论文部分内容阅读
图像作为网络时代重要的信息载体,其分辨率的高低意味着包含信息的丰富程度。高分辨率图像包含边缘、纹理等重要的视觉特征,能够准确地表达其中的关键信息。但由于现实环境或硬件设备的影响,人们往往得到内容不完整的低分辨率图像。图像超分辨率技术可以从一张或多张低分辨率图像中重建高分辨率估计图像。目前,超分辨率重建已经成为图像处理等领域的研究热点,具有广阔的应用场景和现实意义。本文针对单幅低分辨率图像进行重建,提出两种基于深度卷积神经网络的超分辨率算法。结合密集网络架构和经典残差网络的优点,提出基于残差重构密集网络(Residual Reconstructed Dense Network,RRDN)的超分辨率算法。(1)网络级联多个残差重构密集块(Residual Reconstructed Dense Block,RRDBlock),探索更高层次的抽象特征;引入全局跳跃连接,学习低级特征和高级特征之间的残差系数。(2)RRDBlock的瓶颈层,增加了低分辨率特征的多样性同时保证了较小的密集增长率;RRDBlock的持久内存机制,实现了特征信息在网络中更高效快速地流通,显著地提升了网络重建性能;RRDBlock的局部跳跃连接,挖掘局部低级特征和局部高级特征之间的相关信息,避免了深度网络训练中的退化问题。RRDBlock的有效性通过消融实验和收敛性分析得到了验证。(3)与当前主流的超分辨率算法相比,RRDN的客观评价指标在三种上采样因子上均获得了较大的改进,且RRDN具有执行速度快的优点。依据双路径网络的结构特点,提出基于紧凑型双路径网络(Compact Dual Path Network,CDPN)的超分辨率算法。(1)基于双路径网络的“微块”结构,设计改进的双路径单元,研究适用于超分辨率任务的双路径构建方式。(2)设计由多个双路径单元级联而成的双路径块(Dual Path Block,DPB),用于控制网络宽度的急速增长。(3)堆叠多个DPB构成CDPN的骨干网络,并结合反卷积操作完成从粗分辨率特征空间到精细分辨率特征空间的映射,从而降低整个网络的计算复杂度。此外,多个DPB的级联可以逐步改善高层次的特征,扩大网络在输入图像中的感受野,加速不同层次之间的信息流动。(4)通过对超参数实验结果的分析,提出基于双路径块和双路径单元的堆叠策略,帮助构建更紧凑的双路径网络。CDPN在四个基准数据集上取得了具有竞争力的结果。