0210009-1第60卷第2期/2023年1月/激光与光电子学进展研究论文残差注意力聚合对偶回归网络超分辨率计算机断层扫描重建范金河1，2，吴静1，2*，何茂林1，21西南科技大学信息工程学院，四川绵阳621010；2西南科技大学特殊环境机器人技术四川省重点实验室，四川绵阳621010摘要为了改善计算机断层扫描（CT）影像重建质量不高的问题，提出一种基于残差注意力聚合对偶回归网络（RAADRNet）的超分辨率CT重建方法。多特征下采样提取模块（MFDEB）通过平均池化、最大池化和卷积运算完成多特征下采样提取，在多特征融合后嵌入通道学习注意力（CLA）和空间学习注意力（SLA），同时并入前级融合特征提取图像的浅层特征。CLA、SLA分别引入通道权重特征学习以及激活函数1+tanh（）完成特征提取。残差注意力聚合模块（RAAB）通过CLA嵌入残差网络构成的残差通道学习注意力模块（RCLAB）与SLA构成的空间特征融合模块（SFFB）联合提取图像的深层特征。原始网络在浅层特征与通过亚像素卷积放大的深层特征进行特征融合后完成重建。对偶网络进一步约束重建映射函数的解空间。实验表明，所提算法在重建图像的峰值信噪比（PSNR）和结构相似度（SSIM）上都得到了较好的提升。关键词图像处理；超分辨率计算机断层扫描重建；多特征下采样；通道学习注意力；空间学习注意力；残差注意力聚合中图分类号TP391文献标志码ADOI：10.3788/LOP212865Super-ResolutionComputedTomographyReconstructionofResidualAttentionAggregationDualRegressionNetworkFanJinhe1,2,WuJing1,2*,HeMaolin1,21CollegeofInformationEngineering,SouthwestUniversityofScienceandTechnology,Mianyang621010,Sichuan,China;2SichuanKeyLaboratoryofSpecialEnvironmentalRobotics,SouthwestUniversityofScienceandTechnology,Mianyang621010,Sichuan,ChinaAbstractAsuper-resolutioncomputedtomography(CT)reconstructionmethodbasedonaresidualattentionaggregationdualregressionnetwork(RAADRNet)isproposedtoimprovethequalityofCTimagereconstruction.Themulti-featuredown-samplingextractionblock(MFDEB)isusedtocompletemulti-featuredown-samplingextractionbyemployingaveragepooling,maximumpooling,andconvolutionoperations,andchannellearningattention(CLA)andspatiallearningattention(SLA)areembeddedaftermulti-featurefusion.Moreover,theshallowfeaturesofanimageareextractedbycombin...
