Adam优化的CNN超分辨率重建

为了使单帧图像在不同放大倍数的条件下进行超分辨率重建能得到较好的效果,提出了一种Adam优化的卷积神经网络(convolutional neural network,CNN)超分辨率重建方法。该方法首先使用ISODATA(iterative selforganizing data analysis)聚类算法对训练的图像集进行分类处理,然后在Adam优化的卷积神经网络中对输入图像进行特征提取和非线性映射得到特征映射图,最后在Adam优化的卷积神经网络中对特征映射图进行反卷积重建得到多尺度放大的重建图像。通过实验验证使用该方法在不同放大倍数条件下的重构效果优于传统算法,在视觉效果上有较好的表现。     

多级信息补偿的U型网络图像超分辨率重建算法

针对基于深度神经网络的图像超分辨率重建算法在特征提取过程中容易丢失特征信息,导致重建图像缺少纹理和边缘细节等问题,提出一种多级信息补偿的U型网络图像超分辨率重建算法.首先设计一个用于图像超分辨率重建的U型网络,该网络通过下通道分支对输入特征进行多层级特征提取和通道压缩,通过底层模块对压缩后的特征进行融合并提取不同通道的相关特征,通过上通道分支对压缩后的相关特征进行多层次特征提取和通道恢复;然后设计多级信息补偿模型,对U型网络的通道压缩过程中丢失的信息和通道恢复过程中难以恢复的信息进行补偿;最后在不同放大倍数下的Set5、Set14、BSD100和Urban100测试集上对所提算法和主流算法进行对比测试分析,实验结果表明所提算法相比主流算法实现了在峰值信噪比(PSNR)/结构相似度(SSIM)指标和视觉效果上的巨大提升.     

多级跳线连接的深度残差网络超分辨率重建

由于快速的卷积神经网络超分辨率重建算法(FSRCNN)卷积层数少、相邻卷积层的特征信息之间缺乏关联性,因此难以提取到图像深层信息导致图像超分辨率重建效果不佳。针对此问题,该文提出多级跳线连接的深度残差网络超分辨率重建方法。首先,该方法设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决相邻卷积层的特性信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。该文方法与bicubic, A+, SRCNN, FSRCNN和ESPCN算法在Set5和Set14测试集上进行了对比测试,在视觉效果和评价指标数值上该方法都优于其它对比算法。     

基于类金字塔图残差网络的图像超分辨率重建

针对基于深度学习的图像超分辨率重建算法大多侧重于从大量外部训练数据中学习,而忽视图像本身的内部知识以及过于关注局部特征的问题,提出一种基于类金字塔图残差网络的图像超分辨率重建算法.首先,该算法构建的残差图卷积结构利用一种预生成图结构的方式将提取的特征图转换为预生成图结构的顶点来构成图结构数据,从而通过图卷积来学习特征自身内部的拓扑结构,同时使用残差学习适度地加深图卷积网络以提高重建性能;其次,该算法构建的类金字塔多空洞卷积结构,通过充分利用不同大小的感受野,避免了不能完全覆盖所有像素点的缺陷,更好地融合不同尺度的特征信息;最后,经过大量实验验证,所提出的算法显著优于主流超分辨率方法,有着更好的客观和主观度量结果.     

轻量化逆可分离残差信息蒸馏网络的图像超分辨率重建

基于深度学习的图像超分辨率重建算法的性能需求导致急剧增加的参数量与高额的计算成本，这限制超分辨率重建在移动设备上的应用.针对此问题，文中提出轻量化逆可分离残差信息蒸馏网络的图像超分辨率重建算法.首先，设计渐进可分离蒸馏重洗模块，进行多重信息蒸馏，在提取多层次特征的同时保持模型轻量化，使用多个特征提取连接，学习更具区别性的特征表示，以便网络能从蒸馏中获得更多有益信息.然后，设计对比感知坐标注意力模块，充分利用通道感知与位置敏感信息，增强特征选择能力.最后，提出逐步补偿残差连接方式，提高浅层特征的利用率，补偿网络的纹理细节特征.实验表明，文中算法在模型复杂性与重建性能之间实现较好的均衡，重建的高分辨率图像主客观质量都很优秀.