利用多尺度卷积神经网络的图像超分辨率算法

被引：7

作者：

陈书贞

解小会

杨郁池

练秋生

机构：

[1] 燕山大学信息科学与工程学院

来源：

信号处理 | 2018年 / 34卷 / 09期

关键词：

超分辨率; 深度学习; 多尺度卷积核; 残差训练; 跳跃连接;

D O I：

10.16798/j.issn.1003-0530.2018.09.003

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其他算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。

引用

页码：1033 / 1044

页数：12

共 8 条

[1] 基于优化卷积神经网络的图像超分辨率重建 [J].

王民 ;

刘可心 ;

刘利 ;

杨润玲 .

激光与光电子学进展, 2017, 54 (11) :129-138

[2] 改进的基于卷积神经网络的图像超分辨率算法 [J].

肖进胜 ;

刘恩雨 ;

朱力 ;

雷俊锋 .

光学学报, 2017, 37 (03) :103-111

[3] 自适应邻域选取的邻域嵌入超分辨率重建算法 [J].

曹明明 ;

干宗良 ;

陈杰 ;

崔子冠 ;

朱秀昌 .

信号处理, 2015, 31 (01) :8-16

[4] Loss Functions for Image Restoration With Neural Networks [J].

Zhao, Hang ;

Gallo, Orazio ;

Frosio, Iuri ;

Kautz, Jan .

IEEE TRANSACTIONS ON COMPUTATIONAL IMAGING, 2017, 3 (01) :47-57

[5]

Single Image Super-resolution using Deformable Patches[J] . Zhu Yu,Zhang Yanning,Yuille Alan L.Proceedings. IEEE Computer Society Conference on Computer Vision and Pattern Recognition . 2014

[6]

Sub‐pixel mapping of rural land cover objects from fine spatial resolution satellite sensor imagery using super‐resolution pixel‐swapping[J] . M. W. Thornton,P. M. Atkinson,D. A. Holland.International Journal of Remote Sensing . 2006 (3)

[7]

Imagenet classification with deep convolutional neural networks .2 Krizhevsky A,Sutskever I,Hinton G E. Advances in neural information processing systems . 2012

[8]

Image restoration using very deep convolutional encoder-decoder networks with symmetric skip connections .2 MAO X J,SHEN CH H,YANG Y B. Advances in Neural Information Processing Systems,NIPS . 2016

← 1 →