.png){kind=icon}
返回
Wavelet attention-based implicit multi-granularity super-resolution network
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01862-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像超分辨率（SR）是计算机视觉领域的一个基础性挑战。近年来，基于卷积神经网络（CNN）的图像SR方法在各类SR任务中取得了显著进展。然而，当前多数研究聚焦于设计更深、更宽的架构，往往为了提升图像SR质量而牺牲计算负担和速度。为获得更高效的SR方法，本文提出了一种用于图像SR的小波注意力网络（WANet）。首先，提出了一种基于小波注意力的模块。相较于现有的自注意力模块，小波注意力模块通过小波变换将图像特征分解为不同频率分量，随后应用自注意力机制捕捉多尺度特征，从而实现更高效且更大的感受野，帮助网络捕捉长距离特征依赖关系。其次，引入局部隐式特征以增强编码器聚合局部邻域特征的能力。最后，粗粒度和细粒度的交织像素特征协同关联，以提升隐式特征解码器的性能。与当前最先进的SR方法的实验比较表明，WANet在图像SR领域具有有效性和优越性。
Keyword:
Continuous super-resolution reconstruction
Implicit neural representation
Wavelet transform
Attention mechanism
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
Analysis of medical images super-resolution via a wavelet pyramid recursive neural network constrained by wavelet energy entropy.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Image super-resolution using progressive generative adversarial networks for medical image analysis
PREAI
分享收藏Trainable Nonlinear Reaction Diffusion: A Flexible Framework for Fast and Effective Image Restoration可训练的非线性反应扩散: 快速有效的图像恢复的灵活框架
OAAI
OAAI分享收藏
查看更多内容