论文部分内容阅读
互联网技术的发展和各种拍摄设施的普及为人们带来了更多的图片,图片资源的爆发式增长对图像后处理技术的提出了新的挑战。传统图像后处理算法存在对先验知识要求高、算法适应性差的问题,使用深度学习方法可以通过对大量样本的学习自动对图像的降质退化问题进行建模并取得更好的性能,成为图像后处理研究的主流方向。深度学习的方法的两个关键问题是如何设计神经网络的网络结构和如何优化损失函数。在图像后处理研究中的主要研究工具是卷积神经网络(Convolutional Neural Networks,CNN),其发展趋势是网络的深度逐渐加深,在尺度上却对图像中多尺度信息的提取方面关注较少。网络深度加深会带来网络收敛性变差的问题,而单尺度网络由于不能提取和利用图片中的多尺度信息也会限制网络性能的提升。另一方面,图像后处理的研究中常用的损失函数是基于均方误差(Mean Square Error,MSE)的损失函数,使用这种损失函数虽然可以带来较好的峰值信噪比(Peak Signal to Noise Ratio,PSNR),却在客观上存在容易导致图像模糊的问题。基于以上问题,本论文提出了改进的方法,具体内容包括:(1)本论文在进行图像后处理的研究时提出了一种基于多尺度的方形稠密网络(Multi-Scale Rectangle Densenet,MSRD),这种网络具有多尺度的特性,并且融合了稠密连接的思路,多尺度网络可以很好的提取图片中的多尺度信息指导图片细节的修复,稠密连接的方式可以提高网络中特征图的利用率,提高网络的收敛性。(2)MSRD的网络结构较为复杂,网络参数量较多,相比于其他网络计算速度较慢。本论文在对MSRD的训练时设置了多尺度损失函数,对MSRD中的不同节点进行监督,提高了MSRD中不同节点的图片输出质量,使网络模型可以根据应用场景的不同,在保证质量的前提下通过剪枝来降低网络级数,加快计算速度。(3)本论文针对MSRD进行了损失函数优化实验,提出在图像后处理的研究中可以使用一种基于多层特征的混合损失函数,这种损失函数中包含两个组成成分,分别是MSE损失函数和特征损失函数,并通过实验验证了这种损失函数的性能。