Super-Resolução de Imagem Leve com Mecanismo de Atenção de Expectativa-Maximização

Nos últimos anos, com o rápido desenvolvimento do aprendizado profundo, os métodos de super-resolução baseados em redes neurais convolucionais (CNNs) avançaram significativamente. No entanto, os parâmetros e o consumo necessário de recursos computacionais desses métodos também estão aumentando a ponto de eles serem difíceis de implementar em dispositivos com baixo poder de computação. Para abordar essa questão, propomos uma rede de super-resolução de imagem única leve com um mecanismo de atenção de expectativa-maximização (EMASRN) para melhor equilibrar desempenho e aplicabilidade. Especificamente, é proposto um bloco de extração de características multiescalas progressivas (PMSFE) para extrair mapas de características de diferentes tamanhos. Além disso, propomos um bloco de atenção de expectativa-maximização de tamanho HR (HREMAB) que captura diretamente as dependências de longo alcance de mapas de características de tamanho HR. Também utilizamos uma rede de feedback para alimentar as características de alto nível de cada geração na rede superficial da próxima geração. Em comparação com os métodos existentes de super-resolução de imagem única leve (SISR), nosso EMASRN reduz o número de parâmetros em quase um terço. Os resultados experimentais demonstram a superioridade do nosso EMASRN em relação aos métodos SISR leves de última geração em termos de métricas quantitativas e qualidade visual. O código-fonte pode ser baixado em https://github.com/xyzhu1/EMASRN.