基于深度特征学习的图像超分辨率重建
基于学习的图像超分辨率(Super-resolution,SR)算法利用样本先验知识来重建图像,相较于其他重建方法拥有明显的优势,也是近年来研究的热点.论文首先分析了影响图像重建质量的因素,然后对基于卷积神经网络的图像超分辨率重建算法(Super-resolution convolutional neural network,SRCNN)提出了两点改进:我们用随机线性纠正单元(Randomized rectified linear unit,RReLU)去避免原有网络学习中对图像某些重要的信息过压缩,同时我们用NAG(Nesterov's accelerated gradient)方法去加速网络的收敛并且避免了网络在梯度更新的时候产生较大的震荡.最后通过实验验证了我们改进网络可以获得更好的主观视觉评价和客观量化评价.
超分辨率、图像复原、深度学习、卷积神经网络、特征映射
43
TP1;TP3
国家自然科学基金61371156;安徽省科技攻关项目基金1401B042019;中科院自动化所复杂系统管理与控制国家重点实验室开放课题20130107 资助 Supported by National Natural Science Foundation of China61371156;Anhui Province Science and Technology Research Programs1401B042019;State Key Laboratory of Manage-ment and Control for Complex System of Institute of Automa-tion Chinese Academy of Sciences Open Project20130107
2017-06-27（万方平台首次上网日期，不代表论文的发表时间）
共8页
814-821
