基于生成对抗网络的图像超分辨率重构算法研究

发布时间：2021-08-24 00:54

　　图像超分辨率重构指的是将给定的低分辨率图像,通过特定的算法,增加高频细节信息,提升空间分辨率和清晰度,生成对应的高分辨率图像。目前,基于深度学习的图像超分辨率算法能够解决传统算法计算量大、鲁棒性差、边缘模糊、细节丢失、生成图像质量不高等问题,但是仍然存在网络训练不稳定、梯度消失等情况,而且对于色彩丰富、纹理复杂的图像超分时易产生细节模糊、失真的图像。针对上述问题,本文研究了卷积神经网络和生成对抗网络等深度学习方法在图像超分辨率领域中的应用,先提出基于残差稠密跳接网络的超分辨率重构模型,然后结合生成对抗网络,提出了一种新的基于生成对抗网络的图像超分辨率算法。主要工作有:（1）利用残差网络和稠密网络的特性,提出基于残差稠密跳接网络（Super-Resolution via Residual Dense connected network,SRRDCN）的超分辨率模型。该网络的残差稠密单元由多个残差稠密块级联而成,提取具有更丰富语义信息的高层次抽象特征;引入全局快捷连接,将浅层特征和深层特征融合在一起,从原始LR图像中获得全局密集特征。残差稠密块的局部快捷连接,融合局部低层特征和局部高层特征... 

【文章来源】：湖南师范大学湖南省 211工程院校

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

传统全连接神经网络示意图

9图2.2卷积神经网络示意图卷积神经网络分为多层网络结构，每层包含多个二维平面，而每个二维平面又由多个独立的神经元组成。其中卷积层和池化层是卷积神经网络中使用最多的两类网结构。假设X表示网络输入，表示网络第i层计算得出的特征图，则卷积层的操作见式(2.1)的公式。=(+)（2.1）其中，f(x)是激活函数，是i层卷积核的权重值，是第i层的偏置量，记为卷积运算。卷积层与池化层往往会被捆绑式的一起作为特征提取单元使用，主要目的是对卷积后所获得的特征图进行降维，缩小模型并提高计算速度，减少过拟合现象的发生。常见的池化层有平均池化层和最大池化层，后者在实际中使用较多，其池化的降采样过程见图2.3所示。图2.3最大池化降采样过程通过在网络的输出端，使用全连接网络对不同特征图加以分类，可获得输入

9图2.2卷积神经网络示意图卷积神经网络分为多层网络结构，每层包含多个二维平面，而每个二维平面又由多个独立的神经元组成。其中卷积层和池化层是卷积神经网络中使用最多的两类网结构。假设X表示网络输入，表示网络第i层计算得出的特征图，则卷积层的操作见式(2.1)的公式。=(+)（2.1）其中，f(x)是激活函数，是i层卷积核的权重值，是第i层的偏置量，记为卷积运算。卷积层与池化层往往会被捆绑式的一起作为特征提取单元使用，主要目的是对卷积后所获得的特征图进行降维，缩小模型并提高计算速度，减少过拟合现象的发生。常见的池化层有平均池化层和最大池化层，后者在实际中使用较多，其池化的降采样过程见图2.3所示。图2.3最大池化降采样过程通过在网络的输出端，使用全连接网络对不同特征图加以分类，可获得输入

【参考文献】：
期刊论文
[1]CNNIC发布第44次《中国互联网络发展状况统计报告》[J]. 于朝晖.  网信军民融合. 2019(09)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相.  中国图象图形学报. 2018(10)
[3]大尺寸TFT-TCL电视彩色和图像增强技术的处理[J]. 邓良柄.  中国新技术新产品. 2016(09)
[4]深度学习研究进展[J]. 郭丽丽,丁世飞.  计算机科学. 2015(05)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[6]基于词典学习和稀疏表示的超分辨率方法[J]. 浦剑,张军平.  模式识别与人工智能. 2010(03)
[7]基于人眼视觉的结构相似度图像质量评价方法[J]. 杨威,赵剡,许东.  北京航空航天大学学报. 2008(01)

硕士论文
[1]二维CT图像重建算法研究[D]. 毛小渊.南昌航空大学 2016



本文编号：3358946