互聯(lián)網(wǎng)技術(shù)的發(fā)展和各種拍攝設(shè)施的普及為人們帶來了更多的圖片,圖片資源的爆發(fā)式增長對圖像后處理技術(shù)的提出了新的挑戰(zhàn)。傳統(tǒng)圖像后處理算法存在對先驗知識要求高、算法適應(yīng)性差的問題,使用深度學習方法可以通過對大量樣本的學習自動對圖像的降質(zhì)退化問題進行建模并取得更好的性能,成為圖像后處理研究的主流方向。深度學習的方法的兩個關(guān)鍵問題是如何設(shè)計神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和如何優(yōu)化損失函數(shù)。在圖像后處理研究中的主要研究工具是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）,其發(fā)展趨勢是網(wǎng)絡(luò)的深度逐漸加深,在尺度上卻對圖像中多尺度信息的提取方面關(guān)注較少。網(wǎng)絡(luò)深度加深會帶來網(wǎng)絡(luò)收斂性變差的問題,而單尺度網(wǎng)絡(luò)由于不能提取和利用圖片中的多尺度信息也會限制網(wǎng)絡(luò)性能的提升。另一方面,圖像后處理的研究中常用的損失函數(shù)是基于均方誤差（Mean Square Error,MSE）的損失函數(shù),使用這種損失函數(shù)雖然可以帶來較好的峰值信噪比（Peak Signal to Noise Ratio,PSNR）,卻在客觀上存在容易導致圖像模糊的問題。基于以上問題,本論文提出了改進的方法,具體內(nèi)容包括:（1... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

MSRD使用的卷積單元RD-Block

MSCNN和MSRD的對比實驗結(jié)果配圖(a)MSCNN的結(jié)果配圖(b)MSRD的結(jié)果配圖

多網(wǎng)絡(luò)對比實驗結(jié)果（2×）(a)SRCNN(b)U-Net(c)R2U-Net(d)LadderNet(e)SHNs


本文編號：2979849