论文部分内容阅读
超分辨率重建是一种从低分辨率图像中恢复出对应高分辨率图像的技术。数字图像的采集与处理过程会降低图像的分辨率,影响后续的应用。如何将分辨率较低的图像转换为分辨率较高的图像是图像处理领域的研究重点和难点。本文对基于生成对抗网络的超分辨率重建算法(SRGAN)进行研究分析,并给出三种改进的基于生成对抗网络的超分辨率重建算法。本文的主要工作如下:1、给出一种基于高斯编码反馈的生成对抗网络的超分辨率重建算法。针对SRGAN模型中的判别网络无法为生成网络提供足够信息来指导生成网络训练的问题,给出一种高斯编码结合间谍网络的重建方法,将判别网络的特征图经过高斯编码再利用间谍网络将编码信息传输到生成网络,指导其进行训练。针对单一内容损失无法有效衡量重建效果的问题,给出一种满足循环一致性的对称内容损失方法。2、给出一种基于特征融合的生成对抗网络的超分辨率重建算法。针对SRGAN模型中的生成网络学习能力不足的问题,给出一种基于特征融合的重建算法,利用递归残差网络并结合先验知识提取融合多种特征,并使用密集连接网络充分利用特征信息。针对SRGAN模型的判别网络输入为整幅图像计算复杂度较高的问题,给出一种残差判别的方法,将两幅差值图作为判别网络的输入图像,循环使用两种判别方式进行训练。3、给出一种基于注意力机制的生成对抗网络的超分辨率重建算法。针对SRGAN提取输入图像的局部信息而忽略全局信息的问题,给出一种在生成网络和判别网络上结合空间和通道注意力机制的方法。基于人眼的注意力机制,使得图像重建效果更优,更符合人眼的观察模式。4、将以上三种基于生成对抗网络的超分辨率重建算法进行融合,得到一种有效的基于生成对抗网络的超分辨率重建算法。在该算法上使用测试数据集验证算法的性能,主观指标明显优于原算法,客观指标PSNR提高0.8db,SSIM提升3.3%,并使用CelebA人脸数据集测试算法在人脸图像中的重建效果。实验表明本文算法实际使用效果良好,具有一定的可行性和实用价值。