检索结果-维普期刊中文期刊服务平台

基于反馈生成对抗网络的单图像超分辨率重建被引量：1: 1; 作者王永强李雪 +1 位作者范迎迎钱育蓉《计算机工程与设计》北大核心 2022年第7期2022-2030,共9页; 针对现有图像超分辨率重建方法中高频图像信息不丰富的问题,提出一种基于反馈和注意机制的单图像重建生成对抗网络(GFSRGAN)。采用反馈网络作为生成器,通过反馈连接逐步生成高分辨率图像;提出一种具有注意机制的反馈块,其能在处理反馈... 展开更多; 关键词单图像超分辨率重建反馈机制生成对抗网络注意力机制深度学习; 在线阅读下载PDF 职称材料

双回归网络的单图像超分辨率重建被引量：1: 2; 作者张永吕庚《计算机工程与应用》 CSCD 北大核心 2022年第18期277-283,共7页; 现有基于卷积神经网络的单图像超分辨率模型存在三个限制。理论上存在无限的HR图像,可以下采样到相同的LR图像,可能的函数空间非常大。因为现实世界潜在的下采样方法是未知的,使用特定方法配对的数据训练的模型在实际应用中泛化能力差,... 展开更多; 关键词单图像超分辨率重建深度学习卷积神经网络; 在线阅读下载PDF 职称材料

基于深度学习的单图像超分辨率重建研究综述被引量：24: 3; 作者南方哲钱育蓉 +1 位作者行艳妮赵京霞《计算机应用研究》 CSCD 北大核心 2020年第2期321-326,共6页; 为深入了解基于深度学习的单图像超分辨率重建(SISR)的发展,把握当前研究的热点和方向,针对现有基于深度学习的单图像超分辨率重建模型进行了梳理。介绍了相关深度学习算法和基于深度学习的模型以及评价指标,并通过实验对比分析现有模... 展开更多; 关键词单图像超分辨率重建深度学习密集卷积网络生成式对抗网络; 在线阅读下载PDF 职称材料

基于多窗口残差网络的单图像超分辨率重建被引量：4: 4; 作者肖雅敏张家晨冯铁《计算机工程》 CAS CSCD 北大核心 2021年第2期293-299,306,共8页; 基于卷积神经网络的单图像超分辨率模型网络结构过深,导致高频信息丢失以及模型体积庞大等问题。提出一种由多个残差模块构成的多窗口残差网络优化模型,通过使用多个不同尺寸的窗口对同一特征图进行提取,获取更丰富的高频与低频信息,并... 展开更多; 关键词单图像超分辨率重建多窗口残差网络卷积神经网络深度学习特征融合; 在线阅读下载PDF 职称材料

使用VGG能量损失的单图像超分辨率重建被引量：9: 5; 作者丁玲丁世飞 +1 位作者张健张子晨《软件学报》 EI CSCD 北大核心 2021年第11期3659-3668,共10页; 单幅图像的超分辨率重建(single image super-resolution,简称SR)是一项重要的图像合成任务.目前,在基于神经网络的SR任务中,常用的损失函数包括基于内容的重构损失和基于生成对抗网络(generative adversarial network,简称GAN)的对抗损... 展开更多; 关键词单图像超分辨率重建生成对抗网络能量函数自动编码器; 在线阅读下载PDF 职称材料

基于ResNeXt和WGAN网络的单图像超分辨率重建被引量：3: 6; 作者曾庆亮南方哲 +1 位作者尚迪雅孙华《计算机应用研究》 CSCD 北大核心 2020年第12期3815-3819,共5页; 为解决现有基于生成对抗网络的单图像超分辨率重建模型SRGAN网络训练不稳定、学习速率慢等问题,提出了一种基于ResNeXt和WGAN的单图像超分辨率重建模型Res_SRGAN。该模型参考ResNeXt网络结构构造生成器,降低了生成器的复杂度,仅为SRGAN... 展开更多; 关键词单图像超分辨率重建 ResNeXt WGAN 深度学习; 在线阅读下载PDF 职称材料

功能型复合深度网络的图像超分辨率重建被引量：4: 7; 作者唐家军刘辉胡雪影《计算机科学与探索》 CSCD 北大核心 2020年第8期1368-1379,共12页; 针对现有单图像超分辨率重建时主要采用的简单链式堆叠的单一网络存在层间联系弱、网络关注点单一以及分层特征不能充分利用等问题,提出了一种复合的深度神经网络用于提升图像超分辨重建性能。该方法首先使用特征提取层提取低分辨率图... 展开更多; 关键词单图像超分辨率重建卷积神经网络(CNN) 复合网络子网络特征结合; 在线阅读下载PDF 职称材料

题名基于反馈生成对抗网络的单图像超分辨率重建被引量：1: 1; 作者王永强李雪范迎迎钱育蓉; 机构新疆大学信息科学与工程学院新疆大学软件学院新疆大学新疆维吾尔自治区信号检测与处理重点实验室新疆大学软件工程重点实验室; 出处《计算机工程与设计》北大核心 2022年第7期2022-2030,共9页; 基金国家自然科学基金项目(61966035) 自治区研究生创新基金项目(XJ2019G069) +2 种基金自治区科技厅国际合作基金项目(2020E01023)。; 文摘针对现有图像超分辨率重建方法中高频图像信息不丰富的问题,提出一种基于反馈和注意机制的单图像重建生成对抗网络(GFSRGAN)。采用反馈网络作为生成器,通过反馈连接逐步生成高分辨率图像;提出一种具有注意机制的反馈块,其能在处理反馈流的同时,自适应地选择有用的特征信息;利用相对平均最小二乘GAN(RaLSGAN)损失引导模型获得更真实的图像。实验结果表明,与现有基于GAN的超分辨方法相比,该方法重建出的图像纹理更加逼真自然。; 关键词单图像超分辨率重建反馈机制生成对抗网络注意力机制深度学习; Keywords single-image super-resolution reconstruction feedback mechanism generative adversarial network attention mechanism deep learning; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名双回归网络的单图像超分辨率重建被引量：1: 2; 作者张永吕庚; 机构兰州理工大学计算机与通信学院; 出处《计算机工程与应用》 CSCD 北大核心 2022年第18期277-283,共7页; 文摘现有基于卷积神经网络的单图像超分辨率模型存在三个限制。理论上存在无限的HR图像,可以下采样到相同的LR图像,可能的函数空间非常大。因为现实世界潜在的下采样方法是未知的,使用特定方法配对的数据训练的模型在实际应用中泛化能力差,产生适应性问题。忽视残差分支的高频层次特征。针对上述问题,提出双重回归方案。除了学习从LR到HR图像的原始回归映射之外,额外学习一个对偶回归映射来估计下采样核并重建LR图像,形成一个闭环提供额外的监督,并在残差结构上引入了傅里叶变换,增强模型对高频信息的表达能力。相比其他先进模型以更少的参数重建HR图像,且拥有丰富的高频纹理细节。; 关键词单图像超分辨率重建深度学习卷积神经网络; Keywords single image super-resolution deep learning convolutional neural network; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度学习的单图像超分辨率重建研究综述被引量：24: 3; 作者南方哲钱育蓉行艳妮赵京霞; 机构新疆大学软件学院; 出处《计算机应用研究》 CSCD 北大核心 2020年第2期321-326,共6页; 基金国家自然科学基金资助项目(61562086,61462079,61966035) 新疆维吾尔自治区教育厅创新团队项目(XJEDU2016S035) 自治区研究生创新项目(XJ2019G069,XJ2019G072,XJ2019G071).; 文摘为深入了解基于深度学习的单图像超分辨率重建(SISR)的发展,把握当前研究的热点和方向,针对现有基于深度学习的单图像超分辨率重建模型进行了梳理。介绍了相关深度学习算法和基于深度学习的模型以及评价指标,并通过实验对比分析现有模型的性能,其目的在于从本质上了解基于深度学习的单图像超分辨率重建模型的优势;对单图像超分辨率重建的关键问题进行了总结,并对未来的发展趋势进行了展望。; 关键词单图像超分辨率重建深度学习密集卷积网络生成式对抗网络; Keywords single image super-resolution reconstruction(SISR) deep learning(DL) DenseNet generative adversarial networks; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于多窗口残差网络的单图像超分辨率重建被引量：4: 4; 作者肖雅敏张家晨冯铁; 机构吉林大学计算机科学与技术学院; 出处《计算机工程》 CAS CSCD 北大核心 2021年第2期293-299,306,共8页; 基金国家重点研发计划(2018YFC1315604) 国家自然科学基金面上项目(61872164) 赛尔网络下一代互联网技术创新项目(NGII20180701)。; 文摘基于卷积神经网络的单图像超分辨率模型网络结构过深,导致高频信息丢失以及模型体积庞大等问题。提出一种由多个残差模块构成的多窗口残差网络优化模型,通过使用多个不同尺寸的窗口对同一特征图进行提取,获取更丰富的高频与低频信息,并过滤出深层网络的所需特征。残差模块中较大尺寸的窗口采用较小尺寸的滤波器和多层映射层叠加组成,可在减少参数总量的同时增强网络的非线性表达能力。实验结果表明,与A+、SRCNN、ESPCN等模型相比,该模型可有效利用原始图像信息生成细节更清晰的超分辨率图像,且在主观视觉效果与客观评价指标上均有所提升。; 关键词单图像超分辨率重建多窗口残差网络卷积神经网络深度学习特征融合; Keywords single image super-resolution reconstruction multi-windows residual network Convolutional Neural Network(CNN) deep learning feature integration; 分类号 TP751.1 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名使用VGG能量损失的单图像超分辨率重建被引量：9: 5; 作者丁玲丁世飞张健张子晨; 机构中国矿业大学计算机科学与技术学院中国矿业大学徐海学院; 出处《软件学报》 EI CSCD 北大核心 2021年第11期3659-3668,共10页; 基金国家自然科学基金(61976216,61672522)。; 文摘单幅图像的超分辨率重建(single image super-resolution,简称SR)是一项重要的图像合成任务.目前,在基于神经网络的SR任务中,常用的损失函数包括基于内容的重构损失和基于生成对抗网络(generative adversarial network,简称GAN)的对抗损失.但是,基于传统的GAN的超分辨率重建模型(SRGAN)在判别器接收高分辨率图像作为输入时,输出判别信号不稳定.为了缓解这个问题,在SRGAN以及常用的VGG重构损失框架上,设计了一个稳定的基于能量的辅助对抗损失,称为VGG能量损失.该能量损失使用重构损失中的VGG编码部分,针对VGG编码设计相应的解码器,构建一个U-Net自编码结构VGG-UAE,利用VGG-UAE的重构损失表示能量,并使用该能量函数为生成器提供梯度;基于追踪能量函数的思想,VGG-UAE使生成器生成的高分辨率样本追踪真实数据的能量流.实验部分验证了使用VGG能量损失将比使用传统的GAN损失可以生成更有效的高分辨率图像.; 关键词单图像超分辨率重建生成对抗网络能量函数自动编码器; Keywords single image super-resolution reconstruction generative adversarial net energy function auto encoder; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于ResNeXt和WGAN网络的单图像超分辨率重建被引量：3: 6; 作者曾庆亮南方哲尚迪雅孙华; 机构新疆大学软件学院; 出处《计算机应用研究》 CSCD 北大核心 2020年第12期3815-3819,共5页; 基金新疆维吾尔自治区自然科学基金资助项目(2015211C263) 新疆维吾尔自治区研究生创新项目(XJ2019G069,XJ2019G072)。; 文摘为解决现有基于生成对抗网络的单图像超分辨率重建模型SRGAN网络训练不稳定、学习速率慢等问题,提出了一种基于ResNeXt和WGAN的单图像超分辨率重建模型Res_SRGAN。该模型参考ResNeXt网络结构构造生成器,降低了生成器的复杂度,仅为SRGAN的1/8;通过WGAN来构造判别器解决了SRGAN模型不稳定的问题;实验结果表明,在四个公开数据集上所提模型相较于现有单图像超分辨率重建模型在主客观评价中均取得了更加优越的性能。; 关键词单图像超分辨率重建 ResNeXt WGAN 深度学习; Keywords single image super-resolution reconstruction ResNeXt Wasserstein GANC(WGAN) deep learning; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名功能型复合深度网络的图像超分辨率重建被引量：4: 7; 作者唐家军刘辉胡雪影; 机构昆明理工大学信息工程与自动化学院中国科学院云南天文台河南理工大学计算机学院; 出处《计算机科学与探索》 CSCD 北大核心 2020年第8期1368-1379,共12页; 基金国家自然科学基金No.11873027。; 文摘针对现有单图像超分辨率重建时主要采用的简单链式堆叠的单一网络存在层间联系弱、网络关注点单一以及分层特征不能充分利用等问题,提出了一种复合的深度神经网络用于提升图像超分辨重建性能。该方法首先使用特征提取层提取低分辨率图像的初始特征;再将初始特征分别送入两个子网络,一个子网络负责图像细节的提取与运算,另一子网络负责图像噪声降解与消除;然后将两个子网络输出的深层次抽象特征与初始特征相结合,最后通过重建层获得超分辨率图像。以峰值信噪比(PSNR)与结构相似性(SSIM)为评价指标,在Set14测试集上使用放大因子3进行实验,将复合网络与算法Bicubic、SelfEx、SRCNN、VDSR和RED等进行对比,实验结果发现,PSNR分别提高了2.27 dB、0.66 dB、0.54 d B、0.05 dB、0.21 dB,而SSIM则分别提高了6.08、1.54、1.41、0.36、0.09个百分点。; 关键词单图像超分辨率重建卷积神经网络(CNN) 复合网络子网络特征结合; Keywords single image super-resolution reconstruction convolutional neural network(CNN) composite network sub-network feature combination; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于反馈生成对抗网络的单图像超分辨率重建	王永强李雪范迎迎钱育蓉	《计算机工程与设计》北大核心	2022	1	在线阅读下载PDF 职称材料
2	双回归网络的单图像超分辨率重建	张永吕庚	《计算机工程与应用》 CSCD 北大核心	2022	1	在线阅读下载PDF 职称材料
3	基于深度学习的单图像超分辨率重建研究综述	南方哲钱育蓉行艳妮赵京霞	《计算机应用研究》 CSCD 北大核心	2020	24	在线阅读下载PDF 职称材料
4	基于多窗口残差网络的单图像超分辨率重建	肖雅敏张家晨冯铁	《计算机工程》 CAS CSCD 北大核心	2021	4	在线阅读下载PDF 职称材料
5	使用VGG能量损失的单图像超分辨率重建	丁玲丁世飞张健张子晨	《软件学报》 EI CSCD 北大核心	2021	9	在线阅读下载PDF 职称材料
6	基于ResNeXt和WGAN网络的单图像超分辨率重建	曾庆亮南方哲尚迪雅孙华	《计算机应用研究》 CSCD 北大核心	2020	3	在线阅读下载PDF 职称材料
7	功能型复合深度网络的图像超分辨率重建	唐家军刘辉胡雪影	《计算机科学与探索》 CSCD 北大核心	2020	4	在线阅读下载PDF 职称材料