深度学习波函数转化 现有的基于深度学习的图像超分往往采用更深、更宽的架构提升重建图像质量，这就导致了更大的计算量、更慢的推理速度。尽管也有研究员设计轻量型网络用语图像超分，但往往造成性能损失。 本文提出一种基于小波的残差注意力网络(wavelet-basedresidualattentionnetwork,WRAN)用于图像超分。具体来说，该网络的输入与标签是由2D小波变换生成的四组系数，通过显式地将图像拆分为高低频四个通道有助于降低训练难度。与此同时，我们提出多核卷积构建基础模块，它可以自适应集成不同感受野的特征；此外，我们还采用了残差注意力模块，它包含通道注意力与空域注意力机制。因此所提方案能够以更轻量方式从通道与空域维度聚焦于潜在纹理。 本文通过充分的实验表明：所提WRAN具有计算高效性，同时取得了SOTA超分性能。本文的主要贡献包含以下几点： 我们采用2D小波变换生成的四组系数作为输入，因此低频内容与高频细节可以在训练之前进行显式分离。这种处理方式有助于缓解训练难度且不会造成信息损失。 我们采用多核卷积构建基础模块，它可以字使用进行不同感受野特征汇聚与集成； 我们对残差注意力模块进行了探索并用于自适应特征提炼。 本文来源：https://www.wddqw.com/doc/d2622977fd4733687e21af45b307e87101f6f8e7.html