基于像素对比学习的图像超分辨率算法OA北大核心CSTPCD

目前,深度卷积神经网络(Convolutional neural network,CNN)已主导了单图像超分辨率(Single image superresolution,SISR)技术的研究,并取得了很大进展.但是,SISR仍是一个开放性问题,重建的超分辨率(Super-resolution,SR)图像往往会出现模糊、纹理细节丢失和失真等问题.提出一个新的逐像素对比损失,在一个局部区域中,使SR图像的像素尽可能靠近对应的原高分辨率(High-resolution,HR)图像的像素,并远离局部区域中的其他像素,可改进SR图像的保真度和视觉质量.提出一个组合对比损失的渐进残差特征融合网络(Progressive residual feature fusion network,PRFFN).主要贡献有:1)提出一个通用的基于对比学习的逐像素损失函数,能够改进SR图像的保真度和视觉质量;2)提出一个轻量的多尺度残差通道注意力块(Multi-scale residual channel attention block,MRCAB),可以更好地提取和利用多尺度特征信息;3)提出一个空间注意力融合块(Spatial attention fuse block,SAFB),可以更好地利用邻近空间特征的相关性.实验结果表明,PRFFN显著优于其他代表性方法.