基于多网络分支协同对抗学习的图像超分辨率重建网络研究

发布时间：2021-10-10 09:31

　　图像超分辨率重建是从低分辨率图像发掘信息以重建出高分辨率图像的技术,能直接应用于图像视频压缩传输方面,也为目标精确检测、识别等计算机视觉技术深入发展提供支撑。近年来,各种神经网络结构不断增强深度特征的表征能力,各类损失函数从不同方面衡量图像质量以约束网络模型,使得基于深度学习的图像超分辨率重建方法取得了突出进展。然而,进行多尺度超分辨率重建的多网络分支串接的网络模型以及取得较好视觉感知效果的生成对抗网络模型在结构上比较复杂,存在诸如:串接结构不能有效融合多层级深度特征以增强特征表征能力、费时训练的网络分支不能全部用于重建高分辨率图像、且图像视觉感知效果与常用图像质量评价指标不一致、以及多分支网络的协同优化等问题。首先,从增强网络深度特征的表征能力出发,本文提出一种多层级残差特征重用的图像超分辨率重建网络模型（MRRN）,通过特征可视化等方式验证了MRRN采用的多尺度感受区域对提升图像重建效果的作用。其次,为解决多分支网络的上述问题,我们在图像超分辨率重建网络分支（Chaser）之后串接另一图像超分辨率重建网络分支（Enhancer）为其计算图像特征损失,构建基于多分支协同对抗的图像超分... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图像退化模型示意图

常采用高斯模型表达条件概率，而常用的图像先验概率模型有很多、泊松模型(Poisson Model)、马尔科夫(Markov)模型和吉布斯(Gibbs用 MAP 方法或者 ML 方法估计高分辨率图像的过程如下：0ln((/))ln(()) mapfffPgfPf0ln((/)) mlfffPgfAP 方法的收敛稳定性取决于先验概率项，通过先验分布将图像先验化问题中，形成正则约束项从而能得到稳定的解。此外，由于 MA述成像系统模型，充分考虑图像先验知识，对改善图像超分辨率重益，因而被广泛接受和研究。但总的来说，概率估计方法存在收敛大，且重建图像的细节内容易被平滑掉等突出的问题。

合肥工业大学专业硕士研究生学位论文意低分辨率的输入图像，将编码器所学习的图像间关联信息作为先验约束条件，准确地指导高分辨率图像重建过程。从整体思路上看，基于学习的方法优点是处理简单，不需要从成像系统中导致图像退化各因素之间寻找约束图像重建模型的条件构建图像重建模型本身，只需要结合特定机器学习方法构建特定编码器自动学习低、高分辨率图像训练集中关于图像重建的规律和经验信息。但是，缺点也是学习的结果依赖于采集的训练数据集的质量，而且与迭代反向投影法一样，不同的图像相似性衡量指标往往也对学习的结果影响较大。


本文编号：3428116