10.19678/j.issn.1000-3428.0062364
基于稀疏神经网络的图像超分辨率重建算法
部分基于深度学习的图像超分辨率重建算法通过扩展网络层的深度来提高网络模型的整体特征表达能力.然而,一味过度地扩展网络的深度会造成网络模型过参数化和复杂化,并且冗余的网络参数会增加特征表达的不稳定性.在LTH剪枝算法基础上改变权重参数并使用均衡学习策略,提出一种适用于图像超分辨率重建任务的神经网络非结构化剪枝算法RLTH.在不改变网络结构和不增加计算复杂度的前提下,通过搜索原始网络模型的最优稀疏子网络排除冗余参数带来的影响,在有限的参数资源中捕获更细粒度和丰富的图像特征,进而提高网络模型的整体特征表达能力.基于Set5、Set14和BSD100测试集的实验结果表明,与原始网络模型和应用LTH剪枝算法相比,应用RLTH算法获得的重建图像PSNR和SSIM均得到提升,且具有更丰富的细节特征,整体和局部轮廓更清晰.
单帧图像超分辨率重建、神经网络、非结构化剪枝、深度学习、稀疏网络
48
TP391(计算技术、计算机技术)
国家自然科学基金;大亚湾科技计划项目
2022-09-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
247-253