基于深度反卷积神经网络的图像超分辨率算法
作者:
作者单位:

作者简介:

彭亚丽(1979-),女,陕西石泉人,博士,副教授,主要研究领域为模式识别;刘侍刚(1973-),男,博士,教授,CCF专业会员,主要研究领域为计算机视觉;张鲁(1994-),男,硕士,主要研究领域为深度学习,图像复原(图像超分辨率,图像去噪);郭敏(1964-),女,博士,教授,博士生导师,主要研究领域为计算机视觉,图像处理;张钰(1982-),男,博士,讲师,主要研究领域为计算机视觉,人工智能.

通讯作者:

张钰,E-mail:flyantzhang@gmail.com

基金项目:

国家自然科学基金(61672333,61741208,61402274,61772325);陕西省工业科技攻关项目(2016GY-081);教育部高等教育司产学合作协同育人项目(201701023062);陕西省自然科学基金(2017JQ6074);陕西省农业攻关项目(2016NY-176);陕西省重点科技创新团队计划(2014KTC-18);教育部科技发展中心"云数融合科教创新"基金(2017A07053);陕西师范大学学习科学交叉学科培育计划;中央高校基本科研业务费专项资金(2017CSY024,GK201603091,GK201703054)


Deep Deconvolution Neural Network for Image Super-Resolution
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (61672333, 61741208, 61402274, 61772325); Key Science and Technology Program of Shaanxi Province of China (2016GY-081); Industry University Cooperative Education Project of Higher Education Department of the Ministry of Education (201701023062); Natural Science Foundation of Shaanxi Province, China (2017JQ6074); Science Research and Development Program of Shaanxi Province of China (2016NY-176); Program of Key Science and Technology Innovation Team in Shaanxi Province (2014KTC-18); Fund for Integration of Cloud Computing and Big Data of Science and Technology Development Center of the Ministry of Education (2017A07053); Interdisciplinary Incubation Project of Learning Science of Shaanxi Normal University; Fundamental Research Funds for the Central Universities (2017CSY024, GK201603091, GK201703054)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    图像超分辨率一直是底层视觉领域的研究热点,现有基于卷积神经网络的方法直接利用传统网络模型,未对图像超分辨率属于回归问题这一本质进行优化,其网络学习能力较弱,训练时间较长,重建图像的质量仍有提升空间.针对这些问题,提出了基于深度反卷积神经网络的图像超分辨率算法,该算法利用反卷积层对低分辨率图像进行上采样处理,再经深度映射消除由反卷积层造成的噪声和伪影现象,使用残差学习降低网络复杂度,同时避免了因网络过深导致的网络退化问题.在Set 5、Set 14等测试集中,所提算法的PSNR、SSIM、IFC这3项评价指标都优于FSRCNN,重建图像的视觉效果同样验证了该算法出色的性能.

    Abstract:

    Image super resolution is a research hot spot in the field of low level vision. The existing methods based on convolutional neural network do not optimize the image super resolution as a regression problem. These methods are weak in learning ability and require too much time in training step, also leaving room for improvement in the quality of image reconstruction. To solve above mentioned problems, this article proposes a method based on deep deconvolution neural network, which first upsamples low resolution image by deconvolution layer, and then uses deep mapping to eliminate the noise and artifacts caused by deconvolution layer. The residual learning reduces the network complexity and avoids the network degradation caused by the depth network. In Set 5, Set 14 and other datasets, the presented method performs better than FSRCNN in PSNR, SSIM, IFC and visual.

    参考文献
    相似文献
    引证文献
引用本文

彭亚丽,张鲁,张钰,刘侍刚,郭敏.基于深度反卷积神经网络的图像超分辨率算法.软件学报,2018,29(4):926-934

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2017-04-29
  • 最后修改日期:2017-06-26
  • 录用日期:
  • 在线发布日期: 2017-11-29
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号