隨著手機、CCD、CMOS攝像機等圖像采集設(shè)備的不斷發(fā)展,人們對高分辨率圖像的需求不斷增長,對高質(zhì)量視覺體驗的追求也越來越高。為了提高CCD或CMOS等攝像機傳感器的性能,超分辨率（SR）算法為解決這一需求提供了一種更為有效的途徑。事實上,單圖像超分辨率（SISR）任務(wù)是計算機視覺中的一項低層次任務(wù)。目前,大多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的模型都致力于通過盡可能多地編輯高分辨率圖像來訓(xùn)練參數(shù)。本文針對三種基于CNN的模型進行調(diào)整,減少對性能無影響的網(wǎng)絡(luò)層,去除網(wǎng)絡(luò)中冗余的結(jié)構(gòu),實現(xiàn)對不同類型超分辨網(wǎng)絡(luò)的提速,在同硬件配置下,減少其運算時間以及模型的存儲空間,提高模型的應(yīng)用性,有效解決單幀圖像超分辨在工業(yè)實用方面的速度和存儲問題。本文為實現(xiàn)對SISR算法的改進,采取了三步工作:（1）預(yù)定義上采樣方式模型,需將低分辨率圖像進行預(yù)處理,將其進行上采樣操作以匹配輸入輸出圖像尺寸,這也導(dǎo)致網(wǎng)絡(luò)中使用高尺寸的圖像進行計算,平方倍增加計算量。本文設(shè)計了一種既可以增加其感受野,又可以有效減少其運算量的方案。同時該結(jié)構(gòu)模型也可以有效地應(yīng)用于圖像去偽影的任務(wù)中,得到清晰的復(fù)原圖像。（2）對于基于殘差塊的模... 

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究目的與意義
    1.2 國內(nèi)外研究發(fā)展及現(xiàn)狀
        1.2.1 傳統(tǒng)圖像超分辨算法
        1.2.2 基于深度學(xué)習(xí)的圖像超分辨算法
    1.3 圖像超分辨質(zhì)量評價標準
    1.4 本文主要研究內(nèi)容及章節(jié)安排
第2章 預(yù)上采樣深度殘差超分辨模型優(yōu)化
    2.1 預(yù)上采樣深度殘差超分辨模型介紹
    2.2 預(yù)上采樣深度殘差模型優(yōu)化
        2.2.1 下采樣上采樣選擇
        2.2.2 通道混洗組卷積技術(shù)
        2.2.3 DeepWise卷積技術(shù)
        2.2.4 Int16 計算
    2.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
    2.4 模型應(yīng)用——圖像解碼后處理
        2.4.1 圖像壓縮技術(shù)
        2.4.2 擁有分支結(jié)構(gòu)的網(wǎng)絡(luò)
        2.4.3 Plain CNN網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.4 網(wǎng)絡(luò)輸入
    2.5 實驗與結(jié)果分析
        2.5.1 圖像超分辨結(jié)果分析
        2.5.2 JPEG圖像壓縮后處理結(jié)果分析
    2.6 本章小結(jié)
第3章 基于殘差塊的超分辨模型優(yōu)化
    3.1 基于殘差塊的超分辨模型介紹
        3.1.1 殘差塊與跳躍連接
        3.1.2 亞像素卷積神經(jīng)網(wǎng)絡(luò)
        3.1.3 基于殘差塊的超分辨網(wǎng)絡(luò)
    3.2 基于殘差塊模型分析及其優(yōu)化策略
        3.2.1 Dense殘差組
        3.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.3 損失函數(shù)
    3.3 圖像超分辨實驗與結(jié)果分析
    3.4 本章小結(jié)
第4章 基于通道注意力機制的超分辨模型優(yōu)化
    4.1 基于通道注意力機制的超分辨模型介紹
        4.1.1 殘差中殘差結(jié)構(gòu)
        4.1.2 通道注意力機制
    4.2 基于通道注意力機制模型分析及其優(yōu)化策略
        4.2.1 通道注意力機制優(yōu)化
        4.2.2 權(quán)重初始化與截斷
        4.2.3 損失函數(shù)
    4.3 圖像超分辨實驗與結(jié)果分析
        4.3.1 通道注意力機制優(yōu)化結(jié)果分析
        4.3.2 權(quán)重初始化與截斷結(jié)果分析
    4.4 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝


【參考文獻】：
博士論文
[1]基于低秩稀疏的圖像序列增強技術(shù)研究[D]. 李謙.中國科學(xué)技術(shù)大學(xué) 2015



本文編號：3670036