文献类型：期刊文章

作　　者：林琦[1] 陈婧[1] 曾焕强[1] 朱建清[2] 蔡灿辉[2]

Lin Qi;Chen Jing;Zeng Huanqiang;Zhu Jianqing;Cai Canhui(School of Information Science and Engineering,Huaqiao University,Xiamen Key Laboratory of Mobile Multimedia Communications,Xiamen,Fujian 361021,China;College of Engineering,Huaqiao University,Quanzhou,Fujian 362021,China)

机构地区：[1]华侨大学信息科学与工程学院,厦门市移动多媒体通信重点实验室,福建厦门361021 [2]华侨大学工学院,福建泉州362021

出　　处：《信号处理》

基　　金：国家自然科学基金(61802136,61871434);福建省自然科学基金(2017J05103);福建省杰出青年科学基金项目(2019J06017);福建省教改项目(FBJG20180038);泉州市高层次人才项目(2017G027);华侨大学中青年教师科研资助项目(ZQN-YX403,ZQNPY418);华侨大学高层次科研人才资助项目(16BS709);华侨大学研究生科研创新能力培育计划资助项目(18014082026).

年　　份：2020

卷　　号：36

期　　号：1

起止页码：50-57

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：本文提出了一种基于多尺度特征残差学习卷积神经网络的视频超分辨率方法,考虑到视频帧之间的时空相关性,所提的方法采用由双三次插值预处理后的连续五帧视频作为卷积神经网络的输入,经由网络重建中间帧作为输出,依次按顺序重建,直至获得整个高分辨率视频。本文所提出的卷积神经网络主要由多尺度特征提取、残差学习、亚像素卷积层、残差连接(skip-connection)四大部分组成,通过对视频的多尺度特征提取,获得更丰富的不同尺度特征,结合残差学习以更好地恢复高频信息。实验结果表明,本方法在峰值信噪比(PSNR)和结构相似性指数(SSIM)平均评价指标上较其他方法均有一定的提升(PSNR+3.151 dB,SSIM+0.102),从主观评价上看可以有效地减少视频边缘模糊的现象。

关 键 词：视频超分辨率  卷积神经网络 多尺度特征 残差学习  

分 类 号：TP391.41] TP183[计算机类]