Symmetric Residual Channel Attention Network for Image Super-Resolution

Abstract

최근 전자 정보 시스템의 기술이 발전함에 따라 영상을 활용하는 다양한 분야에서 보다 더 효과적인 영상처리 기법이 요구되고 있다. 이에 따라 영상처리 기법은 일상 생활에서 접하는 감상용 미디어 콘텐츠뿐만 아니라 국가 차원의 과학기술 분야로도 중요한 연구 분야로 자리잡고 있다. 높아진 효율적인 영상처리 기법의 수요만큼 영상의 화질은 다양한 응용 분야에서 중요한 지표가 된다. 고해상도 영상을 얻기 위한 가장 간단한 방법은 고가의 성능이 높은 기기를 이용하는 것이다. 하지만 촬영 환경에서 화질에 악영향을 끼치는 많은 요인이 존재하기 때문에 고성능의 기기사용이 결과 영상의 고화질을 보장하지는 못한다. 또한 고성능 기기 사용이 제한된 분야가 있을 수 있으며 비용이 많이 든다는 단점이 있다. 이를 해결하기 위해 특정 기기로 얻은 영상 데이터로부터 해상도를 높이는 알고리듬들이 연구되고 있다. 초해상도 기술은 저해상도 영상으로부터 고해상도 영상을 만드는 가장 대표적인 기술로 딥러닝 기술과 함께 많은 연구가 진행되고 있다. 대칭적인 구조를 갖는 잔차 신경망과 어텐션을 활용한 초해상도 기술을 제안한다. 입력 영상의 세부 정보를 추출하기 위해 신경망의 깊이를 증가시켰으며 채널 어텐션 기법을 활용하여 효과적인 학습을 통해 성능을 높일 수 있었다. 마지막으로, 보편적으로 사용되는 보간 기법을 사용하는 대신, 디컨볼루션 레이어를 이용하여 결과 영상을 생성함으로써 이미지의 세부 정보와 고주파 정보를 더 잘 복원할 수 있었다. 실험 결과를 통해 제안하는 신경망 모델은 기존의 기법들에 비해 가장자리와 같은 세부적인 측면에서 더 뚜렷한 효과를 얻는 것을 알 수 있었다.; In recent years, with the gradual development of electronic information systems, people increasingly hope to obtain more effective information. Now image information has important applications not only in the lives of residents, but also in the fields of national science and technology. In summary, the quality of the information carried by the image is indispensable. However, in many real situations, the image may be blurred and degraded, so it is sometimes difficult to obtain a high-resolution image. In order to increase the resolution, the first method that came to mind was to design an advanced camera. Although improving the imaging equipment is the most direct method, it is relatively difficult to improve the technology in hardware, and the cost is high. Limited by many factors, software is commonly used to improve image resolution now. Researchers try to solve this problem by researching algorithms and using software technology. In software, super-resolution (SR) technology is one of the best ways to improve image resolution. Thus, research on image SR technology attracts much attention. SR refers to the recovery of high-resolution images from a low-resolution image or sequence of images. It can effectively improve picture quality in a short time. In recent years, SR technology has become more and more mature. Considering the image reconstruction performance, network training, and the final effect of the image, this dissertation proposes a SR reconstruction algorithm based on symmetric residual network and attention mechanism. While increasing the depth of the network, deeper image details can be obtained. In this way, the image will have a better reconstruction effect in details such as edges. Then, by adding a channel attention mechanism, the model can effectively learn more useful information. Finally, in the reconstruction process, the network uses deconvolution layers instead of interpolation to reconstruct the image. In this way, the detailed information and high-frequency information of the image can be better restored. By experimenting with multiple common data sets，the results show that compared with some traditional models, the details of the pictures generated by the proposed model are clearer, the PSNR value has also improved significantly.