稀疏表示超分辨率毕业论文

SRGAN是2017年CVPR中备受关注的超分辨率论文，把超分辨率的效果带到了一个新的高度。所谓超分辨率重建就是将低分辨率的图像恢复成对应的高分辨率图像。由于地分辨率图像存在大量的信息缺失，这是一个病态的求逆解问题，尤其在恢复高倍分辨率图像的时候。传统方法通过加入一些先验信息来恢复高分辨率图像，如，插值法、稀疏学习、还有基于回归方法的随机森林等，CNN在超分辨率问题上取得了非常好的效果。         SRGAN是基于CNN采用GAN方法进行训练来实现图像的超分辨率重建的。它包含一个生成器和一个判别器，判别器的主体是VGG19，生成器的主体是一连串的Residual block，同时在模型的后部加入了subpixel模块，借鉴了Shi et al 的Subpixel Network的思想，让图片在最后的网络层才增加分辨率，使得提升分别率的同时减少了计算量。论文中给出的网络结构如图所示： 论文中还给出了生成器和判别器的损失函数的形式： 1.生成器的损失函数为 ：          其中， 为本文所提出的感知损失函数, 。 内容损失 ： ;   训练网络时使用均方差损失可以获得较高的峰值信噪比，一般的超分辨率重建方法中，内容损失都选择使用生成图像和目标图像的均方差损失（MSELoss），但是使用均方差损失恢复的图像会丢失很多高频细节。因此，本文先将生成图像和目标图像分别输入到VGG网络中，然后对他们经过VGG后得到的feature map求欧式距离，并将其作为VGG loss。 对抗损失 ： ； 为了避免当判别器训练较好时生成器出现梯度消失，本文将生成器的损失函数   进行了修改。2.判别器的损失函数为： 与普通的生成对抗网络判别器的的损失函数类似。

来自论文：Deep Learning for Image Super-resolution: A Survey 图像超分辨率指的是从低分辨率图像中恢复高分辨率图像的过程。这项技术在现实世界中有广泛的应用，例如医学图像、监控与安全等，除了提升图像感知的品质，也有助于提升其他计算机视觉任务。总的来说，这个问题是非常具有挑战性和不适定性的，因为总是有多张高分辨率图像对应于单张低分辨率图像。在文献中，各种经典的超分辨率方法都有，包括基于预测的方法，基于边缘的方法，统计方法，基于修补的方法，以及稀疏表示方法等。近些年深度学习技术的快速发展，使得基于深度学习的超分辨率模型已经具有了最佳表现，大量深度学习方法被应用于解决超分辨率任务，从早期的SRCNN到最近的SRGAN。总的来说，深度学习超分辨率算法之间各不相同，主要是由于下面几个主要的方向：不同类型的网络结构，不同类型的损失函数，不同类型的学习原则和策略等。我们的工作与现有其他人的调查不同在于我们只专注于基于深度学习的超分辨率技术。 问题定义 图像超分辨率指的是从低分辨率图像中恢复相应的高分辨率图像。一般来说，低分辨率图像可以被看成是高分辨率图像退化而得的。退化过程一般认为的有两种模型，一种是简单的下采样操作。另外一种是几个操作的结合，包含产生的高分辨率图片与原图之间的损失函数，以及正则项和比例参数。我们的目的正是为了研究超分辨率模型，将相应的高分辨率图像恢复出来。 图像超分辨率的数据集 图像质量评估