圖像超分辨生成的高質(zhì)量超分辨率圖像對(duì)于航空、安防、醫(yī)療以及生活?yuàn)蕵?lè)等方面的圖像運(yùn)用具有重要作用。目前圖像超分辨研究多是改變卷積神經(jīng)網(wǎng)絡(luò)的特征提取結(jié)構(gòu),提取較好的特征。圖像超分辨使用生成對(duì)抗網(wǎng)絡(luò)(SRGAN)可以生成紋理豐富、高分辨率的圖像。輕量網(wǎng)絡(luò)不僅有更少的網(wǎng)絡(luò)參數(shù)還可以生成高質(zhì)量的超分辨圖像。本文基于SRGAN提出金字塔式GAN網(wǎng)絡(luò)。此外,本文還基于知識(shí)蒸餾提出輕量化網(wǎng)絡(luò)的圖像超分辨知識(shí)蒸餾算法。本文的主要工作如下:(1)本文提出金字塔式GAN圖像超分辨。在研究SRGAN時(shí),發(fā)現(xiàn)SRGAN網(wǎng)絡(luò)模型生成的超分辨圖像雖然紋理豐富,但是也存在著高分辨圖像質(zhì)量差、紋理不合理,局部圖像不平整等問(wèn)題。針對(duì)上面問(wèn)題,本文基于堆疊GAN(StackGAN)多階段生成器的結(jié)構(gòu)提出金字塔式的多階段反饋網(wǎng)絡(luò)結(jié)構(gòu)。首先,根據(jù)圖像超分辨率訓(xùn)練過(guò)程中數(shù)據(jù)集和生成圖像之間的關(guān)系而提出中間監(jiān)督和級(jí)間反饋損失,監(jiān)督中間尺度超分辨圖像的生成。然后,結(jié)合稠密連接網(wǎng)絡(luò)(DenseNet)和注意力機(jī)制,將DenseNet結(jié)構(gòu)中的轉(zhuǎn)換層替換為我們提出的通道顯著性和空間顯著性結(jié)合的顯著性塊(Saliency Block)。最后...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1卷積神經(jīng)網(wǎng)絡(luò)基本框架

安徽大學(xué)碩士學(xué)位論文11圖2.1卷積神經(jīng)網(wǎng)絡(luò)基本框架Fig.2.1BasicFrameworkofConvolutionalNeuralNetwork現(xiàn)在深度卷積神經(jīng)網(wǎng)絡(luò)主要分為三個(gè)部：（1）輸入，（2）特征抽取層，（3）分類器（或生成器）。其中輸入端的主要是圖像或特征等信息，深....

圖2.2基本卷積的示意圖

安徽大學(xué)碩士學(xué)位論文11圖2.1卷積神經(jīng)網(wǎng)絡(luò)基本框架Fig.2.1BasicFrameworkofConvolutionalNeuralNetwork現(xiàn)在深度卷積神經(jīng)網(wǎng)絡(luò)主要分為三個(gè)部：（1）輸入，（2）特征抽取層，（3）分類器（或生成器）。其中輸入端的主要是圖像或特征等信息，深....

圖2.3VGG網(wǎng)絡(luò)結(jié)構(gòu)

第二章相關(guān)知識(shí)12均池化層。池化的作用就是降低特征的維度，提取重要消息。這樣做的作用是防止模型過(guò)擬合，提高模型的泛化能力。激活函數(shù)：激活函數(shù)是由一些非線性函數(shù)組成，例如Sigmoid，Tanh，ReLU等。如果沒(méi)有激活函數(shù)，就是和原始感知機(jī)一樣沒(méi)有隱藏層，是輸入的線性組合。全連接....

圖2.4殘差網(wǎng)絡(luò)Fig.2.4ResidualNetwork

安徽大學(xué)碩士學(xué)位論文13卷積核而不使用5×5、7×7和11×11大卷積核組合，使得網(wǎng)絡(luò)模型簡(jiǎn)單明了，而且加深的網(wǎng)絡(luò)結(jié)構(gòu)使得網(wǎng)絡(luò)的性能更加優(yōu)越。這也是后面極深網(wǎng)絡(luò)結(jié)構(gòu)的理論基矗（2）ResNet[23]模型隨著深度網(wǎng)絡(luò)的加深，網(wǎng)絡(luò)的完成任務(wù)的精度不僅沒(méi)有提升反而有所降低。主要存在的....

本文編號(hào)：3910770