-
题名基于残差的端对端图像超分辨率
被引量：2
- 1
-
-
作者
华臻
张海程
李晋江
-
机构
山东工商学院信息与电子工程学院
山东工商学院计算机科学与技术学院
山东工商学院山东省高等学校协同创新中心未来智能计算
-
出处
《计算机科学》
CSCD
北大核心
2019年第6期246-255,共10页
-
基金
国家自然科学基金(61772319,61472227,61602277)资助
-
文摘
深度卷积神经网络使图像超分辨率在准确性方面得到了很大改善。针对基于卷积神经网络的超分辨率重建方法网络结构简单、收敛速度慢、重建纹理模糊等问题,提出了一种基于残差学习的端对端深层卷积神经网络。该网络由局部残差网络和全局残差网络联合训练得到,增加了网络的宽度,能学习到不同的有效特征。局部残差网络包括特征提取、上采样和多尺度重建3个阶段,通过残差密集块密集连接卷积层提取有效的局部特征,采用多尺度卷积层获得丰富的上下文信息,利于高频信息的恢复;全局残差网络中采用渐进上采样的方式实现不同尺度的图像重建,通过残差学习提高收敛速度。在基准数据集Set5,Set14,B100和Urban100上进行放大2倍、3倍和4倍的定量和定性评估。在这4种数据集下,所提算法在放大3倍时平均PSNR/SSIM指标分别为34.70 dB/0.929 5,30.54 dB/0.849 0,29.27 dB/0.809 6和28.81 dB/0.865 3,与其他方法相比有较大提升。在定性比较方面,所提方法重建出了更加清晰的图像,能更好地保留图像中的边缘细节。实验结果表明,所提方法在主观视觉和客观量化方面都有了较大改进,能有效提高图像重建的质量。
-
关键词
超分辨率
残差学习
卷积神经网络
联合训练
端对端
-
Keywords
Super resolution
Residual learning
Convolutional neural network
Joint training
End-to-end
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名自适应匹配追踪图像超分辨算法
被引量：2
- 2
-
-
作者
华臻
张海程
李晋江
-
机构
山东工商学院信息与电子工程学院
山东工商学院山东省高等学校协同创新中心、未来智能计算
-
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第10期2339-2344,共6页
-
基金
国家自然科学基金项目(61472227,61772319,61602277)资助.
-
文摘
为了提高图像超分辨率重建的效果,提出一种基于自适应匹配追踪稀疏表示的图像超分辨重建算法.该方法采用k次奇异值分解算法联合训练适用于高、低分辨率图像块的联合字典对;然后,寻找输入的低分辨率图像块在低分辨率字典下的稀疏表示;最后,利用字典间的相似性,通过低分辨率稀疏系数和高分辨率字典来生成清晰的高分辨率图像.在稀疏表示过程中,求解稀疏表示系数的优化算法大多使用正交匹配追踪算法.为了提高重构精度,缩短算法时间,采用自适应匹配追踪算法进行求解.实验表明,该算法的重构精度明显优于其他算法,对边缘和细节具有更好的重构能力,并且能够缩短字典训练的时间.
-
关键词
超分辨率重建
稀疏表示
自适应匹配追踪算法
字典学习
-
Keywords
super-resolution reconstruction
sparse representation
adaptive matching pursuit algorithm
dictionary learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名梯度稀疏性先验图像matting算法
- 3
-
-
作者
李晋江
苑根基
范辉
-
机构
山东工商学院计算机科学与技术学院
山东工商学院山东省高等学校协同创新中心未来智能计算
-
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第11期2551-2556,共6页
-
基金
国家自然科学基金项目(61472227,61772319,61602277,61773244)资助.
-
文摘
结构复杂的背景以及模糊的前景/背景界限是matting所面临的挑战.复杂的纹理使得想要精确的提取前景对象变得困难.本文利用梯度稀疏先验,将图像分为两层处理,并将两层的梯度正则化,使一层具有长尾分布,另一层具有短尾分布.两层图像的梯度不具有一致性,其中一层的梯度小于另一层的梯度.舍弃复杂纹理的图层,使背景复杂的纹理得到抑制,并且使前景对象变得平滑,前景/背景之间的界限更为清晰.对matting结果进行定性比较和定量分析,实验表明,利用梯度稀疏先验对图像进行处理,可以得到精度更高的alpha遮罩.
-
关键词
梯度稀疏
梯度正则化
图层
图像抠图
-
Keywords
gradient sparsity
gradient regularization
layer
image matting
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
