一种基于生成对抗网络的图像清晰化算法研究

发布时间：2023-02-07 20:25

　　图像模糊问题往往会导致后续图像处理算法的准确率降低,因此对运动模糊图像进行清晰化的研究一直是计算机视觉领域的热门课题。图像清晰化可归类为复杂数据生成任务,而生成对抗网络善于解决这类任务。但是,目前研究仍存在一些问题:第一,生成的清晰化图像会缺失部分细节信息;第二,生成对抗网络的训练并不稳定,导致模型出现退化现象;第三,图像清晰化网络在训练中要求的“模糊-清晰图像对”难以采集,导致得到的生成网络不具鲁棒性。针对上述问题,本文将研究重点集中在设计适用于非成对数据集的图像清晰化网络上。本文主要研究工作如下:(1)针对生成的清晰化图像缺失部分细节信息的问题,在生成器模型中加入残差网络,使网络只学习模糊图像与清晰图像的差异,降低图像细节丢失率,生成细节更丰富的清晰化图像。实验结果表明改进后的算法能够生成更高质量的图像,有效提升网络的图像细节生成能力。(2)针对生成对抗网络的训练过程中出现的梯度消失和模型退化问题,引入Wasserstein距离作为生成图像分布和真实图像分布之间差异的衡量标准,进而解决梯度消失问题。并在网络中加入改进的级联模型,为网络提供多尺度特征信息,增强网络对图像特征的学习能力...

【文章页数】：72 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 国内外研究现状
    1.3 图像清晰化技术的难点
    1.4 主要研究内容及章节安排
        1.4.1 主要研究内容
        1.4.2 论文章节安排
第二章 相关基础理论综述
    2.1 引言
    2.2 基于深度学习的图像清晰化相关知识介绍
        2.2.1 卷积神经网络简介
        2.2.2 基于卷积神经网络的图像清晰化算法
    2.3 生成对抗网络(GAN)相关知识介绍
        2.3.1 GAN的理论基础介绍
        2.3.2 GAN的衍生网络及图像转换任务介绍
    2.4 评价标准
        2.4.1 图像质量评价标准
        2.4.2 YOLOv3目标检测算法介绍
    2.5 本章小结
第三章 改进的GAN图像清晰化算法
    3.1 引言
    3.2 基于GAN的图像清晰化算法介绍
    3.3 优化网络结构的GAN图像清晰化算法
        3.3.1 生成器模型的优化结构设计
        3.3.2 判别器模型的优化结构设计
    3.4 训练数据集介绍
        3.4.1 GOPRO数据集介绍
        3.4.2 Kohler数据集介绍
        3.4.3 Lai数据集介绍
    3.5 实验设计及结果分析
        3.5.1 实验环境及设计
        3.5.2 数据集预处理
        3.5.3 加入残差网络的实验结果对比分析
        3.5.4 Wasserstein距离优化后的实验结果对比分析
    3.6 本章小结
第四章 基于对偶对抗学习的弱监督图像清晰化
    4.1 引言
    4.2 基于对偶学习的GAN算法设计
        4.2.1 对偶学习
        4.2.2 Dual GAN模型
        4.2.3 弱监督图像清晰化
    4.3 改进的多级联模型
    4.4 优化后网络训练流程
        4.4.1 损失函数
        4.4.2 网络预训练
        4.4.3 网络的对抗训练
    4.5 实验结果与分析
        4.5.1 实验超参数设计
        4.5.2 加入级联模型的实验结果对比分析
        4.5.3 与主流图像清晰化算法的实验结果对比分析
    4.6 清晰化前后的目标检测算法实验结果分析
    4.7 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 研究展望
致谢
参考文献
附录 攻读学位期间取得的研究成果



本文编号：3737369