基于改进SRCNN模型的图像超分辨率重构

图像超分辨率重构是指将低分辨率图像生成对应的高分辨率图像,在许多领域有着重要作用。文章在SRCNN方法的基础上,提出了改进模型。首先,在SRCNN基础上使用小卷积代替大卷积。其次,加入残差结构。最后,在前两层网络后加入ReLU激活函数。结果表明,scale为3、4、6、8的PSNR分别提升了0.140 3 dB、0.084 5 dB、0.147 2 dB、0.113 5 dB,模型性能较改进前有所提升。     

基于多尺度特征蒸馏的轻量化图像超分辨率网络研究

大多数轻量化图像超分辨率网络采用信息蒸馏的方式进行低分辨率图像特征提取。尽管它们取得了不错的超分辨率图像重建结果,但是信息蒸馏的方式忽略了对图像内容尺度变化的建模,导致网络在处理有明显尺度变化内容时性能下降。为了解决上述问题,本文提出了一种基于级联尺度蒸馏的轻量化图像超分辨率网络（MSDNet）,并在常用的图像超分辨率数据集上进行了大量实验。定量与定性的实验结果表明了MSDNet的有效性。     

基于深层特征差异性网络的图像超分辨率算法

传统深层神经网络通常以跳跃连接等方式堆叠深层特征,这种方式容易造成信息冗余。为了提高深层特征信息的利用率,该文提出一种深层特征差异性网络(DFDN),并将其应用于单幅图像超分辨率重建。首先,提出相互投影融合模块(MPFB)提取多尺度深层特征差异性信息并融合,以减少网络传输中上下文信息的损失。第二,提出了差异性特征注意力机制,在扩大网络感受野的同时进一步学习深层特征的差异。第三,以递归的形式连接各模块,增加网络的深度,实现特征复用。将DIV2K数据集作为训练数据集,用4个超分辨率基准数据集对预训练的模型进行测试,并通过与流行算法比较重建的图像获得结果。广泛的实验表明,与现有算法相比,所提算法可以学习到更丰富的纹理信息,并且在主观视觉效果和量化评价指标上都取得最好的排名,再次证明了其鲁棒性和优越性。     

基于卷积神经网络的单幅图像超分辨率重建算法综述

近年来,单幅图像超分辨率重建技术成为机器视觉领域的研究热点。随着深度学习的发展,卷积神经网络在单幅图像超分辨率重建方面取得了前所未有的成功。文章对典型的图像超分辨率重建的卷积神经网络模型进行综合论述,比较分析了不同模型之间的异同点和优缺点,并对基于卷积神经网络的单幅图像超分辨率重建方法的未来研究方向进行展望。     

基于超分辨率的电力设备红外图像轻量化检测方法

近年来,随着我国电网规模持续扩大,在复杂背景环境下对变电站智能巡检得到了广泛的应用。针对实际电力设备红外图像采集过程中出现的图像边缘信息模糊和分辨率较低等问题,本文提出一种基于改进型超分辨率的新型电力设备红外图像轻量型检测方法。首先对采集的原始电力设备红外图像送到超分辨率网络SRGAN中进行训练,得到更清晰、分辨率更高...     

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。     

改进的超分辨率图像重建算法

针对超分辨率卷积神经网络(SRCNN)卷积层较少、训练时间长、不易收敛且表达和泛化能力受限等问题,提出了一种残差反卷积SRCNN(RD-SRCNN)算法.首先利用不同大小的卷积核进行卷积操作,以更好地提取低分辨率图像中的细节特征;然后将获取的图像特征输入由不同大小卷积核构成的卷积层和指数线性单元激活层组成的残差网络,并...     

快速图像超分辨率方法研究

针对现有的基于样本学习的图像超分辨率方法参数较多、运算速度较慢等问题,结合基于卷积神经网络的超分辨率方法,提出一种快速图像超分辨率方法.设计一学习网络,以低分辨率图像作为网络的输入,从根本上减少网络的运算负担,加速网络运算;减小卷积核尺寸使得网络训练参数减少,提高运算速度;最后以亚像素卷积层同时实现网络的映射和图像融合过程.将所提方法在通用测试集上进行测试,并与其他方法的测试结果进行了对比,所提方法生成的图像具有更高的峰值信噪比,且具有更好的主观视觉效果.实验结果表明所提方法不仅运算速度能够得到大幅提升,而且能够生成更高质量的超分辨率图像,具有更佳的超分辨率性能.     

基于深度学习的图像超分辨率重建方法浅析

图像超分辨率是图像处理中一个经典问题,从低分辨率图像中恢复高分辨率图像的不确定性给问题的求解带来了极大的挑战。作为一个热门的应用领域,从问题提出至今,研究者们提出了许多的解决方法。随着科技进步和深度学习的发展,基于卷积神经网络等的深度学习方法应用于图像超分辨率重建,使得重建图像的质量得到了极大的提高。文章对基于深度学习的图像超分辨率重建的一些较为经典的方法进行了总结与探讨,分析了其中的优势与不足,并指出了目前方法中存在的问题和今后研究可以努力的方向。     

基于改进IBP算法的图像超分辨率重建

针对传统IBP算法存在对图像细节获取能力差,重建图像清晰度不高的问题,提出一种改进方法.该方法利用小波包图像融合技术,获取所有低分辨率图像高频绝对值最大的值,与均值低频进行小波包重建,得到重建低分辨率图像.以该图像为参考图像,进行迭代反投影,获得高分辨率图像.改进后的算法增加了迭代反投影方法对高频信息的获取能力,提高了...     

基于压缩卷积神经网络的图像超分辨率算法

为了有效提高深度图像的分辨率,文中借鉴经典SqueezeNet网络结构,提出一种基于Fire Module的卷积神经网络模型。该算法实现了直接从低分辨率图像到高分辨率图像的映射和转化,其中Fire Module作为网络的非线性映射模块,在减少参数的同时可学习图像的深层特征。为了避免插值预处理,在网络的输出层引入反卷积层,实现3倍上采样和高分辨率图像的输出。实验表明,采用该基于Fire Module的卷积神经网络模型的反卷积算法得到的超分辨率图像细节更加丰富,客观指标PSNR值和SSIM值的评价也明显优于其他算法。     

基于深度卷积神经网络的红外图像超分辨率重建技术

由于器件及工艺等技术限制,红外图像分辨率相对可见光图像较低,存在细节纹理特征模糊等不足。对此,本文提出一种基于深度卷积神经网络（convolutional neural network,CNN）的红外图像超分辨率重建方法。该方法改进残差模块,降低激活函数对信息流影响的同时加深网络,充分利用低分辨率红外图像的原始信息。结合高效通道注意力机制和通道-空间注意力模块,使重建过程中有选择性地捕获更多特征信息,有利于对红外图像高频细节更准确地进行重建。实验结果表明,本文方法重建红外图像峰值信噪比（peak signal to noise ratio,PSNR）优于传统的Bicubic插值法以及基于CNN的SRResNet、EDSR、RCAN模型。当尺度因子为×2和×4时,重建图像的平均PSNR值比传统Bicubic插值法分别提高了4.57 dB和3.37 dB。     

基于卷积稀疏自编码的图像超分辨率重建

针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比（PSNR）结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。     

适用于图像超分辨率的多路径融合增强网络

卷积神经网络（Convolutional Neural Network, CNN）在单幅图像的超分辨率重建方面表现出了非常强大的能力,相比传统方法有着明显的改进。然而,尽管这些方法非常成功,但是由于需要大量的计算资源,直接应用于一些边缘设备并不现实。为了解决该问题,设计了一种轻量级的图像超分辨率重建网络——多路径融合增强网络（Multi-path Fusion Enhancement Network, MFEN）。具体来说,提出了一个新颖的融合注意力增强模块（Fusion Attention Enhancement Block, FAEB）作为多路径融合增强网络的主要构建模块。融合注意力增强模块由一条主干分支和两条层级分支构成：主干分支由堆叠的增强像素注意力模块组成,负责对特征图实现深度特征学习;层级分支则负责提取并融合不同大小感受野的特征图,从而实现多尺度特征学习。层级分支的融合方式则是以相邻的增强像素注意力模块输出为分支输入,通过自适应注意力模块（Self-Adaptive Attention Module, SAAM）来动态地增强不同大小感受野特征的融合程度,进一步补全特征信息,...     

结合误差反馈的LapSRN的图像超分辨率重建

近年来,神经网络被广泛应用于超分辨率重建,但是多数网络都是单一学习低分辨率(LR)图像和高分辨率(HR)图像之间的映射关系,而文中提出了一种基于拉普拉斯金字塔网络(LapSRN)的算法,考虑LR图像和不同尺寸HR图像之间的映射,挖掘新的特征信息.另外,针对网络中多次连续上采样所带来的误差,引入错误反馈机制,将之前的采样...