• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    用于圖像超分辨率的輕量化特征蒸餾注意力網(wǎng)絡(luò)

    2024-12-19 00:00:00常開榮孫俊胡明志
    關(guān)鍵詞:深度學(xué)習(xí)

    摘 要: 針對(duì)現(xiàn)有的圖像超分辨率網(wǎng)絡(luò)存在圖像細(xì)節(jié)特征恢復(fù)能力較弱、參數(shù)量大、計(jì)算成本高的問題,提出了一種輕量化特征蒸餾注意力網(wǎng)絡(luò)(LRFDAN)。首先,設(shè)計(jì)了新穎的殘差特征蒸餾模塊進(jìn)行有效特征提取;其次,利用藍(lán)圖可分離卷積替代標(biāo)準(zhǔn)卷積以減少計(jì)算和內(nèi)存需求;最后,注意力機(jī)制被集成到模型中,進(jìn)一步增強(qiáng)模型重構(gòu)能力。所提出的模型在5種基準(zhǔn)測(cè)試數(shù)據(jù)集上進(jìn)行性能驗(yàn)證,定量結(jié)果分析與視覺效果比較表明,與其他深度神經(jīng)網(wǎng)絡(luò)模型相比,LRFDAN在保持更好的性能和主觀視覺效果的同時(shí),大大減少了參數(shù)與計(jì)算量。進(jìn)一步表明了所提出的模型在圖像質(zhì)量和計(jì)算效率方面的有效性。

    關(guān)鍵詞: 深度學(xué)習(xí);單圖像超分辨率重構(gòu);輕量化;深度特征蒸餾;注意力機(jī)制

    中圖分類號(hào): TP391.4

    文獻(xiàn)標(biāo)識(shí)碼: A" 文章編號(hào): 2096-3998(2024)06-0056-09

    收稿日期:2024-04-15" 修回日期:2024-05-17

    基金項(xiàng)目:云南省基礎(chǔ)研究計(jì)劃項(xiàng)目(202401AT070355)

    *通信作者:孫?。?986—),男,云南昭通人,博士,講師,主要研究方向?yàn)殡姶懦牧?、機(jī)器學(xué)習(xí)。

    引用格式:常開榮,孫俊,胡明志.用于圖像超分辨率的輕量化特征蒸餾注意力網(wǎng)絡(luò)[J].陜西理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2024,40(6):56-64.

    單圖像超分辨率重構(gòu)(Single Image Super Resolution,SISR)是計(jì)算機(jī)視覺當(dāng)中的一項(xiàng)重要任務(wù),旨在對(duì)低分辨率圖像(Low-Resolution,LR)進(jìn)行重建以生成高分辨率圖像(High-Resolution,HR),并對(duì)其細(xì)節(jié)和紋理進(jìn)行優(yōu)化,以提高視覺感知質(zhì)量。目前,該技術(shù)已廣泛應(yīng)用于許多實(shí)際生活場(chǎng)景中,包括安防監(jiān)控領(lǐng)域[1]、衛(wèi)星遙感領(lǐng)域[2]、醫(yī)學(xué)成像領(lǐng)域[3]等。

    隨著深度學(xué)習(xí)的快速發(fā)展,基于深度學(xué)習(xí)的SISR模型在各種基準(zhǔn)測(cè)試數(shù)據(jù)集中取得了最先進(jìn)的性能,這些超分辨率重構(gòu)(Super-Resolution,SR)網(wǎng)絡(luò)極大地提高了重構(gòu)圖像的質(zhì)量。它們的成功歸功于大容量模型和密集計(jì)算。然而,這在很大程度上限制其在注重效率或?qū)崟r(shí)性要求高的現(xiàn)實(shí)場(chǎng)景中的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)因其深度和寬度的增加而成為解決SISR問題的主要技術(shù)。但大多數(shù)深度網(wǎng)絡(luò)都存在某些局限性。首先,深度超分辨率網(wǎng)絡(luò)的設(shè)計(jì)涉及大量的模型參數(shù),致使網(wǎng)絡(luò)訓(xùn)練時(shí)對(duì)計(jì)算資源和內(nèi)存的需求顯著增加。這一特性導(dǎo)致了計(jì)算復(fù)雜度和存儲(chǔ)開銷的上升。其次,在網(wǎng)絡(luò)深度逐漸增加的過程中,存在大量特征信息丟失的問題。這一問題可能對(duì)網(wǎng)絡(luò)性能和恢復(fù)高頻細(xì)節(jié)的能力產(chǎn)生負(fù)面影響。對(duì)此研究人員提出了許多輕量級(jí)SR網(wǎng)絡(luò)來解決低效率問題。這些網(wǎng)絡(luò)使用不同的策略來解決該問題,包括參數(shù)共享策略[4]、帶有分組卷積的級(jí)聯(lián)網(wǎng)絡(luò)[5]、信息或特征蒸餾機(jī)制和注意力機(jī)制[6]。雖然它們應(yīng)用了緊湊的架構(gòu)并提高了映射效率,但卷積運(yùn)算仍然存在參數(shù)冗余。大多數(shù)算法只是簡(jiǎn)單地以鏈?zhǔn)椒绞蕉询B了卷積層,這增加了模型的內(nèi)存需求和計(jì)算復(fù)雜度。

    盡管這些模型表現(xiàn)出了顯著的性能,但由于其巨大的計(jì)算需求,使得它們?cè)谝苿?dòng)設(shè)備上的部署面臨著不小的挑戰(zhàn)。在殘差特征蒸餾網(wǎng)絡(luò)[7](Residual Feature Distillation Network,RFDN)啟發(fā)下,本文創(chuàng)新性地提出了一種輕量化的殘差特征蒸餾注意力網(wǎng)絡(luò)(Lightweight Residual Feature Distillation Attention Network,LRFDAN),在降低模型復(fù)雜性的同時(shí)保持高效的圖像重構(gòu)質(zhì)量。首先,網(wǎng)絡(luò)模型的核心創(chuàng)新在于輕量化殘差特征蒸餾注意力模塊(Residual Feature Distillation Attention Block,RFDAB)的實(shí)現(xiàn),它集成了藍(lán)圖可分離卷積塊[8](Blueprints Separable Convolution,BSConv)以及高效通道注意力模塊[9](Efficient Channel Attention,ECA)和強(qiáng)化空間注意力模塊[10](Enhancing Spatial Attention,ESA)。其次,使用藍(lán)圖可分離卷積代替?zhèn)鹘y(tǒng)卷積,可有效減少計(jì)算工作量,進(jìn)而創(chuàng)建一個(gè)輕量化模型,用于圖像超分辨率任務(wù)。

    1 相關(guān)工作

    1.1 輕量化圖像超分辨率重構(gòu)

    輕量級(jí)模型在節(jié)省計(jì)算資源方面的重要性引發(fā)了關(guān)于如何減少基于深度學(xué)習(xí)的SR模型所需的參數(shù)數(shù)量以提高其在移動(dòng)設(shè)備中的有效性的討論。為此,研究人員提出了各種提高模型效率、降低模型復(fù)雜度的網(wǎng)絡(luò)。Kim等[11]實(shí)現(xiàn)了一個(gè)遞歸神經(jīng)網(wǎng)絡(luò),多次重用參數(shù)以減少SISR中的參數(shù)數(shù)量。Jiang Zetao等[12]使用藍(lán)圖可分離卷積代替標(biāo)準(zhǔn)卷積,具體來說,他們將卷積分為兩部分:深度卷積和點(diǎn)卷積,這樣,計(jì)算是加法而不是乘法,大大節(jié)省了資源,顯著減少了模型參數(shù)的數(shù)量。盡管輕量級(jí)SR模型的研究取得了重大進(jìn)展,但仍處于早期階段,需要進(jìn)一步討論。

    1.2 基于特征蒸餾的超分辨率重構(gòu)

    對(duì)于輕量級(jí)SR,主要目標(biāo)是在性能和效率之間取得平衡。實(shí)現(xiàn)該平衡的一種方法是使用特征蒸餾。

    Hui Zheng等[13]提出了信息多重蒸餾網(wǎng)絡(luò)(Information Multi-Distillation Network,IMDN),通過整合對(duì)比感知注意力機(jī)制(Contrast-Aware Attention,CCA)和級(jí)聯(lián)信息多重蒸餾塊(Information Multi-Distillation Blocks,IMDB),對(duì)信息蒸餾網(wǎng)絡(luò)[14](Information Distillation Network,IDN)進(jìn)行了增強(qiáng),在保持性能的同時(shí)成功地降低了模型復(fù)雜度。Yang Xin等[15]提出了一種輕量級(jí)多階段殘差蒸餾網(wǎng)絡(luò)(Multi-stage Residual Distillation Network,MRDN),基于兩個(gè)核心模塊:多階段殘差蒸餾塊(Multi-stage Residual Distillation Block,MRDB)和高效像素注意力(Efficient Pixel Attention,EPA)模塊。盡管這些改進(jìn)顯著提升了性能,但在實(shí)際場(chǎng)景中的應(yīng)用依然有待提高。

    1.3 注意力機(jī)制

    注意力機(jī)制在優(yōu)化計(jì)算機(jī)視覺任務(wù)深度模型性能方面表現(xiàn)出卓越的潛力,因此在圖像分類、目標(biāo)檢測(cè)等計(jì)算機(jī)視覺任務(wù)中得到了廣泛的應(yīng)用。注意力機(jī)制可以被解釋為一種將可用資源的分配偏向輸入信號(hào)中更重要的信息部分的方法。Zhang Yunlun等[16]提出了深度殘差通道注意力網(wǎng)絡(luò)。目的在于通過考慮通道之間的相互依賴性來實(shí)現(xiàn)對(duì)通道特征的自適應(yīng)調(diào)整。Mei Yiqun等[17]提出了跨尺度非局部注意力(Cross-Scale Non-Local Attention,CSNLA),探索不同尺度特征之間的自相似性,但需要相當(dāng)大的計(jì)算量。

    2 本文方法

    2.1 網(wǎng)絡(luò)架構(gòu)

    本文提出的模型稱為輕量化殘差特征蒸餾注意力網(wǎng)絡(luò)(LRFDAN),繼承自RFDN的結(jié)構(gòu),旨在提高LR圖像超分辨率重構(gòu)圖像質(zhì)量的同時(shí)保持模型的輕量化??傮w網(wǎng)絡(luò)架構(gòu)如圖1所示,主要由三個(gè)模塊組成:淺層特征提取、深度特征蒸餾融合、重構(gòu)模塊。

    淺層特征提取部分使用3×3的藍(lán)圖可分離卷積層將輸入的LR圖像映射到更高維的特征空間,如下式所示:

    F0=H0(ILR),

    其中,H0(·)表示淺層特征提取模塊,ILR是通道數(shù)為3的輸入圖像。然后,F(xiàn)0通過RFDAB模塊進(jìn)行深度特征提取,并逐漸細(xì)化提取到的特征。這個(gè)過程可以表述為

    Fk=Hk(Fk-1),

    其中,Hk(·)表示第k個(gè)RFDAB模塊,F(xiàn)k和Fk-1分別表示第k個(gè)RFDAB的輸出特征和輸入特征,k=1,2,…,n。

    為了充分利用深度網(wǎng)絡(luò)的特征表征能力,本文采用了1×1卷積結(jié)合GELU激活函數(shù)的策略,對(duì)各個(gè)深度層生成的特征進(jìn)行融合和映射。以促進(jìn)特征融合的平滑性和連續(xù)性,從而更好地捕捉數(shù)據(jù)的非線性特性。在本文的方法中,還發(fā)現(xiàn)GELU的性能優(yōu)于常用的ReLU和LeakyReLU。然后,使用BSConv層來細(xì)化特征。深度特征融合過程為

    Ffused=Hfused(Concat(Fk)),

    其中,Hfused(·)表示特征融合模塊,由1×1卷積結(jié)合BSConv層組成;Ffused(·)是聚合后的特征。為了利用殘差學(xué)習(xí),需要使用長(zhǎng)跳躍連接,所有特征經(jīng)過RFDAB細(xì)化處理后,將被傳遞到1×1卷積層,以減少參數(shù)數(shù)量,同時(shí)利用3×3藍(lán)圖可分離卷積來聚合所有特征,然后使用另一個(gè)3×3卷積來平滑所有特征。在網(wǎng)絡(luò)的最后階段,使用像素洗牌模塊來重構(gòu)相對(duì)應(yīng)的SR圖像,并且擴(kuò)展到所需大小。模型重構(gòu)階段表示為

    ISR=HLRFDAN(ILR)=Hrec(Ffused+F0),

    其中,HLRFDAN(·)表示輕量化特征蒸餾注意力網(wǎng)絡(luò);Hrec(·)表示重構(gòu)模塊,由3×3標(biāo)準(zhǔn)卷積層和像素洗牌操作組成。

    L2損失函數(shù)可能會(huì)對(duì)誤差項(xiàng)過度處理,從而導(dǎo)致圖像中的高頻細(xì)節(jié)信息丟失。相比之下,L1損失函數(shù)能夠有效地處理預(yù)測(cè)值與真實(shí)值之間的絕對(duì)誤差,從而有助于網(wǎng)絡(luò)更精準(zhǔn)地恢復(fù)圖像細(xì)節(jié)。因此,選擇L1損失函數(shù)用于超分辨率網(wǎng)絡(luò)的設(shè)計(jì)。如果有包含N張網(wǎng)絡(luò)模型生成的HR圖像ISR以及相對(duì)應(yīng)的原始HR圖像IHR ,L1損失函數(shù)可以表示為

    L1=1NNi=1IHR-ISR。

    2.2 輕量化殘差特征蒸餾模塊

    受RFDN中RFDB模塊啟發(fā),本文提出了輕量化殘差特征蒸餾模塊,如圖2所示。該模塊通過通道分離和特征蒸餾的方式大幅減少了參數(shù)數(shù)量。同時(shí),本文將RFDB中的SRB部分替換為藍(lán)圖卷積通道注意力模塊(BSECA),如圖2(a)所示,所提出的BSECA由3×3藍(lán)圖可分離卷積和高效通道注意力ECA模塊組成。RFDAB由3個(gè)階段組成:特征蒸餾、特征壓縮和特征增強(qiáng)。在第一階段,對(duì)于輸入特征,特征蒸餾可以表示為

    Fdistilled1,F(xiàn)coarse1=DL1(Fin),RL1(Fin),

    Fdistilled2,F(xiàn)coarse2=DL2(Fcoarse1),RL2(Fcoarse1),

    Fdistilled3,F(xiàn)coarse3=DL3(Fcoarse2),RL3(Fcoarse2),

    Fdistilled4=DL4(Fcoarse3),

    其中,F(xiàn)distilled、Fcoarse分別表示蒸餾特征和細(xì)化特征,DL(·)表示生成蒸餾特征的蒸餾層(Distilled Layer,DL),RL(·)表示進(jìn)一步細(xì)化特征的細(xì)化層(Refinement Layer,RL)。RFDAB模塊采用通道分離操作將輸入特征圖分為兩部分,一部分特征圖通過1×1的卷積進(jìn)行降維處理并保留,另一部分則作為下一階段的特征蒸餾步驟中的輸入特征。在特征壓縮階段,蒸餾特征Fdistilled1、Fdistilled2、Fdistilled3、Fdistilled4疊加在一起,然后通過1×1卷積進(jìn)行特征壓縮:

    Fout=Conv1×1(Concat(Fdistilled1,F(xiàn)distilled2,F(xiàn)distilled3,F(xiàn)distilled4))。

    每個(gè)RFDAB由左側(cè)和右側(cè)兩部分組成,如圖2(b)所示,左側(cè)為1×1卷積,右側(cè)為BSECA模塊,這些部分重復(fù)3次。接下來,通過將所有的深度特征提取模塊連接在一起,使用3×3的藍(lán)圖可分離卷積來匯聚這些特征,然后是1×1卷積,最后使用ESA模塊。BSConv是一種用于減少參數(shù)和浮點(diǎn)運(yùn)算的方法,如圖2(c)所示,它將標(biāo)準(zhǔn)卷積分為兩個(gè)卷積,一個(gè)是點(diǎn)卷積,另一個(gè)是深度卷積。在本文中,實(shí)現(xiàn)了一個(gè)藍(lán)圖可分離卷積和一個(gè)高效通道注意力模塊來使模型輕量化。

    2.3 注意力模塊

    由于ESA模塊和ECA模塊的有效性已被證明[18]。本文引入該兩個(gè)模塊,這兩個(gè)模塊所涉及的參數(shù)數(shù)量相對(duì)較少,卻能在性能上實(shí)現(xiàn)顯著的增益效果。

    ESA模塊的具體架構(gòu)如圖2(d)所示。該方法從1×1卷積層開始,以降低輸入特征的通道維度。然后該模塊使用跨步卷積(Strided Conv)和跨步最大池化層來減小輸入特征空間大小。在組卷積(Conv Groups)提取特征之后,執(zhí)行上采樣以恢復(fù)特征空間大小。結(jié)合殘差連接,特征由1×1卷積層進(jìn)一步處理以恢復(fù)通道大小。最后,通過逐元素相乘的操作將Sigmoid函數(shù)生成的注意力矩陣應(yīng)用于原始輸入特征。

    ECA模塊的核心思想是在卷積操作中引入通道注意力機(jī)制,以捕捉不同通道之間的關(guān)系,從而提升特征表示的能力。使得網(wǎng)絡(luò)可以更好地關(guān)注重要的特征,抑制不重要的特征。通過這種機(jī)制,ECA能夠在不增加過多參數(shù)和計(jì)算成本的情況下,有效地增強(qiáng)網(wǎng)絡(luò)的表征能力。模塊的操作機(jī)制如圖3所示,其中ECA模塊以一維卷積為基礎(chǔ),通過自適應(yīng)計(jì)算函數(shù)動(dòng)態(tài)地調(diào)整卷積核的尺寸。此設(shè)計(jì)旨在促使網(wǎng)絡(luò)更有效地捕獲不同通道之間的關(guān)聯(lián)信息。

    通過自適應(yīng)靈活地調(diào)整內(nèi)核大小,該模塊能夠適應(yīng)不同尺度的特征交互。這種方法可以保證效率和有效性。對(duì)于給定的通道維度C、卷積核大小K可以按照下式進(jìn)行自適應(yīng)計(jì)算:

    K=Ψ(C)=log2(C)γ+bγodd,

    本文的實(shí)驗(yàn)中均設(shè)置γ=2,b=1。

    3 實(shí)驗(yàn)和評(píng)價(jià)指標(biāo)

    3.1 實(shí)驗(yàn)設(shè)置和數(shù)據(jù)集

    為了驗(yàn)證本文模型的性能,在帶有NVIDIA RTX3060 GPU的Ubuntu 18.04云服務(wù)器進(jìn)行模型訓(xùn)練及全面的比較評(píng)估,該模型是利用Python語言的PyCharm編譯平臺(tái)實(shí)現(xiàn)的,所提出的LRFDAN模型實(shí)現(xiàn)是在PyTorch1.8.1、Cuda11.4框架內(nèi)實(shí)現(xiàn)的。為了促進(jìn)訓(xùn)練過程,采用了L1損失函數(shù)。學(xué)習(xí)率初始化為0.001,在200個(gè)訓(xùn)練epoch后經(jīng)歷減半過程以優(yōu)化收斂。模型由8個(gè)RFDAB模塊組成。在訓(xùn)練期間,選擇的批量大小為64,輸入圖像以大小為192的塊進(jìn)行處理,以有效利用計(jì)算資源。同時(shí)對(duì)輸入圖像90°、180°、270°隨機(jī)旋轉(zhuǎn)進(jìn)行圖像增強(qiáng)。為了優(yōu)化模型參數(shù),本文使用了Adam優(yōu)化器。所提出的模型經(jīng)過500個(gè)epoch的訓(xùn)練階段后發(fā)現(xiàn)PSNR仍在提高,然后模型進(jìn)一步訓(xùn)練了1 000個(gè)epoch。最終實(shí)現(xiàn)了SISR的LRFDAN模型的有效訓(xùn)練。

    為了展示本文模型的性能,經(jīng)過DIV2K數(shù)據(jù)集的訓(xùn)練,分別涵蓋了縮放因子為2、3、4的3個(gè)尺度。DIV2K是從互聯(lián)網(wǎng)上收集的1 000張圖像,涵蓋了各種內(nèi)容,包括人、環(huán)境、動(dòng)物等。這個(gè)數(shù)據(jù)集由3個(gè)子集組成,分別包含800張、100張和100張圖像。用于模型性能評(píng)估的基準(zhǔn)數(shù)據(jù)集為SET5、SET14、Urban100、BSD100和Manga109。SET5數(shù)據(jù)集涵蓋了5幅代表性圖像,被廣泛運(yùn)用于評(píng)估圖像超分辨率模型的性能。SET14數(shù)據(jù)集是SET5數(shù)據(jù)集的延伸,將初始的5張圖像擴(kuò)展至14張圖像。Urban100數(shù)據(jù)集包含了100張來自城市環(huán)境、建筑物、街道等具備豐富空間細(xì)節(jié)信息的圖像。BSD100數(shù)據(jù)集涵蓋了100張測(cè)試圖像。Manga109數(shù)據(jù)集包含109張漫畫,被廣泛用于圖像超分辨率任務(wù)。

    3.2 評(píng)價(jià)指標(biāo)

    SR模型通常使用兩個(gè)關(guān)鍵指標(biāo)進(jìn)行評(píng)估,即:峰值信噪比(Peak Signal to Noise Ratio,PSNR)和結(jié)構(gòu)相似性指數(shù)(Structural Similarity,SSIM)。這些指標(biāo)用作量化增強(qiáng)圖像的質(zhì)量和保真度的標(biāo)準(zhǔn)措施。PSNR和SSIM用于測(cè)量SR方法的有效性。其中所有值都是將輸入圖像的RGB通道轉(zhuǎn)換為YCrCb通道的顏色空間Y通道計(jì)算的。給定N像素的低分辨率圖像ILR和高分辨率圖像IHR,L是輸入圖像的像素,最大值為255,PSNR是基于均方誤差(Mean Square Error,MSE)定義的:

    MSE=1N‖IHR-ILR‖2,

    PSNR=10lgL2MSE,

    SSIM=(2μLRμHR+C1)(σLRHR+C2)(μ2LR+μ2HR+C1)(σ2LR+σ2HR+C2),

    其中,μLR、σLR、μHR、σHR分別為L(zhǎng)R和HR的均值和方差,σLRHR為L(zhǎng)R和HR的協(xié)方差,C1、C2為常數(shù)。

    4 實(shí)驗(yàn)結(jié)果分析比較

    4.1 定量結(jié)果分析比較

    本文將所提出的LRFDAN與最先進(jìn)的輕量級(jí)SR方法進(jìn)行了比較,包括Bicubic、SRCNN[19]、VDSR[20]、LapSRN[21]、SRResNet[22]、IMDN[13]、SMSR[23]、ECBSR[24]、DRSAN[25]、RFDN、RLFN[26]、AFAN[27]。本文將圖像重建過程所需的計(jì)算復(fù)雜度FLOPs、模型參數(shù)數(shù)量以及重建結(jié)果的PSNR值以及SSIM值進(jìn)行比較。FLOPs代表浮點(diǎn)操作數(shù),可用于衡量算法和模型的復(fù)雜性,其中FLOPs在分辨率為1 024×660的HR圖像上進(jìn)行計(jì)算。表1—表3顯示了不同縮放因子下的定量比較結(jié)果。

    表1—表3詳細(xì)介紹了LRFDAN模型與各種SR方法的比較評(píng)估,其中利用了前面概述的5個(gè)基準(zhǔn)數(shù)據(jù)集。本文的模型針對(duì)×2、×3和×4的縮放因子進(jìn)行了單獨(dú)訓(xùn)練。在縮放因子為×3的SET14基準(zhǔn)測(cè)試數(shù)據(jù)集上,與RFDN方法相比,本文的模型LRFDAN取得了0.03 dB的性能增益。在縮放因子為×4的SET14基準(zhǔn)測(cè)試數(shù)據(jù)集上,與RFDN和RLFN方法相比,本文的模型LRFDAN分別取得了0.06 dB、0.05 dB的性能增益;在縮放因子為×2的BSD100基準(zhǔn)測(cè)試數(shù)據(jù)集上,與RFDN方法相比,實(shí)現(xiàn)了0.01 dB的性能增益。同時(shí)與RFDN方法相比,本文的模型LRFDAN在縮放因子×2、×3和×4上參數(shù)分別減少了32%、31%和28%,實(shí)驗(yàn)結(jié)果表明本文的模型更加的輕量化。與最近最先進(jìn)的輕量級(jí)網(wǎng)絡(luò)RLFN相比較,LRFDAN在保證相近甚至略有提高的平均PSNR值和SSIM值的同時(shí),參數(shù)和模型的計(jì)算復(fù)雜度FLOPs減少了約10%。實(shí)驗(yàn)結(jié)果表明本文的模型降低模型復(fù)雜度并保持高效的圖像質(zhì)量。在充分考慮圖像質(zhì)量的同時(shí),成功地實(shí)現(xiàn)了計(jì)算復(fù)雜度和內(nèi)存的有效平衡。

    4.2 視覺結(jié)果分析比較

    由于定量指標(biāo)PSNR和SSIM未能充分考慮重建圖像細(xì)節(jié)的連續(xù)性,并不能全面反映圖像質(zhì)量,因此在4倍縮放因子下,本文對(duì)每個(gè)模型的重建圖像進(jìn)行了視覺分析。如圖4所示,方框部分為局部放大圖,這些視覺結(jié)果可以用來說明所提出的LRFDAN模型在重構(gòu)圖像感知質(zhì)量方面的有效性。值得注意的是,視覺結(jié)果顯示了本文的模型在SR質(zhì)量方面的優(yōu)越性。

    在SET14基準(zhǔn)測(cè)試數(shù)據(jù)集中,本文比較了模型重建圖像“zebra”的能力,研究結(jié)果表明,雖然SRCNN和IMDN模型恢復(fù)了大部分條紋輪廓,但其不規(guī)則的條紋構(gòu)造仍然表現(xiàn)出模糊性。相比之下,本文提出的模型LRFDAN能夠以更高的清晰度重建高頻細(xì)節(jié)。在Manga109基準(zhǔn)測(cè)試數(shù)據(jù)集中,除SRCNN之外的大多數(shù)模型都可以恢復(fù)圖像的條紋細(xì)節(jié),但仍然存在紋理細(xì)節(jié)模糊等問題。相比之下,LRFDAN的重建圖像紋理清晰,細(xì)節(jié)豐富,接近完美。在Urban100基準(zhǔn)測(cè)試數(shù)據(jù)集中,本文評(píng)估了模型重建圖像“img096”“img024”的能力,對(duì)“img096”重建實(shí)驗(yàn)結(jié)果表明,使用SRCNN重建的圖像嚴(yán)重扭曲和模糊。雖然使用IMDN、RFDN等網(wǎng)絡(luò)的重建結(jié)果稍微清晰一些,但玻璃窗網(wǎng)格扭曲變形,條紋不清晰。相比之下,本研究提出的使用DFRDAN重建的圖像紋理清晰,細(xì)節(jié)豐富,更接近真實(shí)圖像。對(duì)“img024”重建實(shí)驗(yàn)結(jié)果表明,使用SRCNN、IMDN重建的圖像格柵條紋嚴(yán)重變形模糊。雖然使用RFDN、RFLN等網(wǎng)絡(luò)的重建結(jié)果稍微清晰一些,但格柵網(wǎng)格扭曲變形,條紋不清晰。相比之下,本研究提出的使用DFRDAN重建的圖像格柵條紋清晰,細(xì)節(jié)豐富,更接近真實(shí)圖像。總的來說,本文的模型產(chǎn)生的結(jié)果與指定基準(zhǔn)數(shù)據(jù)集上的SR方法進(jìn)行比較表明所提出的LRFDAN模型的良好性能,有效地實(shí)現(xiàn)了其輕量化設(shè)計(jì),同時(shí)保持了良好的圖像質(zhì)量。

    4.3 消融實(shí)驗(yàn)

    本文對(duì)比了兩個(gè)注意力模塊的有效性并比較了不同激活函數(shù)的效果。500次迭代后的訓(xùn)練結(jié)果見表4和表5。

    ESA和ECA注意力模塊有效性分析。為了驗(yàn)證ESA和ECA兩個(gè)注意力模塊的有效性,本文在LRFDAN網(wǎng)絡(luò)中加入不同的模塊進(jìn)行了消融實(shí)驗(yàn),具體的結(jié)果見表4。實(shí)驗(yàn)表明,沒有ESA的LRFDAN出現(xiàn)明顯的性能下降。與沒有ECA的LRFDAN相比,完整的LRFDAN在SET5、Urban100和Manga109數(shù)據(jù)集上分別獲得了0.04 dB/0.000 5、0.13 dB/0.004 1、0.03 dB/0.000 4的性能增益。與沒有ESA的LRFDAN相比,完整的LRFDAN在SET5、Urban100和Manga109數(shù)據(jù)集上分別獲得了0.05 dB/0.001 1、0.12 dB/0.004 1、0.10 dB/0.000 7的性能增益。結(jié)果表明ESA和ECA可以有效增強(qiáng)模型重構(gòu)性能。

    不同激活函數(shù)的定量比較。本文對(duì)多種激活函數(shù)進(jìn)行了深入研究,以確定最適合的選擇,結(jié)果見表5。實(shí)驗(yàn)表明,與使用ReLU激活函數(shù)的LRFDAN模型相比,使用GELU激活函數(shù)的LRFDAN在基準(zhǔn)測(cè)試數(shù)據(jù)集SET5、SET14、BSD100、Urban100以及Manga109上獲得了0.07 dB、0.04 dB、0.05 dB、0.08 dB以及0.05 dB的性能增益。與使用LeakyReLU激活函數(shù)相比,使用GELU激活函數(shù)在基準(zhǔn)測(cè)試數(shù)據(jù)集SET5、SET14、BSD100、Urban100以及Manga109上分別獲得了0.02、0.05、0.03、0.02、0.02 dB的性能增益。在考慮了這些激活函數(shù)的影響后,本文選擇GELU作為模型中的激活函數(shù)。

    5 結(jié)論

    本文提出了一種新穎且高效的SISR模型LRFDAN,在充分考慮圖像質(zhì)量的同時(shí),成功地實(shí)現(xiàn)了對(duì)計(jì)算復(fù)雜度和內(nèi)存的有效平衡。本文提出模型的成功可歸因于幾個(gè)關(guān)鍵因素。首先,用本文的定制RFDAB替換RFDN的主要構(gòu)建塊RFDB,從而增強(qiáng)了模型的特征提取和表達(dá)能力;其次,合并BSConv和ECA塊來替換SRB塊有助于進(jìn)一步提高模型的性能;第三,本文的模型能夠大幅降低模型復(fù)雜性,強(qiáng)調(diào)其輕量級(jí)性質(zhì),同時(shí)保持高效的圖像質(zhì)量。本文的主要目標(biāo)是開發(fā)一種輕量級(jí)模型,以減少參數(shù)、計(jì)算操作、內(nèi)存需求。所提出的模型成功地實(shí)現(xiàn)了這一基本目標(biāo)。在優(yōu)化模型復(fù)雜性和增強(qiáng)圖像質(zhì)量方面所取得的成功再次證實(shí)了本文方法的有效性,突顯了其在強(qiáng)調(diào)效率和視覺質(zhì)量的各種應(yīng)用中的潛力。根據(jù)所提出的模型,未來的工作將集中于進(jìn)一步提高重構(gòu)圖像的質(zhì)量,同時(shí)保持模型的輕量化。此外,本文將繼續(xù)探索超分辨率技術(shù)在不同領(lǐng)域的集成,尋求一個(gè)更普遍和有效的圖像重構(gòu)模型。

    [ 參 考 文 獻(xiàn) ]

    [1] NGUYEN K,F(xiàn)OOKES C,SRIDHARAN S,et al.Super-resolution for biometrics:A comprehensive survey[J].Pattern Recognition,2018,78:23-42.

    [2] WANG P,BAYRAM B,SERTEL E.A comprehensive review on deep learning based remote sensing image super-resolution methods[J].Earth-Science Reviews,2022,232:104110.

    [3] QIU Defu,CHENG Yu,WANG X.Medical image super-resolution reconstruction algorithms based on deep learning:A survey[J].Computer Methods and Programs in Biomedicine,2023,238:107590.

    [4] AHN J Y,CHO N I.Multi-branch neural architecture search for lightweight image super-resolution[J].IEEE Access,2021,9:153633-153646.

    [5] YANG Aiping,YANG Bingwang,JI Zhong,et al.Lightweight group convolutional network for single image super-resolution[J].Information Sciences,2020,516:220-233.

    [6] DENG W,YUAN H,DENG L,et al.Reparameterized Residual Feature Network for Lightweight Image Super-Resolution[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2023:1712-1721.

    [7] LIU Jie,TANG Jie,WU Gangshan.Residual feature distillation network for lightweight image super-resolution[C]//Computer Vision-ECCV 2020 Workshops,Glasgow:Springer International Publishing,2020:41-55.

    [8] MARDIEVA S,AHMAD S,UMIRZAKOVA S,et al.Lightweight image super-resolution for IoT devices using deep residual feature distillation network[J].Knowledge-Based Systems,2023:111343.

    [9] 呂鑫棟,李嬌,鄧真楠,等.基于改進(jìn)Transformer的結(jié)構(gòu)化圖像超分辨網(wǎng)絡(luò)[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2023,57(5):865-874.

    [10] LIU Jie,ZHANG Wenjie,TANG Yuting,et al.Residual feature aggregation network for image super-resolution[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2020:2359-2368.

    [11] KIM J,LEE J K,LEE K M.Deeply-recursive convolutional network for image super-resolution[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:1637-1645.

    [12] JIANG Zetao,HUANG Yongsong,HU Lirui.Single image super-resolution:Depthwise separable convolution super-resolution generative adversarial network[J].Applied Sciences,2020,10(1):375.

    [13] HUI Zheng,GAO Xinbo,YANG Yunchu,et al.Lightweight image super-resolution with information multi-distillation network[C]//Proceedings of the 27th Acm International Conference on Multimedia,2019:2024-2032.

    [14] HUI Zheng,WANG Xiumei,GAO Xinbo.Fast and accurate single image super-resolution via information distillation network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2018:723-731.

    [15] YANG Xin,GUO Yingqing,LI Zhiqiang,et al.MRDN:A lightweight multi-stage residual distillation network for image super-resolution[J].Expert Systems with Applications,2022,204:117594.

    [16] ZHANG Yunlun,LI Kunpeng,LI K,et al.Image super-resolution using very deep residual channel attention networks[C]//Proceedings of the European Conference on Computer Vision,2018:286-301.

    [17] MEI Yiqun,F(xiàn)AN Yuchen,ZHOU Yuqian,et al.Image super-resolution with cross-scale non-local attention and exhaustive self-exemplars mining[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2020:5690-5699.

    [18] CHEN B,WANG X,CHEN X,et al.EANet:Towards Lightweight Human Pose Estimation With Effective Aggregation Network[C]//2023 IEEE International Conference on Multimedia and Expo,2023:2639-2644.

    [19] NAGARAJ P,MUTHAMILSUDAR K,NAGA N S,et al.Perceptual image super resolution using deep learning and super resolution convolution neural networks(SRCNN)[J].Intelligent Systems and Computer Technology,2020,37(3):10.

    [20] KIM J,LEE J K,LEE K M.Accurate image super-resolution using very deep convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:1646-1654.

    [21] LAI W S,HUANG J B,AHUJA N,et al.Deep laplacian pyramid networks for fast and accurate super-resolution[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017:624-632.

    [22] LEDIG C,THEIS L,HUSZR F,et al.Photo-realistic single image super-resolution using a generative adversarial network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017:4681-4690.

    [23] WANG Longguang,DONG Xiaoyu,WANG Yingqian,et al.Exploring sparsity in image super-resolution for efficient inference[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2021:4917-4926.

    [24] ZHANG Xindong,ZENG Hui,ZHANG Lei.Edge-oriented convolution block for real-time super resolution on mobile devices[C]//Proceedings of the 29th ACM International Conference on Multimedia,2021:4034-4043.

    [25] PARK K,SOH J W,CHO N I.A dynamic residual self-attention network for lightweight single image super-resolution[J].IEEE Transactions on Multimedia,2021,25:907-918.

    [26] KONG Fangyuan,LI Mingxi,LIU Songwei,et al.Residual local feature network for efficient super-resolution[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2022:766-776.

    [27] WANG Li,KE Li,TANG Jingjing,et al.Image super-resolution via lightweight attention-directed feature aggregation network[J].ACM Transactions on Multimedia Computing,Communications and Applications,2023,19(2):1-23.

    [責(zé)任編輯:謝 平]

    Lightweight feature distillation attention network for image super-resolution

    CHANG Kairong, SUN Jun, HU Mingzhi

    Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650504, China

    Abstract: In response to the limitations of existing image super-resolution algorithms, which often struggle with weak image detail recovery and have high computational costs due to large parameter sizes, we propose a Lightweight Residual Feature Distillation Attention Network (LRFDAN). First, a novel residual feature distillation block is designed to effectively extract features. Second, blueprint separable convolutions are utilized to replace standard convolutions, thereby reducing computational and memory demands. Third, an attention mechanism is integrated into the model to further enhance reconstruction capabilities. The proposed model is validated on five benchmark datasets, and quantitative analyses along with visual comparisons demonstrate that, compared to other deep neural network models, our network significantly reduces parameters and computational cost while maintaining superior performance and subjective visual quality. These results underscore the effectiveness of the proposed model in terms of both image quality and computational efficiency.

    Key words: deep learning; single image super resolution; lightweighting; deep feature distillation; attention mechanism

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開放實(shí)驗(yàn)平臺(tái)構(gòu)建研究
    基于自動(dòng)智能分類器的圖書館亂架圖書檢測(cè)
    搭建深度學(xué)習(xí)的三級(jí)階梯
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    乱系列少妇在线播放| 啦啦啦观看免费观看视频高清| 小蜜桃在线观看免费完整版高清| 91久久精品电影网| 我的女老师完整版在线观看| 亚洲七黄色美女视频| 99热6这里只有精品| 日韩视频在线欧美| 国产高潮美女av| 免费电影在线观看免费观看| 国产精品久久视频播放| 色尼玛亚洲综合影院| 国产成人freesex在线| 国产精品一区二区性色av| 亚洲欧洲国产日韩| 天美传媒精品一区二区| 欧美3d第一页| 国产成人freesex在线| 自拍偷自拍亚洲精品老妇| 久久久久久伊人网av| 免费看美女性在线毛片视频| 日韩 亚洲 欧美在线| 精品久久久噜噜| 在线观看免费视频日本深夜| 免费不卡的大黄色大毛片视频在线观看 | 久久久a久久爽久久v久久| 国内精品一区二区在线观看| 26uuu在线亚洲综合色| 国产精品女同一区二区软件| 国产v大片淫在线免费观看| 91精品一卡2卡3卡4卡| 日本免费一区二区三区高清不卡| 国产视频首页在线观看| 国产69精品久久久久777片| 欧美变态另类bdsm刘玥| 自拍偷自拍亚洲精品老妇| 长腿黑丝高跟| 欧美一区二区亚洲| 美女xxoo啪啪120秒动态图| 乱人视频在线观看| 亚洲欧美日韩卡通动漫| 免费人成视频x8x8入口观看| 性插视频无遮挡在线免费观看| 欧美成人a在线观看| 国产精品嫩草影院av在线观看| 亚洲国产精品成人久久小说 | 色哟哟哟哟哟哟| 国产精品综合久久久久久久免费| av免费观看日本| www.色视频.com| 久久中文看片网| 国产一区二区在线av高清观看| 欧美性感艳星| 国产亚洲av嫩草精品影院| 日本三级黄在线观看| 国产午夜精品论理片| 夜夜看夜夜爽夜夜摸| 12—13女人毛片做爰片一| 久久久久性生活片| 精品一区二区三区视频在线| 1024手机看黄色片| 毛片女人毛片| 可以在线观看的亚洲视频| 精品无人区乱码1区二区| 欧美成人免费av一区二区三区| 一本精品99久久精品77| 啦啦啦观看免费观看视频高清| 赤兔流量卡办理| 日本熟妇午夜| 女同久久另类99精品国产91| 色哟哟哟哟哟哟| 亚洲乱码一区二区免费版| 国产蜜桃级精品一区二区三区| 97在线视频观看| 最后的刺客免费高清国语| 免费在线观看成人毛片| 91精品一卡2卡3卡4卡| 人人妻人人澡欧美一区二区| 国产精品爽爽va在线观看网站| 国产精品美女特级片免费视频播放器| 看片在线看免费视频| 日韩一本色道免费dvd| 亚洲国产欧美人成| 久久人人爽人人片av| 国产午夜精品论理片| 91aial.com中文字幕在线观看| 深爱激情五月婷婷| 亚洲第一电影网av| 12—13女人毛片做爰片一| 亚洲国产欧美人成| 亚洲欧美精品综合久久99| 久久久久国产网址| 亚洲综合色惰| 国产老妇伦熟女老妇高清| 成人综合一区亚洲| 久久99蜜桃精品久久| 一级毛片久久久久久久久女| 99久国产av精品| 九草在线视频观看| av又黄又爽大尺度在线免费看 | 日韩高清综合在线| 国产探花在线观看一区二区| 欧美日本亚洲视频在线播放| 亚洲高清免费不卡视频| 国产精品电影一区二区三区| 久久99精品国语久久久| 99久久无色码亚洲精品果冻| 又黄又爽又刺激的免费视频.| 亚洲一区二区三区色噜噜| 国产成人福利小说| 国产精品伦人一区二区| 成人特级黄色片久久久久久久| 亚洲国产欧洲综合997久久,| 啦啦啦啦在线视频资源| 欧美日韩综合久久久久久| 97超视频在线观看视频| 久久久久网色| 内射极品少妇av片p| 日韩中字成人| 亚洲欧美清纯卡通| 日韩欧美在线乱码| 亚洲欧洲国产日韩| 黄色视频,在线免费观看| 在现免费观看毛片| 国产成人a区在线观看| 国产伦一二天堂av在线观看| 亚洲av.av天堂| 男人和女人高潮做爰伦理| 日韩一区二区视频免费看| 此物有八面人人有两片| 天天躁日日操中文字幕| 成人午夜精彩视频在线观看| 男人舔女人下体高潮全视频| 乱系列少妇在线播放| 欧美日韩国产亚洲二区| 我的女老师完整版在线观看| 51国产日韩欧美| 精品少妇黑人巨大在线播放 | 久久热精品热| 亚洲av一区综合| 久久精品国产亚洲av天美| 全区人妻精品视频| 青春草亚洲视频在线观看| 又爽又黄无遮挡网站| 大香蕉久久网| 国产成人福利小说| 内地一区二区视频在线| 国产乱人视频| 久久久精品94久久精品| 麻豆国产av国片精品| 99国产精品一区二区蜜桃av| 国产av不卡久久| 亚洲内射少妇av| 久久国内精品自在自线图片| 久久人妻av系列| 一个人看的www免费观看视频| 12—13女人毛片做爰片一| 特级一级黄色大片| 国产精品无大码| 久久综合国产亚洲精品| 桃色一区二区三区在线观看| 成人欧美大片| 人体艺术视频欧美日本| 精品人妻视频免费看| 美女xxoo啪啪120秒动态图| 国产精品美女特级片免费视频播放器| 久久精品国产鲁丝片午夜精品| 极品教师在线视频| 亚洲精品影视一区二区三区av| 国产人妻一区二区三区在| 国产大屁股一区二区在线视频| 欧美变态另类bdsm刘玥| 国产老妇女一区| 国产精品无大码| 亚洲av成人av| 99久久无色码亚洲精品果冻| 干丝袜人妻中文字幕| 成人美女网站在线观看视频| 国产黄片美女视频| 国产精品福利在线免费观看| 又粗又硬又长又爽又黄的视频 | 在线免费观看不下载黄p国产| 亚洲在线自拍视频| 国产熟女欧美一区二区| 免费av毛片视频| 国产黄a三级三级三级人| 欧美3d第一页| 国产爱豆传媒在线观看| 最后的刺客免费高清国语| 中文字幕av在线有码专区| 亚洲欧洲国产日韩| 桃色一区二区三区在线观看| 国产免费一级a男人的天堂| 欧美一区二区亚洲| 亚洲丝袜综合中文字幕| 草草在线视频免费看| 一进一出抽搐动态| 亚洲中文字幕日韩| 一夜夜www| 中文在线观看免费www的网站| 精品人妻偷拍中文字幕| 能在线免费看毛片的网站| 天堂av国产一区二区熟女人妻| 精品久久久久久久久亚洲| 18禁裸乳无遮挡免费网站照片| 欧美变态另类bdsm刘玥| 久久这里只有精品中国| 干丝袜人妻中文字幕| 欧美三级亚洲精品| 亚洲欧美日韩卡通动漫| 国产午夜精品一二区理论片| 成人国产麻豆网| 国产精品久久久久久精品电影小说 | 亚洲最大成人中文| 欧美性猛交黑人性爽| 免费黄网站久久成人精品| 12—13女人毛片做爰片一| 亚洲欧美日韩卡通动漫| 国产亚洲精品av在线| 我的女老师完整版在线观看| 欧美极品一区二区三区四区| 欧美日本亚洲视频在线播放| 熟女人妻精品中文字幕| 99视频精品全部免费 在线| 久久久精品欧美日韩精品| 一本精品99久久精品77| 一区福利在线观看| 桃色一区二区三区在线观看| 国产免费一级a男人的天堂| 成人午夜高清在线视频| 日韩欧美在线乱码| 国产成年人精品一区二区| 女人被狂操c到高潮| 亚洲国产高清在线一区二区三| 综合色丁香网| 啦啦啦观看免费观看视频高清| 精品久久久久久久久亚洲| 在线免费十八禁| 国产精品.久久久| 男女边吃奶边做爰视频| 久久人妻av系列| 亚洲精品日韩av片在线观看| 最近的中文字幕免费完整| 黄色日韩在线| 狠狠狠狠99中文字幕| av专区在线播放| 久久久成人免费电影| a级毛色黄片| 永久网站在线| 国产精品久久视频播放| 黄色一级大片看看| 校园人妻丝袜中文字幕| 日日摸夜夜添夜夜添av毛片| 床上黄色一级片| 亚洲第一电影网av| 在线观看一区二区三区| 久久精品国产99精品国产亚洲性色| 色哟哟哟哟哟哟| 男女视频在线观看网站免费| 少妇熟女aⅴ在线视频| 亚洲国产欧美人成| 国产精品久久电影中文字幕| 亚洲av二区三区四区| 免费观看a级毛片全部| 麻豆久久精品国产亚洲av| 国产精品一区二区三区四区久久| 久久午夜福利片| 亚洲第一电影网av| 麻豆成人av视频| 此物有八面人人有两片| 亚洲国产欧美在线一区| 最后的刺客免费高清国语| 99久久人妻综合| 色综合色国产| 久久久成人免费电影| 亚洲精品影视一区二区三区av| 国产av一区在线观看免费| 在线观看免费视频日本深夜| 欧美日本视频| 亚洲人成网站在线播放欧美日韩| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美精品国产亚洲| 午夜福利视频1000在线观看| 亚洲欧美日韩高清在线视频| 成人毛片60女人毛片免费| 日韩强制内射视频| 免费电影在线观看免费观看| 精品久久国产蜜桃| 99热这里只有是精品在线观看| 九草在线视频观看| 亚洲国产欧美人成| 男插女下体视频免费在线播放| 国产伦一二天堂av在线观看| 国产精品久久久久久精品电影| 麻豆乱淫一区二区| 白带黄色成豆腐渣| 97在线视频观看| 亚洲成a人片在线一区二区| 国产伦理片在线播放av一区 | 久久久久久大精品| 久久精品国产99精品国产亚洲性色| 国产精品一区二区性色av| 99国产精品一区二区蜜桃av| 国产激情偷乱视频一区二区| 3wmmmm亚洲av在线观看| 可以在线观看的亚洲视频| 亚洲av中文字字幕乱码综合| 少妇被粗大猛烈的视频| 亚洲国产色片| 内射极品少妇av片p| 精品午夜福利在线看| 51国产日韩欧美| 婷婷精品国产亚洲av| 国产亚洲91精品色在线| 久久草成人影院| 亚洲成人久久性| а√天堂www在线а√下载| 99精品在免费线老司机午夜| 久久亚洲精品不卡| 99热全是精品| 成年女人看的毛片在线观看| 亚洲内射少妇av| 中文字幕精品亚洲无线码一区| 三级经典国产精品| 欧美性猛交黑人性爽| 日本三级黄在线观看| 午夜福利在线在线| 18禁在线无遮挡免费观看视频| 麻豆一二三区av精品| avwww免费| 国产中年淑女户外野战色| 亚洲经典国产精华液单| 嫩草影院精品99| 久久久a久久爽久久v久久| 久久国产乱子免费精品| 国产老妇伦熟女老妇高清| 99久久九九国产精品国产免费| 久久久久久久午夜电影| 欧美高清性xxxxhd video| 男人舔奶头视频| 亚洲va在线va天堂va国产| 亚洲精华国产精华液的使用体验 | 精品人妻一区二区三区麻豆| 又粗又爽又猛毛片免费看| 亚洲精品久久国产高清桃花| 91狼人影院| 又粗又硬又长又爽又黄的视频 | 波野结衣二区三区在线| 一级二级三级毛片免费看| 老师上课跳d突然被开到最大视频| 天堂中文最新版在线下载 | 精华霜和精华液先用哪个| 一本久久精品| 中文字幕人妻熟人妻熟丝袜美| 22中文网久久字幕| 国产精品久久久久久av不卡| 高清在线视频一区二区三区 | 久久久久久久久久久免费av| 国产一区二区在线观看日韩| 午夜爱爱视频在线播放| 亚洲色图av天堂| 变态另类丝袜制服| 亚洲一区高清亚洲精品| 全区人妻精品视频| 嫩草影院精品99| 国产在线精品亚洲第一网站| 国产真实伦视频高清在线观看| 一本一本综合久久| 91狼人影院| 久久久久久伊人网av| 一进一出抽搐动态| 三级男女做爰猛烈吃奶摸视频| 国产黄片视频在线免费观看| 精品久久久久久久久久免费视频| 日韩一本色道免费dvd| 一本久久精品| 日韩国内少妇激情av| 少妇的逼好多水| 校园春色视频在线观看| 中文字幕av成人在线电影| 综合色丁香网| 国产 一区 欧美 日韩| av国产免费在线观看| 男人和女人高潮做爰伦理| 国产毛片a区久久久久| 国产一区二区激情短视频| 精品久久久久久成人av| 中文字幕av成人在线电影| 亚洲va在线va天堂va国产| 国产伦理片在线播放av一区 | 男女视频在线观看网站免费| 国产在线男女| 亚洲欧洲国产日韩| 一进一出抽搐动态| 免费av不卡在线播放| 一个人免费在线观看电影| 精品久久久久久久久久免费视频| 男女下面进入的视频免费午夜| a级毛色黄片| 身体一侧抽搐| 色播亚洲综合网| 少妇的逼水好多| 日韩精品有码人妻一区| 简卡轻食公司| 99视频精品全部免费 在线| 日韩av在线大香蕉| 91精品一卡2卡3卡4卡| АⅤ资源中文在线天堂| 成年免费大片在线观看| 国产精品一区二区性色av| 最后的刺客免费高清国语| 婷婷亚洲欧美| 搡老妇女老女人老熟妇| 麻豆一二三区av精品| 国产成人91sexporn| 一本一本综合久久| 亚洲精华国产精华液的使用体验 | 老司机影院成人| 国产精品人妻久久久久久| 精品一区二区三区人妻视频| 人人妻人人澡欧美一区二区| 色播亚洲综合网| 国产日韩欧美在线精品| 自拍偷自拍亚洲精品老妇| 好男人视频免费观看在线| 尾随美女入室| 国产一区二区在线av高清观看| 又黄又爽又刺激的免费视频.| 婷婷六月久久综合丁香| 日韩一区二区三区影片| 国产一级毛片七仙女欲春2| 欧美zozozo另类| 午夜免费男女啪啪视频观看| 国产一区二区在线av高清观看| 国产精品永久免费网站| 人人妻人人澡欧美一区二区| 在现免费观看毛片| 国产白丝娇喘喷水9色精品| 亚洲欧洲日产国产| 国产日本99.免费观看| 国产亚洲精品av在线| 色噜噜av男人的天堂激情| 日韩高清综合在线| 日韩视频在线欧美| 国产精品久久久久久亚洲av鲁大| 一级毛片久久久久久久久女| 女的被弄到高潮叫床怎么办| 12—13女人毛片做爰片一| 日韩高清综合在线| 国产精品.久久久| 一级毛片久久久久久久久女| 亚洲在线观看片| 又粗又爽又猛毛片免费看| 最近中文字幕高清免费大全6| 欧洲精品卡2卡3卡4卡5卡区| 不卡一级毛片| 欧美性猛交╳xxx乱大交人| 亚洲久久久久久中文字幕| 久久精品91蜜桃| 亚洲国产欧美人成| 嘟嘟电影网在线观看| 国产在线精品亚洲第一网站| 精品国内亚洲2022精品成人| 国产精品人妻久久久影院| 国产精品麻豆人妻色哟哟久久 | 国产欧美日韩精品一区二区| 成人国产麻豆网| 亚洲av电影不卡..在线观看| 久久99蜜桃精品久久| 最近2019中文字幕mv第一页| 日本黄大片高清| 国模一区二区三区四区视频| 一级黄色大片毛片| 天美传媒精品一区二区| 日日摸夜夜添夜夜添av毛片| 九九热线精品视视频播放| 国产欧美日韩精品一区二区| 国产精品一及| 精品久久久久久久久久久久久| 草草在线视频免费看| 高清毛片免费看| 久久精品国产亚洲av香蕉五月| 国产91av在线免费观看| 久久精品夜夜夜夜夜久久蜜豆| 午夜精品国产一区二区电影 | 免费电影在线观看免费观看| 国产高清三级在线| 日韩欧美三级三区| 日韩欧美国产在线观看| 99热网站在线观看| 男女那种视频在线观看| 亚洲av免费在线观看| 久久久a久久爽久久v久久| 国产精品国产三级国产av玫瑰| 天堂影院成人在线观看| 亚洲一级一片aⅴ在线观看| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产精品sss在线观看| 久久99热6这里只有精品| 国产精品无大码| 久久精品国产99精品国产亚洲性色| 成人毛片60女人毛片免费| 精品人妻熟女av久视频| 国产三级中文精品| 日本黄色片子视频| 神马国产精品三级电影在线观看| 麻豆av噜噜一区二区三区| 国产亚洲5aaaaa淫片| 色视频www国产| 国产午夜精品久久久久久一区二区三区| 久久99热6这里只有精品| 只有这里有精品99| 欧美色欧美亚洲另类二区| 亚洲av中文av极速乱| 国产人妻一区二区三区在| 男人舔奶头视频| 99热这里只有是精品在线观看| 黄片无遮挡物在线观看| 国产精品伦人一区二区| 成人三级黄色视频| 1024手机看黄色片| 22中文网久久字幕| 久久精品国产亚洲网站| 少妇人妻一区二区三区视频| 性欧美人与动物交配| 国产三级在线视频| 久久人人爽人人片av| 免费看a级黄色片| 欧美丝袜亚洲另类| 国产乱人视频| 青春草国产在线视频 | 欧美性感艳星| 内射极品少妇av片p| 免费人成视频x8x8入口观看| 日本成人三级电影网站| 最近手机中文字幕大全| 精品一区二区三区人妻视频| 狂野欧美白嫩少妇大欣赏| 国产av在哪里看| 成年免费大片在线观看| 国产真实伦视频高清在线观看| 亚洲久久久久久中文字幕| 国产精品久久久久久精品电影| 精品人妻一区二区三区麻豆| 精品午夜福利在线看| 国产精品野战在线观看| 一级毛片电影观看 | 青春草国产在线视频 | 亚州av有码| 国产精品伦人一区二区| 22中文网久久字幕| 日本一二三区视频观看| 老熟妇乱子伦视频在线观看| 亚洲最大成人av| 久久久精品大字幕| 美女国产视频在线观看| 国产综合懂色| 亚洲熟妇中文字幕五十中出| 成人美女网站在线观看视频| 亚洲自偷自拍三级| 成人欧美大片| 中文字幕熟女人妻在线| 久久久久免费精品人妻一区二区| 中国国产av一级| 搞女人的毛片| 美女xxoo啪啪120秒动态图| 少妇的逼水好多| 国产蜜桃级精品一区二区三区| 国产一级毛片在线| 精品国产三级普通话版| 最近最新中文字幕大全电影3| 五月玫瑰六月丁香| 小蜜桃在线观看免费完整版高清| 青青草视频在线视频观看| 老熟妇乱子伦视频在线观看| 亚洲欧美清纯卡通| 亚洲激情五月婷婷啪啪| 欧美xxxx性猛交bbbb| 欧美一区二区精品小视频在线| 久久人人爽人人片av| 少妇丰满av| 亚洲第一电影网av| av又黄又爽大尺度在线免费看 | 99视频精品全部免费 在线| 1024手机看黄色片| 免费看a级黄色片| 亚洲国产精品久久男人天堂| 免费不卡的大黄色大毛片视频在线观看 | 久久国产乱子免费精品| 日韩欧美国产在线观看| 九九热线精品视视频播放| 岛国毛片在线播放| 男人和女人高潮做爰伦理| 小说图片视频综合网站| 在线免费十八禁| 神马国产精品三级电影在线观看| 69av精品久久久久久| 中文亚洲av片在线观看爽| 亚洲婷婷狠狠爱综合网| 久久精品91蜜桃| 一级黄片播放器| 色噜噜av男人的天堂激情| 国产av一区在线观看免费| 国产精品国产三级国产av玫瑰| 成人一区二区视频在线观看| 国产精品女同一区二区软件| 久久久久久久久久久免费av| 99久国产av精品国产电影| 男女啪啪激烈高潮av片| 亚洲av不卡在线观看| 亚洲国产欧洲综合997久久,| 看片在线看免费视频| 校园人妻丝袜中文字幕| 国产精品1区2区在线观看.| 亚洲av免费高清在线观看|