摘要：针对基于深度神经网络的图像超分辨率重建算法在特征提取过程中容易丢失特征信息,导致重建图像缺少纹理和边缘细节等问题,提出一种多级信息补偿的U型网络图像超分辨率重建算法.首先设计一个用于图像超分辨率重建的U型网络,该网络通过下通道分支对输入特征进行多层级特征提取和通道压缩,通过底层模块对压缩后的特征进行融合并提取不同通道的相关特征,通过上通道分支对压缩后的相关特征进行多层次特征提取和通道恢复;然后设计多级信息补偿模型,对U型网络的通道压缩过程中丢失的信息和通道恢复过程中难以恢复的信息进行补偿;最后在不同放大倍数下的Set5、Set14、BSD100和Urban100测试集上对所提算法和主流算法进行对比测试分析,实验结果表明所提算法相比主流算法实现了在峰值信噪比(PSNR)/结构相似度(SSIM)指标和视觉效果上的巨大提升.

摘要：针对基于深度学习的图像超分辨率重建算法通过增加神经网络的深度提高图像超分辨率重建性能,造成网络模型复杂度提高和参数量过大的问题,提出一种基于反向投影的倒N型轻量化网络图像超分辨率重建算法.首先使用初始卷积块提取低分辨率图像的浅层特征;然后通过基于反向投影的倒N型网络的2轮逐步的模型压缩和反倒N型网络的2轮逐步的模型恢复,提取低分辨率图像的深层特征;再将提取到的深层特征和浅层特征通过全局残差学习相结合并被上采样模块放大到期望输出的重建图像尺寸;最后使用重建模块进行超分辨率图像重建.对Set5,Set14,BSDS100和Urban100测试集进行实验的结果表明,所提算法比对比算法拥有更轻量化的网络结构,重建的超分辨率图像不仅有更高的峰值信噪比(PSNR)和结构相似度(SSIM),而且重建的超分辨率图像具有更好的视觉效果.

摘要：由于快速的卷积神经网络超分辨率重建算法(FSRCNN)卷积层数少、相邻卷积层的特征信息之间缺乏关联性,因此难以提取到图像深层信息导致图像超分辨率重建效果不佳。针对此问题,该文提出多级跳线连接的深度残差网络超分辨率重建方法。首先,该方法设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决相邻卷积层的特性信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。该文方法与bicubic,A+,SRCNN,FSRCNN和ESPCN算法在Set5和Set14测试集上进行了对比测试,在视觉效果和评价指标数值上该方法都优于其它对比算法。