面向图像超分辨的深度网络优化与加速

发布时间：2022-08-06 17:08

　　随着手机、CCD、CMOS摄像机等图像采集设备的不断发展,人们对高分辨率图像的需求不断增长,对高质量视觉体验的追求也越来越高。为了提高CCD或CMOS等摄像机传感器的性能,超分辨率（SR）算法为解决这一需求提供了一种更为有效的途径。事实上,单图像超分辨率（SISR）任务是计算机视觉中的一项低层次任务。目前,大多数基于卷积神经网络（CNN）的模型都致力于通过尽可能多地编辑高分辨率图像来训练参数。本文针对三种基于CNN的模型进行调整,减少对性能无影响的网络层,去除网络中冗余的结构,实现对不同类型超分辨网络的提速,在同硬件配置下,减少其运算时间以及模型的存储空间,提高模型的应用性,有效解决单帧图像超分辨在工业实用方面的速度和存储问题。本文为实现对SISR算法的改进,采取了三步工作:（1）预定义上采样方式模型,需将低分辨率图像进行预处理,将其进行上采样操作以匹配输入输出图像尺寸,这也导致网络中使用高尺寸的图像进行计算,平方倍增加计算量。本文设计了一种既可以增加其感受野,又可以有效减少其运算量的方案。同时该结构模型也可以有效地应用于图像去伪影的任务中,得到清晰的复原图像。（2）对于基于残差块的模... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究目的与意义
    1.2 国内外研究发展及现状
        1.2.1 传统图像超分辨算法
        1.2.2 基于深度学习的图像超分辨算法
    1.3 图像超分辨质量评价标准
    1.4 本文主要研究内容及章节安排
第2章 预上采样深度残差超分辨模型优化
    2.1 预上采样深度残差超分辨模型介绍
    2.2 预上采样深度残差模型优化
        2.2.1 下采样上采样选择
        2.2.2 通道混洗组卷积技术
        2.2.3 DeepWise卷积技术
        2.2.4 Int16 计算
    2.3 网络结构设计
    2.4 模型应用——图像解码后处理
        2.4.1 图像压缩技术
        2.4.2 拥有分支结构的网络
        2.4.3 Plain CNN网络结构
        2.4.4 网络输入
    2.5 实验与结果分析
        2.5.1 图像超分辨结果分析
        2.5.2 JPEG图像压缩后处理结果分析
    2.6 本章小结
第3章 基于残差块的超分辨模型优化
    3.1 基于残差块的超分辨模型介绍
        3.1.1 残差块与跳跃连接
        3.1.2 亚像素卷积神经网络
        3.1.3 基于残差块的超分辨网络
    3.2 基于残差块模型分析及其优化策略
        3.2.1 Dense残差组
        3.2.2 网络结构
        3.2.3 损失函数
    3.3 图像超分辨实验与结果分析
    3.4 本章小结
第4章 基于通道注意力机制的超分辨模型优化
    4.1 基于通道注意力机制的超分辨模型介绍
        4.1.1 残差中残差结构
        4.1.2 通道注意力机制
    4.2 基于通道注意力机制模型分析及其优化策略
        4.2.1 通道注意力机制优化
        4.2.2 权重初始化与截断
        4.2.3 损失函数
    4.3 图像超分辨实验与结果分析
        4.3.1 通道注意力机制优化结果分析
        4.3.2 权重初始化与截断结果分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢


【参考文献】：
博士论文
[1]基于低秩稀疏的图像序列增强技术研究[D]. 李谦.中国科学技术大学 2015



本文编号：3670036