轻量级图像超分辨率算法

近年来随着深度学习的迅速发展，相较于传统方法，基于深度学习的方法能够恢复出视觉效果，但是现有的深度学习网络模型注重于加深网络结构，通过扩大网络模型来提升重建的质量，这导致计算代价越来越大；而目前主流的使用小卷积核的提取特征的方法，虽然减少了计算量，但也因为感受野较小而无法充分学习到不同区域的特征。针对上述问题，本算法提出了一种基于期望最大化(expectation maximization ,EM)残差注意力图像超分辨率重建（super-resolution, SR）网络，该网络通过构建双路残差块来提取并融合网络的前后层信息，以增强网络的特征提取能力。通过引入 EM 注意力机制来获取特
征信息在空间上的相关性。最后将图像的浅层信息与经过多个 EM 残差注意力模块提取到的深度空间信息进行融合并重建，恢复出高分辨率图像。