登录    注册    忘记密码

期刊文章详细信息

基于深层卷积网络的单幅图像超分辨率重建模型    

Single Image Super-Resolution Restoration Model Using Deep Convolutional Networks

  

文献类型:期刊文章

作  者:龙法宁[1] 朱晓姝[1,2] 胡春娇[3]

LONG Faning;ZHU Xiaoshu;HU Chunjiao(Computer Science Department, Yulin Normal University, Yulin, Guangxi, 537000 , China;Guangxi Universities Key Lab of Complex System Optimization and Big Data Processing, Yulin Normal University, Yulin, Guangxi, 537000, China;Educational Technology Center, Yulin Normal University,Yulin,Guangxi,537000,China)

机构地区:[1]玉林师范学院计算机科学与工程学院,广西玉林537000 [2]玉林师范学院广西高校复杂系统优化与大数据处理重点实验室,广西玉林537000 [3]玉林师范学院教育技术中心,广西玉林537000

出  处:《广西科学》

基  金:广西重点实验室科研课题项目(2016CSOBDP0302);广西高校科研项目(2013YB202)资助

年  份:2017

卷  号:24

期  号:3

起止页码:231-235

语  种:中文

收录情况:CAS、JST、RCCSE、ZGKJHX、普通刊

摘  要:【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。

关 键 词:超分辨率 深度学习  感知损失函数  卷积神经网络

分 类 号:TP391.41]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心