56	0.8832	33.92	0.9187
	4	27.42	0.8301	28.11	0.8414	28.69	0.8452	29.35	0.8677	30.24	0.8792
	2	30.64	0.9421	32.15	0.9451	32.87	0.9472	33.71	0.9527	33.88	0.9563
Test(b)	3	28.35	0.8232	29.74	0.8304	29.87	0.8345	30.56	0.8657	31.42	0.8779
	4	26.13	0.8014	26.89	0.8116	27.14	0.8135	28.43	0.8354	29.19	0.8426
	2	29.33	0.9242	29.70	0.9255	29.94	0.9287	32.13	0.9412	32.99	0.9488
Test(c)	3	28.27	0.8723	30.34	0.8747	30.95	0.8787	31.33	0.8852	31.84/	0.8943
	4	24.59	0.8378	25.23	0.8423	25.88	0.8462	26.79	0.8523	27.36/	0.8589

查看原文

徐志刚, 闫娟娟, 朱红蕾. 基于多尺度残差注意力网络的壁画图像超分辨率重建算法[J]. 激光与光电子学进展, 2020, 57(16): 161012. Zhigang Xu, Juanjuan Yan, Honglei Zhu. Mural Image Super Resolution Reconstruction Based on Multi-Scale Residual Attention Network[J]. Laser & Optoelectronics Progress, 2020, 57(16): 161012.

基于多尺度残差注意力网络的壁画图像超分辨率重建算法下载： 981次

图 1. 残差块结构图

Fig. 1. Structure of residual block

图 2. 通道注意力机制示意图

Fig. 2. Schematic diagram of channel attention mechanism

图 3. 本网络结构图

Fig. 3. Structure of our network

图 4. 残差通道注意力块结构图

Fig. 4. Structure of residual channel attention block

图 5. 不同算法的重建结果。(a)原图;(b)双三次插值算法;(c) SRCNN算法;(d) ESPCN算法;(e) VDSR算法;(f)本算法

Fig. 5. Reconstruction results of different algorithms. (a) Original images; (b) bicubic interpolation algorithm; (c) SRCNN algorithm; (d) ESPCN algorithm; (e) VDSR algorithm; (f) our algorithm

图 6. 重建壁画图像的PSNR曲线。(a)佛像壁画;(b)藻井壁画

Fig. 6. PSNR curves of reconstructed mural image. (a) Buddha mural; (b) caisson mural

图 7. 不同重建算法的参数量和训练时间。(a)参数量;(b)训练时间

Fig. 7. Parameter amounts and training time of different reconstruction algorithms. (a) Parameter amount; (b) training time

表 1不同网络深度的重建图像质量

Table1. Reconstructed image quality at different network depths

表 2不同算法对壁画图像的测试结果

Table2. Test results of mural images by different algorithms

关于本站 Cookie 的使用提示

全站搜索

基于多尺度残差注意力网络的壁画图像超分辨率重建算法 下载： 981次

图 1. 残差块结构图

Fig. 1. Structure of residual block

图 2. 通道注意力机制示意图

Fig. 2. Schematic diagram of channel attention mechanism

图 3. 本网络结构图

Fig. 3. Structure of our network

图 4. 残差通道注意力块结构图

Fig. 4. Structure of residual channel attention block

图 5. 不同算法的重建结果。(a)原图;(b)双三次插值算法;(c) SRCNN算法;(d) ESPCN算法;(e) VDSR算法;(f)本算法

Fig. 5. Reconstruction results of different algorithms. (a) Original images; (b) bicubic interpolation algorithm; (c) SRCNN algorithm; (d) ESPCN algorithm; (e) VDSR algorithm; (f) our algorithm

图 6. 重建壁画图像的PSNR曲线。(a)佛像壁画;(b)藻井壁画

Fig. 6. PSNR curves of reconstructed mural image. (a) Buddha mural; (b) caisson mural

图 7. 不同重建算法的参数量和训练时间。(a)参数量;(b)训练时间

Fig. 7. Parameter amounts and training time of different reconstruction algorithms. (a) Parameter amount; (b) training time

表 1不同网络深度的重建图像质量

Table1. Reconstructed image quality at different network depths

表 2不同算法对壁画图像的测试结果

Table2. Test results of mural images by different algorithms

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于多尺度残差注意力网络的壁画图像超分辨率重建算法下载： 981次