在单图像超分辨领域，对attention in attention network（A2N）的研究表明，并非所有的注意力模块都对网络有益。因此在网络的设计中可将输入特征分成注意力分支和无注意力分支，再根据输入特征利用动态注意力模块自适应调整这两个分...
详细信息
在单图像超分辨领域，对attention in attention network（A2N）的研究表明，并非所有的注意力模块都对网络有益。因此在网络的设计中可将输入特征分成注意力分支和无注意力分支，再根据输入特征利用动态注意力模块自适应调整这两个分支上的权重，使得网络能够强化有用特征、抑制不重要特征。在实际应用场景中，轻量化的网络更加适合在资源受限的设备上运行。于是，在A2N的基础上进行改进，通过削减原有网络中attention in attention block（A2B）的数量，并引入轻量的感受野模块来提升网络的整体性能。此外，将L1损失调整为基于傅里叶变换的组合损失，将图像的空间域转换为频率域，使网络能够学习图像的频率特征。最终实验结果表明，改进后的A2N在实现性能提升的同时，参数量减少了约25%，计算复杂度减少了约20%，推理速度提升了15%。
暂无评论