主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
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
基于深度反卷积神经网络的图像超分辨率算法
Deep Deconvolution Neural Network for Image Super-Resolution
投稿时间:2017-04-29  修订日期:2017-06-26
DOI:10.13328/j.cnki.jos.005407
中文关键词:  卷积神经网络  图像超分辨率  深度映射  上采样
英文关键词:convolutional neural network  image super-resolution  deep mapping  upsampling
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)
作者单位E-mail
彭亚丽 现代教学技术教育部重点实验室(陕西师范大学), 陕西 西安 710062
陕西省教学信息技术工程实验室(陕西师范大学), 陕西 西安 710119
陕西师范大学 计算机科学学院, 陕西 西安 710119 
 
张鲁 现代教学技术教育部重点实验室(陕西师范大学), 陕西 西安 710062
陕西省教学信息技术工程实验室(陕西师范大学), 陕西 西安 710119 
 
张钰 现代教学技术教育部重点实验室(陕西师范大学), 陕西 西安 710062
陕西省教学信息技术工程实验室(陕西师范大学), 陕西 西安 710119 
flyantzhang@gmail.com 
刘侍刚 现代教学技术教育部重点实验室(陕西师范大学), 陕西 西安 710062
陕西省教学信息技术工程实验室(陕西师范大学), 陕西 西安 710119 
 
郭敏 陕西省教学信息技术工程实验室(陕西师范大学), 陕西 西安 710119
陕西师范大学 计算机科学学院, 陕西 西安 710119 
 
摘要点击次数: 1115
全文下载次数: 2471
中文摘要:
      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.
英文摘要:
      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.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利