基于EM自注意力残差的图像超分辨率重建网络

基于深度学习的图像超分辨率(SR)重建方法主要通过增加模型的深度来提升图像重建的质量,但同时增加了模型的计算代价,很多网络利用注意力机制来提高特征提取能力,但难以充分学习到不同区域的特征。为此,提出一种基于期望最大化(EM)自注意力残差的图像超分辨率重建网络。该网络通过改进基础残差块,构建特征增强残差块,以更好地复用残差块中所提取的特征。为增加特征信息在空间上的相关性,引入EM自注意力机制,构建EM自注意力残差模块来增强模型中每个模块的特征提取能力,并通过级联EM自注意力残差模块来构建整个模型的特征提取结构。所获得的特征图通过上采样的图像重建模块获得重建的高分辨率图像。将所提方法与主流方法进行实验对比,结果表明：所提方法在5个流行的SR测试集上能够取得较好的主观视觉效果和更优的性能指标。     

基于改进大气散射模型的单幅图像去雾方法

雾天情况下获得的图像通常会出现对比度低、色彩丢失及噪声等问题，传统的去雾方法主要着眼于解决对比度低、色彩损失等问题，而没有考虑空气中灰尘颗粒散射隐藏的噪声光，导致去雾结果中易出现大量的噪声。针对该问题，提出了一种基于改进大气散射模型的单幅图像去雾方法。结合雾霾天气的特点，通过增加空气中介质散射的噪声光对传统雾天成像的大气散射模型进行改进；针对暗通道先验计算透射率不准确的问题，根据改进的模型构建一种透射率精细化的求取方法；结合全变分模型保边抑噪的思想，构造一种新的目标函数，迭代求解获得去雾图像。实验结果和对比分析表明:所提方法能有效去除图像中的雾，减少去雾结果中的噪声，同时也能保留图像中丰富的纹理信息。