基于双域学习与卷积池的彩色JPEG图像复原算法研究

发布时间：2021-09-19 15:52

　　近年来基于深度学习的JPEG图像复原方法取得了突破性的进展,但在实际应用中仍然存在诸多掣肘,如多尺度学习模型存在的模型臃肿及复原纹理不自然等问题,双域学习模型难以解决彩色图像复原及动态图像压缩质量复原等问题,以及深度模型所带来的模型参数量过大等问题。本文针对上述问题,分别从感受野模型,双域学习模型,模型压缩等方面对基深度学习的彩色JPEG图像复原算法展开了深入研究:第一,针对多尺度学习模型存在的模型臃肿以及复原纹理不自然等问题,本文提出了 一种感受野金字塔卷积神经网络算法以解决彩色JPEG图像复原问题。该算法首先基于膨胀卷积的感受野扩张特性,提出了一种感受野金字塔模型用于提取多尺度特征,然后提出了一种基于全局特征的自适应颜色仿射变换用于色彩复原。实验分析验证了感受野金字塔模型和自适应颜色仿射变换的有效性以及算法模型中各个参数设置的合理性,并证明了该算法模型仅需极少的模型参数就具备更优的复原效果。第二,针对双域学习模型难以解决彩色图像复原及动态图像压缩质量复原等问题,本文提出了一种基于隐式双域卷积神经网络的彩色JPEG图像复原算法。该算法首先提出了一种隐式DCT来预测YCbCr空间中各个... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：134 页

【学位级别】：博士

【部分图文】：

图１－２各个模型中的残差单元结构示意图??

过使用固定权值的卷积层??模拟相关运算首次将双域学习与ＣＮＮ模型进行了融合，为之后的双域学习算法??奠定了基矗随后Ｚｈａｎｇ等人［４７１在其基础上引入膨胀卷积＿与多尺度自编码??网络［４９］等诸多改进措施，取得了非常出色的复原效果。??ＤＣＴ域分支??Ｉ?＂?Ｉ??ＪｉＵｓ］—ＪｉＵｆｌｉｙＬ?丨融‘合奸，??Ｔ?层?层?‘?ｔ?１?ｆＴ］畀?，，??丨麵分支丨、（＾霞卜…??Ｓ?ｔ｜?ＩＴ］?ｔ?Ｌｊ?ｉ－Ｊ?｜ｗ｜?ｉ??…——１??连接?（ｊ）点加??图１－５?ＤＤＣＮ网络模型结构示意图??尽管这种双域学习算法具有非常卓越的复原性能，但它们并不具备推广意??义。使用固定权值且不可学习的卷积层来模拟窗口采样及ＤＣＴ运算，这仅适用??于单通道图像（灰度图像）。当输入图像为彩色图像或其他多通道图像时，使用??这祌方式来构建双域学习网络模型将不得不为每一个通道单独构建一个ＤＣＴ域??分支，这使得整个网络变得非常臃肿且低效。??１．２．３．３基于多尺度学习的深度学习方法??尺度是计算机视觉中一个非常重要的概念。在给定卷积核尺寸的前提下，使??用该卷积作用于不同尺度下的图像，将会提取到截然不同的图像特征。在经典??的计算机视觉任务——图像分类任务中，由于图像内容的不确定性，图像中的某??些重要特征往往会出现在不同的尺度上，因此在进行特征提取时，必须要考虑到??特征提取子的尺度鲁棒性。在一些经典的图像分类ＣＮＮ模型中，池化??（ｐｏｏｌｉｎｇ）运算［５３］被用于增大图像的尺度，来提取高层的语义特征。增大图像尺??１０??

?ｉ绪论???度本质上是一种降采样行为。由于在图像分类任务中，最终的目标输出仅为图像??的类别，因此图像分类ＣＮＮ算法不需要考虑尺度变化所带来的分辨率降低。而??在图像处理类任务中，最终的目标输出往往是与输入图像分辨率一致，或者更高??的图像，因此基于多尺度学习的图像处理ＣＮＮ算法必须要采用上采样运算，还??原高尺度特征的分辨率信息。??


本文编号：3401900