DOI:10.11991/yykj.202302001网络出版地址：https://link.cnki.net/urlid/23.1191.U.20240103.1104.002基于生成对抗网络的轻量级图像盲超分辨率网络李若琦，苍岩哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001摘要：针对图像盲超分辨率网络计算参数多、模型庞大的问题，对快速且节省内存的轻量级图像非盲超分辨率网络（fastandmemory-efficientimagesuperresulotionnetwork,FMEN）进行改进，提出了一种轻量级的快速且节省内存的图像盲超分辨率网络（fastandmemory-efficientimageblindsuperresulotionnetwork,FMEBN)。首先，通过图像退化模块模拟部分真实世界退化空间，使用退化预测模块预测低分辨率(lowresolution,LR)图像的退化参数；然后，为能有效利用退化先验信息指导并约束网络进行重建，使用动态卷积对原网络特征提取、重建模块、高频注意力块（highfrequencyattentionblock,HFAB）结构进行改进；最后，使用生成对抗网络（generativeadversarialnetwork,GAN)对FMEN训练策略与损失函数进行优化，减小真实数据与生成数据的差异，生成更加真实、清晰的纹理、轮廓。实验结果表明，在合成图像数据集和真实图像数据集RealWorld-38上，该算法有较好的重建精度与视觉效果，模型大小12MB，可以满足图像盲超分辨率网络的轻量级需求。关键词：图像盲超分辨率；生成对抗网络；轻量级网络；图像退化；动态卷积；高分辨率；低分辨率中图分类号：TP391文献标志码：A文章编号：1009−671X(2024)02−0112−08AlightweightblindsuperresulotionnetworkbasedongenerativeadversarialnetworkLIRuoqi,CANGYanCollegeofInformationandCommunicationEngineering,HarbinEngineeringUniversity,Harbin150001,ChinaAbstract:Inordertosolvetheproblemthattheimageblindsuperresolutionnetworkhasmanycomputingparametersandalargemodel,thispaperimprovesthelightweightimageblindsuperresolutionnetworkfastandmemory-efficientimagesuperresulotionnetwork(FMEN)andproposesalightweightimageblindsuperresolutionnetworkfastandmemory-efficientimageblindsuperresulotionnetwork(FMEBN).Firstly,partofrealworlddegradationspaceissimulatedbyimagedegradationmodule,anddegradationpredictionmoduleisusedtopredictlowresolution(LR)imagedegradationparameters.Then,inordertoeffectivelyusedegradedpriorinformationtoguideandconstrainthenetworkrecon...
