單圖像超分辨率(SISR)工作主要目的在于使用低分辨率圖像(LR)通過端到端訓(xùn)練產(chǎn)生邊緣更清晰的高分辨率圖像(HR)。從低分辨率圖像重建出清晰的高分辨率圖像是一項艱巨的任務(wù)。特別是當(dāng)比例因子變大時,局部特征的恢復(fù)變得更加困難。信息的過度冗余將導(dǎo)致無法恢復(fù)足夠的高頻細(xì)節(jié)。現(xiàn)有的基準(zhǔn)技術(shù)還存在一定局限性,包括利用特征信息不足等。卷積神經(jīng)網(wǎng)絡(luò)(CNN)已經(jīng)針對部分圖像超分辨率(SR)問題實現(xiàn)了顯著的性能改進(jìn)。本文擬將卷積神經(jīng)網(wǎng)絡(luò)相關(guān)結(jié)構(gòu)與概念拓展到單圖像超分辨率工作中以改善上述問題,主要創(chuàng)新思路如下:1.提出了一種全新設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)——使用密集連接和1×1網(wǎng)絡(luò)的“精確圖像超分辨率”來充分利用圖像特征。圖像區(qū)域的上下文信息通過密集連接和多次級聯(lián)小的過濾器被有效且準(zhǔn)確地利用。在圖像重建部分新引入了1×1 CNN并行化結(jié)構(gòu)以減少前幾層的數(shù)據(jù)尺寸,從而在減輕上下文信息傳遞冗余的同時有效減輕了計算負(fù)擔(dān)。2.提出了一種用于多尺度圖像紋理恢復(fù)的,基于深連接與多1×1卷積結(jié)合的單圖像超分辨技術(shù)更加側(cè)重于提高卷積神經(jīng)網(wǎng)絡(luò)的表達(dá)能力以顯著提高重建的高分辨率圖像細(xì)節(jié)的準(zhǔn)確性,產(chǎn)生更高的峰值信噪比(PSNR)...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1具有簡單卷積層的深度學(xué)習(xí)的初始超分辨率模型圖

青島大學(xué)碩士學(xué)位論文3得了優(yōu)于之前傳統(tǒng)方法的性能取得了比較理想的效果，被稱作SR工作的先驅(qū)。作者得出的結(jié)論是，使用更大的卷積神經(jīng)網(wǎng)絡(luò)的卷積核比使用更深的卷積層更好，其結(jié)構(gòu)如圖1.1所示。所以從那時起大部分的研究都開始轉(zhuǎn)向使用更高效的CNN來實現(xiàn)LR圖像和HR圖像之間的端到端映射，....

圖1.2基于特征恢復(fù)的殘差學(xué)習(xí)超分辨網(wǎng)絡(luò)模型圖

青島大學(xué)碩士學(xué)位論文4卷積層的權(quán)重都會進(jìn)行共享以減少要訓(xùn)練的參數(shù)，這意味著它們成功地訓(xùn)練了深層的卷積神經(jīng)網(wǎng)絡(luò)并取得了顯著成績，提高了性能。圖1.2基于特征恢復(fù)的殘差學(xué)習(xí)超分辨網(wǎng)絡(luò)模型圖在許多基于深度學(xué)習(xí)的超分辨率算法中，輸入圖像通過三次插值進(jìn)行升采樣，再輸入網(wǎng)絡(luò)。也可以不使用插值....

圖1.3基于密集連接的超分辨模型原理圖

擬合模型。所有這些方法都使用轉(zhuǎn)置或子像素卷積層提取LR空間中的特征并放大最終的LR特征。隨著卷積神經(jīng)網(wǎng)絡(luò)深度的增加，梯度消失的現(xiàn)象愈發(fā)嚴(yán)重甚至開始妨礙網(wǎng)絡(luò)訓(xùn)練。目前有許多方法都集中在解決此問題上。HighwayNetworks[44]利用卷積層之間的各類長短路徑以有效的訓(xùn)練長達(dá)1....

圖2.1網(wǎng)絡(luò)結(jié)構(gòu)圖

青島大學(xué)碩士學(xué)位論文9圖2.1網(wǎng)絡(luò)結(jié)構(gòu)圖2.1.1密集連接的優(yōu)勢如圖2.2所示，特征圖的輸出得到了準(zhǔn)確的演示。公式如下：xl=Hl(|x0,x1,,xl1|),2-(l)xl代表第l層的特征輸入,Hl包括每一對處理層（PReLU激活層與卷積層）的權(quán)重|x0,x1,,xl1|是從第....

本文編號：4013246