基于广泛激活深度残差网络的图像超分辨率重建

摘要：

为了得到更好的图像评价指标,均方误差损失是大多数现有的与深度学习方法结合的图像超分辨率技术都在使用的目标优化函数,但大多数算法构建出来的图像因严重丢失高频信息和模糊的纹理边缘而不能达到视觉感受的需求.针对上述问题,本文提出融合感知损失的广泛激活的非常深的残差网络的超分辨率模型,通过引入感知损失、对抗损失,并结合平均绝对误差组成新的损失函数,通过调整不同损失项的权重对损失函数进行优化,提高了对低分率图像的特征重构能力,高度还原图像缺失的高频信息.本文选取峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似度(structural similarity,SSIM)两个国际公认的评判指标作为客观评判标准,更换数据集进行实验分析、结果对比,在主观视觉上直观观察效果,结果从不同角度证明本文方法性能较对比模型有所提升,证明了引入感知损失后,模型更好地构建了低分辨率图的纹理细节,可以获得更好的视觉体验.

关键词：深度学习、超分辨率、广泛激活、感知损失、特征重构、峰值信噪比、结构相似度、视觉体验

所属期刊栏目：17

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：440-446