多尺度稠密网络及其在图像后处理中的应用研究

发布时间：2021-01-16 01:05

　　互联网技术的发展和各种拍摄设施的普及为人们带来了更多的图片,图片资源的爆发式增长对图像后处理技术的提出了新的挑战。传统图像后处理算法存在对先验知识要求高、算法适应性差的问题,使用深度学习方法可以通过对大量样本的学习自动对图像的降质退化问题进行建模并取得更好的性能,成为图像后处理研究的主流方向。深度学习的方法的两个关键问题是如何设计神经网络的网络结构和如何优化损失函数。在图像后处理研究中的主要研究工具是卷积神经网络（Convolutional Neural Networks,CNN）,其发展趋势是网络的深度逐渐加深,在尺度上却对图像中多尺度信息的提取方面关注较少。网络深度加深会带来网络收敛性变差的问题,而单尺度网络由于不能提取和利用图片中的多尺度信息也会限制网络性能的提升。另一方面,图像后处理的研究中常用的损失函数是基于均方误差（Mean Square Error,MSE）的损失函数,使用这种损失函数虽然可以带来较好的峰值信噪比（Peak Signal to Noise Ratio,PSNR）,却在客观上存在容易导致图像模糊的问题。基于以上问题,本论文提出了改进的方法,具体内容包括:（1... 

【文章来源】：深圳大学广东省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

MSRD使用的卷积单元RD-Block

MSCNN和MSRD的对比实验结果配图(a)MSCNN的结果配图(b)MSRD的结果配图

多网络对比实验结果（2×）(a)SRCNN(b)U-Net(c)R2U-Net(d)LadderNet(e)SHNs


本文编号：2979849