Published January 1, 2021
| Version v1
Publication
Open
Image super-resolution algorithm based on RRDB model
Description
Aiming at the problems of texture distortion and fuzzy details in the existing image superresolution reconstruction methods, a super-resolution reconstruction network based on multi-channel attention mechanism is proposed.The texture extraction module designs an extremely lightweight multichannel attention module in the network structure.Combined with one-dimensional convolution, it realizes cross-channel information interaction, focusing on important feature information; The texture restoration module introduces dense remaining blocks to restore some high-frequency texture details, improve the model performance, and generate high-quality reconstructed images.The proposed network can not only effectively improve the visual effect of the image, but the results on the benchmark data set CUFED5 are similar to the classic super-resolution (SRCNN) reconstruction method based on convolutional neural network.The peak signal-to-noise ratio (PSNR) and structure are similar.Degrees (SSIM) increased by 1.76dB and 0.062 respectively.Experimental results show that the designed network can improve the accuracy of texture migration and can effectively improve the quality of the generated image.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تهدف إلى مشاكل تشويه الملمس والتفاصيل الغامضة في طرق إعادة بناء الصور فائقة الدقة الحالية، يتم اقتراح شبكة إعادة بناء فائقة الدقة تعتمد على آلية انتباه متعددة القنوات. تصمم وحدة استخراج الملمس وحدة اهتمام متعددة القنوات خفيفة الوزن للغاية في هيكل الشبكة. جنبًا إلى جنب مع الالتفاف أحادي البعد، فإنها تدرك تفاعل المعلومات عبر القنوات، مع التركيز على معلومات الميزات المهمة ؛ تقدم وحدة استعادة الملمس كتلًا متبقية كثيفة لاستعادة بعض تفاصيل الملمس عالية التردد، وتحسين أداء النموذج، وتوليد صور عالية الجودة. لا يمكن للشبكة المقترحة فقط تحسين التأثير البصري للصورة بشكل فعال، ولكن النتائج على مجموعة البيانات المعيارية CUFED5 تشبه طريقة إعادة البناء الكلاسيكية فائقة الدقة (SRCNN) استنادًا إلى الشبكة العصبية الالتفافية. نسبة ذروة الإشارة إلى الضوضاء (PSNR) والهيكل متشابهة. زادت الدرجات (SSIM) بمقدار 1.76ديسيبل و 0.062 على التوالي. النتائج التجريبية التي تظهر أن الشبكة المصممة يمكنها تحسين دقة النص وتحسين جودة الصورة التي تم إنشاؤها بشكل فعال.Translated Description (French)
Visant les problèmes de distorsion de texture et de détails flous dans les méthodes de reconstruction de super-résolution d'image existantes, un réseau de reconstruction de super-résolution basé sur un mécanisme d'attention multicanal est proposé. Le module d'extraction de texture conçoit un module d'attention multicanal extrêmement léger dans la structure du réseau. Combiné à une convolution unidimensionnelle, il réalise une interaction d'informations intercanal, en se concentrant sur des informations de caractéristiques importantes. Le module de restauration de texture introduit des blocs restants denses pour restaurer certains détails de texture haute fréquence, améliorer les performances du modèle et générer des images reconstruites de haute qualité. Le réseau proposé peut non seulement améliorer efficacement l'effet visuel de l'image, mais les résultats sur l'ensemble de données de référence CUFED5 sont similaires à la méthode de reconstruction de super-résolution classique (SRCNN) basée sur un réseau neuronal convolutif. Le rapport signal sur bruit de crête (PSNR) et la structure sont similaires. Les degrés (SSIM) augmentés de 1,76dB et 0,062 respectivement. Les résultats expérimentaux montrent que le réseau conçu peut améliorer la précision de la migration de texture et peut améliorer efficacement la qualité de l'image générée.Translated Description (Spanish)
Con el objetivo de abordar los problemas de distorsión de textura y detalles borrosos en los métodos de reconstrucción de superresolución de imágenes existentes, se propone una red de reconstrucción de superresolución basada en un mecanismo de atención multicanal. El módulo de extracción de textura diseña un módulo de atención multicanal extremadamente ligero en la estructura de red. Combinado con la convolución unidimensional, se da cuenta de la interacción de información entre canales, centrándose en información de características importantes. El módulo de restauración de textura introduce bloques restantes densos para restaurar algunos detalles de textura de alta frecuencia, mejorar el rendimiento del modelo y generar imágenes reconstruidas de alta calidad. La red propuesta no solo puede mejorar de manera efectiva el efecto visual de la imagen, sino que los resultados en el conjunto de datos de referencia CUFED5 son similares al método de reconstrucción de superresolución clásica (SRCNN) basado en la red neuronal convolucional. La relación señal/ruido máxima (PSNR) y la estructura son similares. Los grados (SSIM) aumentados en 1.76dB y 0.062 respectivamente. Los resultados experimentales muestran que la red diseñada puede mejorar la precisión de la migración de textura y puede mejorar de manera efectiva la calidad de la imagen generada.Files
09562515.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:7967bafafc9c0efe7319d329d9621eef
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- خوارزمية الدقة الفائقة للصورة بناءً على نموذج RRDB
- Translated title (French)
- Algorithme de super-résolution d'image basé sur le modèle RRDB
- Translated title (Spanish)
- Algoritmo de superresolución de imágenes basado en el modelo RRDB
Identifiers
- Other
- https://openalex.org/W3204883653
- DOI
- 10.1109/access.2021.3118444
References
- https://openalex.org/W2039412848
- https://openalex.org/W2463631526
- https://openalex.org/W2798490576
- https://openalex.org/W2964209782
- https://openalex.org/W3089124119
- https://openalex.org/W3117980616
- https://openalex.org/W3120919376
- https://openalex.org/W3134441556
- https://openalex.org/W3136666644
- https://openalex.org/W3159754806