基于残差的端对端图像超分辨率

摘要：

深度卷积神经网络使图像超分辨率在准确性方面得到了很大改善.针对基于卷积神经网络的超分辨率重建方法网络结构简单、收敛速度慢、重建纹理模糊等问题,提出了一种基于残差学习的端对端深层卷积神经网络.该网络由局部残差网络和全局残差网络联合训练得到,增加了网络的宽度,能学习到不同的有效特征.局部残差网络包括特征提取、上采样和多尺度重建3个阶段,通过残差密集块密集连接卷积层提取有效的局部特征,采用多尺度卷积层获得丰富的上下文信息,利于高频信息的恢复;全局残差网络中采用渐进上采样的方式实现不同尺度的图像重建,通过残差学习提高收敛速度.在基准数据集Set5,Set14,B100和Urban100上进行放大2倍、3倍和4倍的定量和定性评估.在这4种数据集下,所提算法在放大3倍时平均PSNR/SSIM指标分别为34.70 dB/0.9295,30.54 dB/0.8490,29.27 dB/0.8096和28.81 dB/0.8653,与其他方法相比有较大提升.在定性比较方面,所提方法重建出了更加清晰的图像,能更好地保留图像中的边缘细节.实验结果表明,所提方法在主观视觉和客观量化方面都有了较大改进,能有效提高图像重建的质量.

关键词：超分辨率、残差学习、卷积神经网络、联合训练、端对端

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61772319,61472227,61602277

在线出版日期：2019-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：246-255