圖像模糊問題往往會導(dǎo)致后續(xù)圖像處理算法的準(zhǔn)確率降低,因此對運動模糊圖像進行清晰化的研究一直是計算機視覺領(lǐng)域的熱門課題。圖像清晰化可歸類為復(fù)雜數(shù)據(jù)生成任務(wù),而生成對抗網(wǎng)絡(luò)善于解決這類任務(wù)。但是,目前研究仍存在一些問題:第一,生成的清晰化圖像會缺失部分細節(jié)信息;第二,生成對抗網(wǎng)絡(luò)的訓(xùn)練并不穩(wěn)定,導(dǎo)致模型出現(xiàn)退化現(xiàn)象;第三,圖像清晰化網(wǎng)絡(luò)在訓(xùn)練中要求的“模糊-清晰圖像對”難以采集,導(dǎo)致得到的生成網(wǎng)絡(luò)不具魯棒性。針對上述問題,本文將研究重點集中在設(shè)計適用于非成對數(shù)據(jù)集的圖像清晰化網(wǎng)絡(luò)上。本文主要研究工作如下:(1)針對生成的清晰化圖像缺失部分細節(jié)信息的問題,在生成器模型中加入殘差網(wǎng)絡(luò),使網(wǎng)絡(luò)只學(xué)習(xí)模糊圖像與清晰圖像的差異,降低圖像細節(jié)丟失率,生成細節(jié)更豐富的清晰化圖像。實驗結(jié)果表明改進后的算法能夠生成更高質(zhì)量的圖像,有效提升網(wǎng)絡(luò)的圖像細節(jié)生成能力。(2)針對生成對抗網(wǎng)絡(luò)的訓(xùn)練過程中出現(xiàn)的梯度消失和模型退化問題,引入Wasserstein距離作為生成圖像分布和真實圖像分布之間差異的衡量標(biāo)準(zhǔn),進而解決梯度消失問題。并在網(wǎng)絡(luò)中加入改進的級聯(lián)模型,為網(wǎng)絡(luò)提供多尺度特征信息,增強網(wǎng)絡(luò)對圖像特征的學(xué)習(xí)能力...

【文章頁數(shù)】：72 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 國內(nèi)外研究現(xiàn)狀
    1.3 圖像清晰化技術(shù)的難點
    1.4 主要研究內(nèi)容及章節(jié)安排
        1.4.1 主要研究內(nèi)容
        1.4.2 論文章節(jié)安排
第二章 相關(guān)基礎(chǔ)理論綜述
    2.1 引言
    2.2 基于深度學(xué)習(xí)的圖像清晰化相關(guān)知識介紹
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)簡介
        2.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像清晰化算法
    2.3 生成對抗網(wǎng)絡(luò)(GAN)相關(guān)知識介紹
        2.3.1 GAN的理論基礎(chǔ)介紹
        2.3.2 GAN的衍生網(wǎng)絡(luò)及圖像轉(zhuǎn)換任務(wù)介紹
    2.4 評價標(biāo)準(zhǔn)
        2.4.1 圖像質(zhì)量評價標(biāo)準(zhǔn)
        2.4.2 YOLOv3目標(biāo)檢測算法介紹
    2.5 本章小結(jié)
第三章 改進的GAN圖像清晰化算法
    3.1 引言
    3.2 基于GAN的圖像清晰化算法介紹
    3.3 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的GAN圖像清晰化算法
        3.3.1 生成器模型的優(yōu)化結(jié)構(gòu)設(shè)計
        3.3.2 判別器模型的優(yōu)化結(jié)構(gòu)設(shè)計
    3.4 訓(xùn)練數(shù)據(jù)集介紹
        3.4.1 GOPRO數(shù)據(jù)集介紹
        3.4.2 Kohler數(shù)據(jù)集介紹
        3.4.3 Lai數(shù)據(jù)集介紹
    3.5 實驗設(shè)計及結(jié)果分析
        3.5.1 實驗環(huán)境及設(shè)計
        3.5.2 數(shù)據(jù)集預(yù)處理
        3.5.3 加入殘差網(wǎng)絡(luò)的實驗結(jié)果對比分析
        3.5.4 Wasserstein距離優(yōu)化后的實驗結(jié)果對比分析
    3.6 本章小結(jié)
第四章 基于對偶對抗學(xué)習(xí)的弱監(jiān)督圖像清晰化
    4.1 引言
    4.2 基于對偶學(xué)習(xí)的GAN算法設(shè)計
        4.2.1 對偶學(xué)習(xí)
        4.2.2 Dual GAN模型
        4.2.3 弱監(jiān)督圖像清晰化
    4.3 改進的多級聯(lián)模型
    4.4 優(yōu)化后網(wǎng)絡(luò)訓(xùn)練流程
        4.4.1 損失函數(shù)
        4.4.2 網(wǎng)絡(luò)預(yù)訓(xùn)練
        4.4.3 網(wǎng)絡(luò)的對抗訓(xùn)練
    4.5 實驗結(jié)果與分析
        4.5.1 實驗超參數(shù)設(shè)計
        4.5.2 加入級聯(lián)模型的實驗結(jié)果對比分析
        4.5.3 與主流圖像清晰化算法的實驗結(jié)果對比分析
    4.6 清晰化前后的目標(biāo)檢測算法實驗結(jié)果分析
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
致謝
參考文獻
附錄 攻讀學(xué)位期間取得的研究成果



本文編號：3737369