典型文献
基于密集残差块生成对抗网络的空间目标图像超分辨率重建
文献摘要：
为了获取更高分辨率和清晰度的空间目标光学图像,需对地基自适应光学(Adaptive Optics,AO)成像望远镜校正后的降质图像进行超分辨率重建.针对空间目标AO图像背景单一、分辨率有限且存在运动模糊、湍流模糊以及过曝等特点,提出基于深度学习的生成对抗网络(Generative Adversarial Networks,GAN)方法来实现空间目标AO图像的超分辨率重建,构建了空间目标AO仿真图像训练集用于神经网络训练,提出了一种基于密集残差块的GAN超分辨率重建方法,通过将传统残差网络改为密集残差块,提高网络深度,将相对平均损失函数引入判别器网络,从而使得判别器更稳健,GAN训练更稳定.实验结果表明:本文提出的方法相较传统插值超分辨率方法PSNR提高11.6％以上,SSIM提高10.3％以上,相较基于深度学习的盲图像超分辨率方法PSNR平均提高6.5％,SSIM平均提高4.9％.该方法有效实现了空间目标AO图像的清晰化重建,降低了重建图像的伪影,丰富了图像细节.
文献关键词：
空间目标图像;超分辨率;生成对抗网络;密集残差块
中图分类号：
作者姓名：
景海钊;史江林;邱梦哲;齐勇;朱文骁
作者机构：
陕西科技大学陕西人工智能联合实验室,陕西西安710021;西安交通大学系统工程研究所,陕西西安710049;西安卫星测控中心,陕西西安710043;陕西科技大学电子信息与人工智能学院,陕西西安710021
文献出处：
引用格式：
[1]景海钊;史江林;邱梦哲;齐勇;朱文骁-.基于密集残差块生成对抗网络的空间目标图像超分辨率重建)[J].光学精密工程,2022(17):2155-2165
A类：
空间目标图像
B类：
密集残差块,生成对抗网络,图像超分辨率重建,清晰度,光学图像,自适应光学,Adaptive,Optics,AO,望远镜,运动模糊,湍流,Generative,Adversarial,Networks,GAN,仿真图像,图像训练,训练集,神经网络训练,重建方法,残差网络,将相,损失函数,判别器,更稳,PSNR,SSIM,清晰化,重建图像,伪影
AB值：
0.230094
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。
