论文部分内容阅读
图像超分辨率是指对通过一幅或者多幅信息互补的低分辨率图像进行处理,重构出一幅高分辨率图像的技术,被广泛的应用在医学影像、视频监控、遥感成像等领域。基于学习的超分辨率算法通过学习得到高分辨率图像和低分辨率图像之间的映射关系,然后根据获得的映射关系指导生成高分辨率图像。生成对抗网络由生成器模型和鉴别器模型组成,两者相互博弈,直到达到纳什均衡,基于生成对抗网的超分辨率方法能恢复下采样图像的纹理信息和颗粒细节。但是基于生成对抗网络的超分辨率算法往往只能针对一种放大比例,通用性不足;在处理现实场景复杂的数据时,模型的表征能力不高;而且生成对抗网络训练非常不稳定,经常会出现崩溃现象,严重影响模型训练进程。本文基于生成对抗网络,通过改进网络结构、优化训练方法,提升生成图像的效果。对生成器模型做了如下改进:使用多级联结构逐级放大图像,使得模型能够同时生成多个放大比例的图像,同时也保证在放大比例较大时得到的图像有较高的质量;通过使用递归学习、残差学习等方法对ResNet模型进行改进,并去掉模型中的批量归一化(batch normalization)结构,在保证生成图像质量的基础上,有效的提高了模型运行效率,通过试验证明了递归、残差学习方法能有效提高模型的特征表达能力,进而显著的提高了生成图像的质量;提出了Expand-Squeeze方法生成图像,其基本思想是将通过扩充模型最后一层卷积层的维度以此获得更多的上下文信息,然后使用1x1的卷积核生成图像,Expand-Squeeze方法能有效的减轻棋盘效应,进而一定程度上提高了生成图像的质量。本文改进了鉴别器网络损失函数,通过引入Wasserstein距离来衡量生成图像和真实图像的相似性,解决了生成对抗网络训练时候出现的崩溃问题,提升模型训练稳定性。本文使用Set5、Set14、BSD100三个公开数据集进行测试。实验结果验证了本文改进后的生成对抗网络方法能够有效地提高生成图像的质量,并有效的提高了模型训练稳定性,在放大8倍情形下,改进的模型在Set5、Set14、BSD100数据集上PSNR值分别达到了26.22dB、24.58dB和24.61dB。