近年來基于深度學(xué)習(xí)的JPEG圖像復(fù)原方法取得了突破性的進(jìn)展,但在實(shí)際應(yīng)用中仍然存在諸多掣肘,如多尺度學(xué)習(xí)模型存在的模型臃腫及復(fù)原紋理不自然等問題,雙域?qū)W習(xí)模型難以解決彩色圖像復(fù)原及動態(tài)圖像壓縮質(zhì)量復(fù)原等問題,以及深度模型所帶來的模型參數(shù)量過大等問題。本文針對上述問題,分別從感受野模型,雙域?qū)W習(xí)模型,模型壓縮等方面對基深度學(xué)習(xí)的彩色JPEG圖像復(fù)原算法展開了深入研究:第一,針對多尺度學(xué)習(xí)模型存在的模型臃腫以及復(fù)原紋理不自然等問題,本文提出了 一種感受野金字塔卷積神經(jīng)網(wǎng)絡(luò)算法以解決彩色JPEG圖像復(fù)原問題。該算法首先基于膨脹卷積的感受野擴(kuò)張?zhí)匦?提出了一種感受野金字塔模型用于提取多尺度特征,然后提出了一種基于全局特征的自適應(yīng)顏色仿射變換用于色彩復(fù)原。實(shí)驗(yàn)分析驗(yàn)證了感受野金字塔模型和自適應(yīng)顏色仿射變換的有效性以及算法模型中各個參數(shù)設(shè)置的合理性,并證明了該算法模型僅需極少的模型參數(shù)就具備更優(yōu)的復(fù)原效果。第二,針對雙域?qū)W習(xí)模型難以解決彩色圖像復(fù)原及動態(tài)圖像壓縮質(zhì)量復(fù)原等問題,本文提出了一種基于隱式雙域卷積神經(jīng)網(wǎng)絡(luò)的彩色JPEG圖像復(fù)原算法。該算法首先提出了一種隱式DCT來預(yù)測YCbCr空間中各個... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：134 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－２各個模型中的殘差單元結(jié)構(gòu)示意圖??

過使用固定權(quán)值的卷積層??模擬相關(guān)運(yùn)算首次將雙域?qū)W習(xí)與ＣＮＮ模型進(jìn)行了融合，為之后的雙域?qū)W習(xí)算法??奠定了基矗隨后Ｚｈａｎｇ等人［４７１在其基礎(chǔ)上引入膨脹卷積＿與多尺度自編碼??網(wǎng)絡(luò)［４９］等諸多改進(jìn)措施，取得了非常出色的復(fù)原效果。??ＤＣＴ域分支??Ｉ?＂?Ｉ??ＪｉＵｓ］—ＪｉＵｆｌｉｙＬ?丨融‘合奸，??Ｔ?層?層?‘?ｔ?１?ｆＴ］畀?，，??丨麵分支丨、（＾霞卜…??Ｓ?ｔ｜?ＩＴ］?ｔ?Ｌｊ?ｉ－Ｊ?｜ｗ｜?ｉ??…——１??連接?（ｊ）點(diǎn)加??圖１－５?ＤＤＣＮ網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖??盡管這種雙域?qū)W習(xí)算法具有非常卓越的復(fù)原性能，但它們并不具備推廣意??義。使用固定權(quán)值且不可學(xué)習(xí)的卷積層來模擬窗口采樣及ＤＣＴ運(yùn)算，這僅適用??于單通道圖像（灰度圖像）。當(dāng)輸入圖像為彩色圖像或其他多通道圖像時，使用??這祌方式來構(gòu)建雙域?qū)W習(xí)網(wǎng)絡(luò)模型將不得不為每一個通道單獨(dú)構(gòu)建一個ＤＣＴ域??分支，這使得整個網(wǎng)絡(luò)變得非常臃腫且低效。??１．２．３．３基于多尺度學(xué)習(xí)的深度學(xué)習(xí)方法??尺度是計算機(jī)視覺中一個非常重要的概念。在給定卷積核尺寸的前提下，使??用該卷積作用于不同尺度下的圖像，將會提取到截然不同的圖像特征。在經(jīng)典??的計算機(jī)視覺任務(wù)——圖像分類任務(wù)中，由于圖像內(nèi)容的不確定性，圖像中的某??些重要特征往往會出現(xiàn)在不同的尺度上，因此在進(jìn)行特征提取時，必須要考慮到??特征提取子的尺度魯棒性。在一些經(jīng)典的圖像分類ＣＮＮ模型中，池化??（ｐｏｏｌｉｎｇ）運(yùn)算［５３］被用于增大圖像的尺度，來提取高層的語義特征。增大圖像尺??１０??

?ｉ緒論???度本質(zhì)上是一種降采樣行為。由于在圖像分類任務(wù)中，最終的目標(biāo)輸出僅為圖像??的類別，因此圖像分類ＣＮＮ算法不需要考慮尺度變化所帶來的分辨率降低。而??在圖像處理類任務(wù)中，最終的目標(biāo)輸出往往是與輸入圖像分辨率一致，或者更高??的圖像，因此基于多尺度學(xué)習(xí)的圖像處理ＣＮＮ算法必須要采用上采樣運(yùn)算，還??原高尺度特征的分辨率信息。??


本文編號：3401900