基于卷积神经网络的图像超分辨重建研究

发布时间：2024-12-01 00:21

　　单图像超分辨率(SISR)工作主要目的在于使用低分辨率图像(LR)通过端到端训练产生边缘更清晰的高分辨率图像(HR)。从低分辨率图像重建出清晰的高分辨率图像是一项艰巨的任务。特别是当比例因子变大时,局部特征的恢复变得更加困难。信息的过度冗余将导致无法恢复足够的高频细节。现有的基准技术还存在一定局限性,包括利用特征信息不足等。卷积神经网络(CNN)已经针对部分图像超分辨率(SR)问题实现了显着的性能改进。本文拟将卷积神经网络相关结构与概念拓展到单图像超分辨率工作中以改善上述问题,主要创新思路如下:1.提出了一种全新设计的卷积神经网络结构——使用密集连接和1×1网络的“精确图像超分辨率”来充分利用图像特征。图像区域的上下文信息通过密集连接和多次级联小的过滤器被有效且准确地利用。在图像重建部分新引入了1×1 CNN并行化结构以减少前几层的数据尺寸,从而在减轻上下文信息传递冗余的同时有效减轻了计算负担。2.提出了一种用于多尺度图像纹理恢复的,基于深连接与多1×1卷积结合的单图像超分辨技术更加侧重于提高卷积神经网络的表达能力以显着提高重建的高分辨率图像细节的准确性,产生更高的峰值信噪比(PSNR)...

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

图1.1具有简单卷积层的深度学习的初始超分辨率模型图

青岛大学硕士学位论文3得了优于之前传统方法的性能取得了比较理想的效果，被称作SR工作的先驱。作者得出的结论是，使用更大的卷积神经网络的卷积核比使用更深的卷积层更好，其结构如图1.1所示。所以从那时起大部分的研究都开始转向使用更高效的CNN来实现LR图像和HR图像之间的端到端映射，....

图1.2基于特征恢复的残差学习超分辨网络模型图

青岛大学硕士学位论文4卷积层的权重都会进行共享以减少要训练的参数，这意味着它们成功地训练了深层的卷积神经网络并取得了显著成绩，提高了性能。图1.2基于特征恢复的残差学习超分辨网络模型图在许多基于深度学习的超分辨率算法中，输入图像通过三次插值进行升采样，再输入网络。也可以不使用插值....

图1.3基于密集连接的超分辨模型原理图

拟合模型。所有这些方法都使用转置或子像素卷积层提取LR空间中的特征并放大最终的LR特征。随着卷积神经网络深度的增加，梯度消失的现象愈发严重甚至开始妨碍网络训练。目前有许多方法都集中在解决此问题上。HighwayNetworks[44]利用卷积层之间的各类长短路径以有效的训练长达1....

图2.1网络结构图

青岛大学硕士学位论文9图2.1网络结构图2.1.1密集连接的优势如图2.2所示，特征图的输出得到了准确的演示。公式如下：xl=Hl(|x0,x1,,xl1|),2-(l)xl代表第l层的特征输入,Hl包括每一对处理层（PReLU激活层与卷积层）的权重|x0,x1,,xl1|是从第....

本文编号：4013246