导读:本文包含了超分辨率图像重建论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图像,分辨率,卷积,神经网络,网络,稀疏,多字。
超分辨率图像重建论文文献综述
杜玉萍,刘严严[1]（2019）在《基于POCS的微扫描超分辨率图像重建算法研究》一文中研究指出超分辨率重建,就是从单帧或者序列低分辨率图像中,估计出接近原始高分辨率图像的过程。首先介绍了微扫描超分技术原理,给出了四幅通过微扫描超分相机拍摄的低分辨率图像,之后介绍了基于序列图像重建的超分辨率重建算法POCS(凸集投影法,projections onto convex set,简称POCS),给出了算法的重构图像及细节对比。(本文来源于《光电技术应用》期刊2019年06期）
贾婷婷,王济浩,郑雅羽,冯杰[2]（2019）在《一种拉普拉斯金字塔结构的团网络超分辨率图像重建算法》一文中研究指出较深的卷积神经网络在超分辨率图像重建中获得了较好的结果.然而,大多数基于卷积神经网络的超分辨率算法忽略了卷积层间的反馈信息.因此,在信息传递的过程中丢失了更多细节特征.针对此问题,提出了一种拉普拉斯金字塔结构的团网络超分辨率图像重建算法.使用团结构作为网络的构建模块,其卷积层间既有前向连接又有反馈连接.同时采用拉普拉斯金字塔结构,渐进式重建高分辨率图像.为了验证算法的有效性,在4个基准数据集上对重建结果进行主、客观评估并与不同算法做比较.结果表明,所提出的算法相较于其他算法,在客观指标上,峰值信噪比与结构相似度指数分别有0. 05dB至0. 36dB与0. 001至0. 006的提升;在主观视觉效果上,能够重建出更接近真实的图像.(本文来源于《小型微型计算机系统》期刊2019年08期）
陈晓宁,罗昌明[3]（2019）在《基于超分辨率图像重建的4G无线网络执法系统研究》一文中研究指出传统监控设备已无法满足公检法等行业对移动监控的需求。本研究利用4G无线网络传输的高速性,研究基于4G执法仪远程无线音频、视频传输系统、人脸识别系统。重点研究了人脸识别与检测系统中的关键技术,针对获取图像的低分辨率问题采用基于图像稀疏表示的超分辨率图像重建的原理机制,针对人脸检测研究了多姿态人脸识别系统等关键技术。本系统采用多媒体压缩技术、流媒体传输及存储技术、GPS定位技术、超分辨率图像重建技术以及多姿态人脸检测(本文来源于《电子世界》期刊2019年09期）
李艳春[4]（2019）在《生成对抗网络的改进方法与超分辨率图像重建研究》一文中研究指出自2014年生成对抗网络被提出以来,就受到了众多学者的高度关注和广泛研究。随着更多深度学习网络结构和优化技术的提出,生成对抗网络在理论和应用上也取得了很多的研究成果。尽管如此,生成对抗网络模型收敛的条件、如何稳定训练和提高生成图像的质量等关键问题仍然是一个具有挑战性和开放性的课题;如何更好地将对抗式的训练方法应用到像素级图像处理任务,比如图像超分辨也是一个值得深入研究的问题。本文针对生成对抗网络训练不稳定、梯度消失、模式崩塌以及其在超分辨图像重建的应用等关键问题进行了研究。对混合模型和标准模型提出了多种改进方案,提高了模型训练的稳定性和生成图像的质量;提出了一个新的单图像超分辨模型,通过引入自注意力、密集连接和对抗训练的方法提高超分辨图像的全局一致性和纹理清晰度。本文的主要研究成果概括如下。针对边界平衡生成对抗网络生成图像多样性不足、类噪声区域多、不平滑等关键问题,提出了一种简单而有效的方法。该方法为判断器增加降噪损失,提高判断器区分真实数据和生成数据的能力,使生成的人脸图像更加光滑;为网络增加批归一化,使生成的图像特征更加丰富;同时评估了不同方法在边界平衡生成对抗网络框架上的效果;并且通过空间一致性实验证明了生成器的泛化能力。针对标准生成对抗网络训练不稳定、生成器无梯度优化、生成图像多样性不足等关键问题,本文提出了两种简单有效且易于实现的方法DRRGAN和GAN-RL。DRRGAN通过为判断器增加一个特征输出作为生成器解噪真实数据的输入和潜在代码的重构,使整个网络可以学习到真实数据分布的一些特征信息,因此能改进标准生成对抗网络的性能,生成质量更好的图像。GAN-RL的生成器利用判断器学习到的特征来重构真实数据,能提高判断器学习数据特征和生成器生成每一种模式的能力。GANRL具有能提供稳定的梯度信号、对超参鲁棒、并能与其他正则方法相结合以改进其性能的优点。针对仅由像素损失生成的超分辨图像过于平滑和纹理不清晰等问题,本文利用对抗式训练方法生成了纹理更自然和真实的高分辨率图像。为充分提取低分辨率图像空间的特征和减少模型增大感受野对深度的依赖,所提模型DSSA_GAN为其生成器引入残差组之间密集连接和自注意力机制。生成器首先由像素损失预训练,然后引入对抗训练的方法,从而使判断器更加专注于真假图像之间的纹理判断,生成更真实的高分辨率图像。本文所提的方法均在相关的数据库上进行实验验证。实验结果表明针对边界平衡生成对抗网络的改进方法提高了训练稳定性;针对标准生成对抗网络的改进方法DRRGAN和GAN-RL不仅训练速度快,效率高,引入的计算负载少,而且能应用到多种网络结构上。在多个标准测试集上通过多种评估方法检验所提的超分辨模型DSSA_GAN的性能,实验结果证明了所提模型的有效性。本文的研究成果为生成对抗网络的理论研究和性能改进提供了思路,对对抗训练在图像超分辨上的应用具有指导意义。(本文来源于《华南理工大学》期刊2019-04-08）
张圣祥,郑力新,朱建清,潘书万[5]（2019）在《采用深度学习的快速超分辨率图像重建方法》一文中研究指出为满足实际工业生产需要,提出一种基于深度学习的快速超分辨率图像重建方法.采用一种快速的卷积神经网络结构,使用级联的小卷积核以取得重建速度上的提升,加深卷积网络以取得重建质量上的提升.实验结果表明:在标准的公共数据集上,该算法重建的高分辨率图像在主观视觉感受和客观的图像质量评价(峰值信噪比)上取得较好的效果,且重建时间大大缩短;将算法应用在实际的项目中,能达到阈值分割后准确检测物体的标准,减少企业对高额工业相机的经济开支.(本文来源于《华侨大学学报(自然科学版)》期刊2019年02期）
张焯林,曹飞龙[6]（2019）在《基于MobileNet的轻量级网络构建及其超分辨率图像重建》一文中研究指出目的:研究轻量级网络的超分辨率重建。方法:尝试在图像超分辨率重建中引入MobileNet网络结构,并使用MobileNet v2网络结构对网络进行改进。结果:通过将标准的卷积网络分解为深度卷积和逐点卷积操作,该网络将参数数量和计算量缩减为原来的1/4左右。结果显示除了在扩大因子为×2的情况下重建效果有所下降之外,在其他的尺度上都取得了更好的效果。使用MobileNet v2网络结构对网络改进以后,该网络能在参数数量和计算量增加不多的情况下进一步提升效果,重建效果超过所有对比方法。结论:所构建的两个轻量级网络不仅在定性指标上面有更好的结果,而且在视觉效果上也具一定优势。(本文来源于《中国计量大学学报》期刊2019年01期）
李超[7]（2019）在《卷积神经网络超分辨率图像重建算法的改进》一文中研究指出随着时代与科技的进步,人们对图像分辨率的要求越来越高。提高图像分辨率成为必须要解决的问题。目前利用深度学习进行超分辨率图像重建成为提高图像质量的一种趋势。深度学习对图像进行重建可以有效地提高图像质量。现有的基于卷积神经网络的超分辨率图像重建算法有着自身的优势同时也存在着缺陷。针对算法的缺陷,本文提出一种改进的图像重建算法。系统地分析了卷积神经网络在图像重建时的缺陷,针对重建时的训练时间长,存在网络退化现象等缺点。本文利用残差网络对传统的SRCNN进行改进。改进后的算法与传统的SRCNN算法相比,可以减少训练时间,同时可以防止网络退化现象的发生。(本文来源于《电脑知识与技术》期刊2019年04期）
廖成,郭心悦,韩彦芳[8]（2019）在《改进的稀疏表示超分辨率图像重建》一文中研究指出为了能从单幅低分辨率图像中利用超分辨率技术重建出高分辨率图像,提出一种基于稀疏表示的改进算法。首先求出在低分辨率图像过完备字典上的稀疏表示系数,将稀疏表示系数与高分辨率图像的过完备字典相结合,得到高分辨率图像块,再联合输入的低分辨率图像块与生成的高分辨率图像块,求解出其在高低分辨率字典对上的稀疏系数,最后结合高分辨率图像字典,得到更加精确的高分辨率图像块。经仿真实验验证,该改进方法有效提升了重建图像质量,增强了重建图像的还原度。(本文来源于《软件导刊》期刊2019年02期）
刘亚男,彭仁勇,王琳[9]（2018）在《基于自适应分数阶全变分的超分辨率图像重建》一文中研究指出超分辨率图像重建在各领域有重要的应用价值,具有广阔的应用前景。超分辨率图像重建是一个病态求逆问题,最有效的解决方法是添加正则化项进行处理。本文在传统的全变分的基础上,添加分数阶全变分作为正则化项约束解空间,并利用纹理检测函数判断图像中不同位置的局部特征,自适应地选择其合适的阶次。采用交替方向乘子算法(ADMM)将优化函数划分为多个子问题进行求解,降低运算的复杂程度。本文全变分和自适应分数阶全变分的双正则化约束,在去除噪声锐化边缘的同时,根据图像的特征,自适应地重建出了纹理细节信息。实验结果表明,与其他方法相比,本文方法提高了图像的重建质量,且峰值信噪比(PSNR)和结构相似度(SSIM)值都有一定提高。(本文来源于《计算机与现代化》期刊2018年09期）
程德强,陈亮亮,蔡迎春,游大磊,屠屹磊[10]（2018）在《边缘融合的多字典超分辨率图像重建算法》一文中研究指出由于煤矿井下特殊的环境导致井下图像一般比较模糊和边缘特征比较弱,而目前基于字典学习的图像超分辨率重建算法通常是将全部图像块利用训练的单一字典进行重建,忽视了各图像块之间的差异性,不利于重建边缘不清晰的矿井图像。结合矿井图像特征提出一种边缘融合的多字典超分辨率图像重建方法,该算法根据各图像块的梯度统计信息将图像块进行分类并训练对应的字典库,重建时将不同字典重建的图像块融合成完整的高分辨率图像;此外为了提高图像的边缘信息,预处理阶段低分辨率图像进行边缘融合以增强边缘特征,重建的高分辨率图像利用学习的先验知识进行边缘融合以修正重建过程中出现的误差。实验表明,该算法的重建效果优于其它基于字典学习的超分辨率图像重建方法,能够很好地重建图像的边缘细节,并抑制重建过程中产生的重影和振铃效应,平均PSNR值提高1.19 d B。(本文来源于《煤炭学报》期刊2018年07期）
超分辨率图像重建论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
较深的卷积神经网络在超分辨率图像重建中获得了较好的结果.然而,大多数基于卷积神经网络的超分辨率算法忽略了卷积层间的反馈信息.因此,在信息传递的过程中丢失了更多细节特征.针对此问题,提出了一种拉普拉斯金字塔结构的团网络超分辨率图像重建算法.使用团结构作为网络的构建模块,其卷积层间既有前向连接又有反馈连接.同时采用拉普拉斯金字塔结构,渐进式重建高分辨率图像.为了验证算法的有效性,在4个基准数据集上对重建结果进行主、客观评估并与不同算法做比较.结果表明,所提出的算法相较于其他算法,在客观指标上,峰值信噪比与结构相似度指数分别有0. 05dB至0. 36dB与0. 001至0. 006的提升;在主观视觉效果上,能够重建出更接近真实的图像.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
超分辨率图像重建论文参考文献
[1].杜玉萍,刘严严.基于POCS的微扫描超分辨率图像重建算法研究[J].光电技术应用.2019
[2].贾婷婷,王济浩,郑雅羽,冯杰.一种拉普拉斯金字塔结构的团网络超分辨率图像重建算法[J].小型微型计算机系统.2019
[3].陈晓宁,罗昌明.基于超分辨率图像重建的4G无线网络执法系统研究[J].电子世界.2019
[4].李艳春.生成对抗网络的改进方法与超分辨率图像重建研究[D].华南理工大学.2019
[5].张圣祥,郑力新,朱建清,潘书万.采用深度学习的快速超分辨率图像重建方法[J].华侨大学学报(自然科学版).2019
[6].张焯林,曹飞龙.基于MobileNet的轻量级网络构建及其超分辨率图像重建[J].中国计量大学学报.2019
[7].李超.卷积神经网络超分辨率图像重建算法的改进[J].电脑知识与技术.2019
[8].廖成,郭心悦,韩彦芳.改进的稀疏表示超分辨率图像重建[J].软件导刊.2019
[9].刘亚男,彭仁勇,王琳.基于自适应分数阶全变分的超分辨率图像重建[J].计算机与现代化.2018
[10].程德强,陈亮亮,蔡迎春,游大磊,屠屹磊.边缘融合的多字典超分辨率图像重建算法[J].煤炭学报.2018
论文知识图
