基于金字塔式GAN与轻量化网络知识蒸馏图像超分辨研究

发布时间：2024-02-25 19:42

　　图像超分辨生成的高质量超分辨率图像对于航空、安防、医疗以及生活娱乐等方面的图像运用具有重要作用。目前图像超分辨研究多是改变卷积神经网络的特征提取结构,提取较好的特征。图像超分辨使用生成对抗网络(SRGAN)可以生成纹理丰富、高分辨率的图像。轻量网络不仅有更少的网络参数还可以生成高质量的超分辨图像。本文基于SRGAN提出金字塔式GAN网络。此外,本文还基于知识蒸馏提出轻量化网络的图像超分辨知识蒸馏算法。本文的主要工作如下:(1)本文提出金字塔式GAN图像超分辨。在研究SRGAN时,发现SRGAN网络模型生成的超分辨图像虽然纹理丰富,但是也存在着高分辨图像质量差、纹理不合理,局部图像不平整等问题。针对上面问题,本文基于堆叠GAN(StackGAN)多阶段生成器的结构提出金字塔式的多阶段反馈网络结构。首先,根据图像超分辨率训练过程中数据集和生成图像之间的关系而提出中间监督和级间反馈损失,监督中间尺度超分辨图像的生成。然后,结合稠密连接网络(DenseNet)和注意力机制,将DenseNet结构中的转换层替换为我们提出的通道显著性和空间显著性结合的显著性块(Saliency Block)。最后...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图2.1卷积神经网络基本框架

安徽大学硕士学位论文11图2.1卷积神经网络基本框架Fig.2.1BasicFrameworkofConvolutionalNeuralNetwork现在深度卷积神经网络主要分为三个部：（1）输入，（2）特征抽取层，（3）分类器（或生成器）。其中输入端的主要是图像或特征等信息，深....

图2.2基本卷积的示意图

安徽大学硕士学位论文11图2.1卷积神经网络基本框架Fig.2.1BasicFrameworkofConvolutionalNeuralNetwork现在深度卷积神经网络主要分为三个部：（1）输入，（2）特征抽取层，（3）分类器（或生成器）。其中输入端的主要是图像或特征等信息，深....

图2.3VGG网络结构

第二章相关知识12均池化层。池化的作用就是降低特征的维度，提取重要消息。这样做的作用是防止模型过拟合，提高模型的泛化能力。激活函数：激活函数是由一些非线性函数组成，例如Sigmoid，Tanh，ReLU等。如果没有激活函数，就是和原始感知机一样没有隐藏层，是输入的线性组合。全连接....

图2.4残差网络Fig.2.4ResidualNetwork

安徽大学硕士学位论文13卷积核而不使用5×5、7×7和11×11大卷积核组合，使得网络模型简单明了，而且加深的网络结构使得网络的性能更加优越。这也是后面极深网络结构的理论基矗（2）ResNet[23]模型随着深度网络的加深，网络的完成任务的精度不仅没有提升反而有所降低。主要存在的....

本文编号：3910770