典型文献
基于深度残差网络的图像超分辨率算法
文献摘要：
单幅图像超分辨率(SR)是从单个低分辨率(LR)图像推断出高分辨率(H R)图像的任务.大多数基于卷积神经网络(CNN)的深层SR模型没有充分利用原始LR图像的分层特征,性能相对较低.同时,将像素级误差作为损失函数,易产生缺乏高频纹理、过度平滑的图像.针对以上问题,本工作提出了改进的基于深度残差网络的图像超分辨率算法,通过残差密集块,获得稠密的局部特征,使用全局特征融合以全局方式自适应地学习全局分层特征;使用更合理的损失函数组合,结合分割概率图和空间特征变换模块,利用对抗学习的原理训练CNN,优化感知相似度.实验结果表明,本工作方法在高缩放因子下实现了图像质量的显著提升,深度残差网络可以重建出更逼真、视觉上更合理的纹理.
文献关键词：
超分辨率图像重建;深度残差网络;感知度量;类别先验
中图分类号：
作者姓名：
王剑峰;彭中
作者机构：
青岛科技大学 信息科学技术学院,山东 青岛 266061
文献出处：
引用格式：
[1]王剑峰;彭中-.基于深度残差网络的图像超分辨率算法)[J].青岛科技大学学报（自然科学版）,2022(04):113-119
A类：
感知度量
B类：
深度残差网络,超分辨率算法,单幅图像超分辨率,SR,低分辨率,LR,推断出,像素级,损失函数,残差密集块,稠密,局部特征,全局特征融合,局方,地学,局分,更合,数组,概率图,空间特征变换,对抗学习,化感,工作方法,缩放因子,图像质量,逼真,超分辨率图像重建,类别先验
AB值：
0.291242
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
