發(fā)布時間：2022-10-19 16:28

　　單幀圖像超分辨率的目的是從一張低分辨率圖像去生成一張視覺上令人滿意的高分辨率圖像。相比于傳統(tǒng)的方法,基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法取得了巨大的成功。然而,以往的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在網(wǎng)絡(luò)層數(shù)加深時,會出現(xiàn)模型退化現(xiàn)象,導(dǎo)致超分辨率效果下降。此外,目前多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法采用均方誤差作為損失函數(shù),而均方誤差對于衡量圖像信號質(zhì)量存在一些限制,導(dǎo)致最終的模型優(yōu)化效果不好。針對上述問題,本文分別提出了相應(yīng)的改進(jìn)方法:1.基于稠密殘差網(wǎng)與局部特征融合的單幀圖像超分辨率方法。傳統(tǒng)的單通道的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與具有單一全局殘差的卷積神經(jīng)網(wǎng)絡(luò)都在一定深度時出現(xiàn)模型退化現(xiàn)象。本文首先提出了稠密殘差網(wǎng)絡(luò)的超分辨率方法,其充分利用了全局殘差的優(yōu)點(diǎn),將殘差預(yù)測擴(kuò)展到每個卷積層,從而能夠有效地優(yōu)化模型。其次在稠密殘差網(wǎng)中引入了局部特征融合,修改后的網(wǎng)絡(luò)能充分利用網(wǎng)絡(luò)淺層中已經(jīng)學(xué)習(xí)到的各個特征信息,且提高局部特征表達(dá)能力。通過實(shí)驗(yàn)驗(yàn)證,稠密殘差網(wǎng)在標(biāo)準(zhǔn)的數(shù)據(jù)集上擁有更好的超分辨率效果。2.基于l1和結(jié)構(gòu)相似性誤差損失函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)單幀圖像超分辨率方法。以往基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率多數(shù)以均... 

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 超分辨率研究進(jìn)展
        1.2.1 多幀圖像超分辨率
        1.2.2 視頻超分辨率
        1.2.3 單幀圖像超分辨率
    1.3 本文主要工作及組織結(jié)構(gòu)
第二章 卷積神經(jīng)網(wǎng)絡(luò)背景知識
    2.1 多層感知機(jī)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典結(jié)構(gòu)
        2.3.1 VGG-Nets網(wǎng)絡(luò)(VGG)
        2.3.2 殘差網(wǎng)絡(luò)(ResNet)
        2.3.3 稠密連接網(wǎng)絡(luò)(DenseNet)
第三章 基于稠密殘差網(wǎng)的單幀圖像超分辨率
    3.1 引言
    3.2 傳統(tǒng)超分辨率卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)討論
        3.2.1 超分辨率卷積神經(jīng)網(wǎng)絡(luò)(SRCNN)
        3.2.2 快速超分辨率卷積神經(jīng)網(wǎng)絡(luò)(FSRNN)
        3.2.3 深度超分辨率卷積神經(jīng)網(wǎng)絡(luò)(VDSR)
    3.3 稠密殘差卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 稠密殘差網(wǎng)結(jié)構(gòu)
        3.3.2 局部特征融合
    3.4 實(shí)驗(yàn)與分析
        3.4.1 訓(xùn)練集和測試集數(shù)據(jù)
        3.4.2 相關(guān)實(shí)驗(yàn)參數(shù)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果對比
第四章 基于l_1和結(jié)構(gòu)相似性誤差損失函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)單幀圖像超分辨率
    4.1 引言
    4.2 損失函數(shù)
        4.2.1 均方誤差
        4.2.2 l_1誤差
        4.2.3 對抗損失
        4.2.4 結(jié)構(gòu)相似性指數(shù)
    4.3 結(jié)合l_1和結(jié)構(gòu)相似性的誤差損失函數(shù)
    4.4 實(shí)驗(yàn)與分析
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄
致謝



本文編號：3693708