圖像超分辨率重建是從低分辨率圖像發(fā)掘信息以重建出高分辨率圖像的技術(shù),能直接應(yīng)用于圖像視頻壓縮傳輸方面,也為目標精確檢測、識別等計算機視覺技術(shù)深入發(fā)展提供支撐。近年來,各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不斷增強深度特征的表征能力,各類損失函數(shù)從不同方面衡量圖像質(zhì)量以約束網(wǎng)絡(luò)模型,使得基于深度學(xué)習(xí)的圖像超分辨率重建方法取得了突出進展。然而,進行多尺度超分辨率重建的多網(wǎng)絡(luò)分支串接的網(wǎng)絡(luò)模型以及取得較好視覺感知效果的生成對抗網(wǎng)絡(luò)模型在結(jié)構(gòu)上比較復(fù)雜,存在諸如:串接結(jié)構(gòu)不能有效融合多層級深度特征以增強特征表征能力、費時訓(xùn)練的網(wǎng)絡(luò)分支不能全部用于重建高分辨率圖像、且圖像視覺感知效果與常用圖像質(zhì)量評價指標不一致、以及多分支網(wǎng)絡(luò)的協(xié)同優(yōu)化等問題。首先,從增強網(wǎng)絡(luò)深度特征的表征能力出發(fā),本文提出一種多層級殘差特征重用的圖像超分辨率重建網(wǎng)絡(luò)模型（MRRN）,通過特征可視化等方式驗證了MRRN采用的多尺度感受區(qū)域?qū)μ嵘龍D像重建效果的作用。其次,為解決多分支網(wǎng)絡(luò)的上述問題,我們在圖像超分辨率重建網(wǎng)絡(luò)分支（Chaser）之后串接另一圖像超分辨率重建網(wǎng)絡(luò)分支（Enhancer）為其計算圖像特征損失,構(gòu)建基于多分支協(xié)同對抗的圖像超分... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像退化模型示意圖

常采用高斯模型表達條件概率，而常用的圖像先驗概率模型有很多、泊松模型(Poisson Model)、馬爾科夫(Markov)模型和吉布斯(Gibbs用 MAP 方法或者 ML 方法估計高分辨率圖像的過程如下：0ln((/))ln(()) mapfffPgfPf0ln((/)) mlfffPgfAP 方法的收斂穩(wěn)定性取決于先驗概率項，通過先驗分布將圖像先驗化問題中，形成正則約束項從而能得到穩(wěn)定的解。此外，由于 MA述成像系統(tǒng)模型，充分考慮圖像先驗知識，對改善圖像超分辨率重益，因而被廣泛接受和研究。但總的來說，概率估計方法存在收斂大，且重建圖像的細節(jié)內(nèi)容易被平滑掉等突出的問題。

合肥工業(yè)大學(xué)專業(yè)碩士研究生學(xué)位論文意低分辨率的輸入圖像，將編碼器所學(xué)習(xí)的圖像間關(guān)聯(lián)信息作為先驗約束條件，準確地指導(dǎo)高分辨率圖像重建過程。從整體思路上看，基于學(xué)習(xí)的方法優(yōu)點是處理簡單，不需要從成像系統(tǒng)中導(dǎo)致圖像退化各因素之間尋找約束圖像重建模型的條件構(gòu)建圖像重建模型本身，只需要結(jié)合特定機器學(xué)習(xí)方法構(gòu)建特定編碼器自動學(xué)習(xí)低、高分辨率圖像訓(xùn)練集中關(guān)于圖像重建的規(guī)律和經(jīng)驗信息。但是，缺點也是學(xué)習(xí)的結(jié)果依賴于采集的訓(xùn)練數(shù)據(jù)集的質(zhì)量，而且與迭代反向投影法一樣，不同的圖像相似性衡量指標往往也對學(xué)習(xí)的結(jié)果影響較大。


本文編號：3428116