单帧图像超分辨的深度学习方法改进

发布时间：2022-10-19 16:28

　　单帧图像超分辨率的目的是从一张低分辨率图像去生成一张视觉上令人满意的高分辨率图像。相比于传统的方法,基于卷积神经网络的图像超分辨率方法取得了巨大的成功。然而,以往的卷积神经网络结构在网络层数加深时,会出现模型退化现象,导致超分辨率效果下降。此外,目前多数基于卷积神经网络的图像超分辨率方法采用均方误差作为损失函数,而均方误差对于衡量图像信号质量存在一些限制,导致最终的模型优化效果不好。针对上述问题,本文分别提出了相应的改进方法:1.基于稠密残差网与局部特征融合的单帧图像超分辨率方法。传统的单通道的卷积神经网络结构与具有单一全局残差的卷积神经网络都在一定深度时出现模型退化现象。本文首先提出了稠密残差网络的超分辨率方法,其充分利用了全局残差的优点,将残差预测扩展到每个卷积层,从而能够有效地优化模型。其次在稠密残差网中引入了局部特征融合,修改后的网络能充分利用网络浅层中已经学习到的各个特征信息,且提高局部特征表达能力。通过实验验证,稠密残差网在标准的数据集上拥有更好的超分辨率效果。2.基于l1和结构相似性误差损失函数的卷积神经网络单帧图像超分辨率方法。以往基于卷积神经网络的图像超分辨率多数以均... 

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 超分辨率研究进展
        1.2.1 多帧图像超分辨率
        1.2.2 视频超分辨率
        1.2.3 单帧图像超分辨率
    1.3 本文主要工作及组织结构
第二章 卷积神经网络背景知识
    2.1 多层感知机
    2.2 卷积神经网络
    2.3 卷积神经网络经典结构
        2.3.1 VGG-Nets网络(VGG)
        2.3.2 残差网络(ResNet)
        2.3.3 稠密连接网络(DenseNet)
第三章 基于稠密残差网的单帧图像超分辨率
    3.1 引言
    3.2 传统超分辨率卷积神经网络结构讨论
        3.2.1 超分辨率卷积神经网络(SRCNN)
        3.2.2 快速超分辨率卷积神经网络(FSRNN)
        3.2.3 深度超分辨率卷积神经网络(VDSR)
    3.3 稠密残差卷积神经网络
        3.3.1 稠密残差网结构
        3.3.2 局部特征融合
    3.4 实验与分析
        3.4.1 训练集和测试集数据
        3.4.2 相关实验参数设置
        3.4.3 实验结果对比
第四章 基于l_1和结构相似性误差损失函数的卷积神经网络单帧图像超分辨率
    4.1 引言
    4.2 损失函数
        4.2.1 均方误差
        4.2.2 l_1误差
        4.2.3 对抗损失
        4.2.4 结构相似性指数
    4.3 结合l_1和结构相似性的误差损失函数
    4.4 实验与分析
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录
致谢



本文编号：3693708