基于生成对抗网络的图像复原算法研究

发布时间：2024-01-31 18:59

　　图像复原技术随着数字技术的发展,已被广泛应用于多个领域,是图像处理领域中一个重要的研究方向。传统图像复原方法如逆滤波法、维纳滤波法、最小二乘法等难以解决函数逼近问题,难以应用于复杂场景。本文主要使用生成对抗网络实现图像超分辨率重建和图像修复两方面的复原任务。图像超分辨率重建在预处理时会出现丢失部分图像重要的高频细节,重建图像过于光滑以及网络模型训练不稳定等问题。图像修复过程中存在受伪像影响、修复结果一致性不足、修复时间过长等问题。通过对上述问题的研究和实验分析,本文提出的改进的单帧图像超分辨率重建方法和改进的基于多尺度特征融合的渐进式语义图像修复方法在一定程度上提高了图像复原的质量和效率,主要工作内容如下:(1)改进基于拉普拉斯金字塔的图像生成方法,采用基于条件的生成对抗网络,在生成网络和判别网络中加入训练数据集标签作为输入条件,对生成器和判别器训练进行边界约束,在判别网络中使用谱范数正则化,达到了网络生成图像更加清晰、训练过程稳定且网络较快收敛的效果,为后续进行图像超分辨及图像修复的图像复原研究打好理论和实验基础。(2)提出单帧图像的耦合生成式对抗超分辨率重建方法,将耦合生成对抗网络...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 图像超分辨率重建
        1.2.2 图像修复
    1.3 本文主要研究内容
    1.4 本文结构安排
第二章 理论基础
    2.1 卷积神经网络
    2.2 生成对抗网络
        2.2.1 网络组成
        2.2.2 目标函数及训练过程
        2.2.3 优势和缺陷
    2.3 图像生成
    2.4 图像退化/复原过程
        2.4.1 图像退化
        2.4.2 图像复原
    2.5 图像质量评价
        2.5.1 主观图像评价
        2.5.2 客观图像评价
    2.6 本章小结
第三章 单帧图像的耦合生成式对抗超分辨率重建
    3.1 引言
    3.2 相关概念介绍
        3.2.1 耦合生成对抗网络
        3.2.2 边界平衡
        3.2.3 相对判别
    3.3 模型网络结构
        3.3.1 总体网络架构
        3.3.2 损失函数设置
    3.4 模块详细介绍
        3.4.1 浅层特征提取模块
        3.4.2 深层特征提取模块
        3.4.3 上采样模块
    3.5 实验评估
        3.5.1 前期实验准备
        3.5.2 实验训练过程
        3.5.3 实验结果与分析
    3.6 本章小结
第四章 基于多尺度特征融合的渐进式语义图像修复
    4.1 引言
    4.2 相关概念介绍
        4.2.1 课程学习
        4.2.2 残差学习
        4.2.3 注意力机制
    4.3 模型网络结构
        4.3.1 总体网络架构
        4.3.2 损失函数设置
    4.4 模块详细介绍
        4.4.1 下采样模块
        4.4.2 抑制增强模块
        4.4.3 空洞卷积模块
        4.4.4 信息流传输模块
        4.4.5 上采样模块
    4.5 实验评估
        4.5.1 实验准备及训练
        4.5.2 实验结果与分析
    4.6 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 研究展望
参考文献
致谢
硕士在读期间所获得的成果



本文编号：3891378