基于深度学习的图像恢复技术研究与实现
针对现有的基于传统算法的图像恢复技术无法有效地恢复出高质量图像问题,本文提出了基于深度学习技术的图像恢复方法.对现有的图像恢复网络进行改进,总体网路模型基于生成对抗网络,其中生成网络总体结构基于UNet网络,对上采样下采样的次数作调整,根据数据集的特点,减少了网络的下采样次数,防止因为网络的层数过多导致的特性信息的流失.特征提取模块中加入密集网络的特征提取模块,在减少网络参数的同时提升提取特征的能力.数据集使用了经过光加密系统后的CGH(Computer Generated Holograms)计算生成全息图作为生成的噪声图像,并使用本文提出深度学习方法对该测试集进行恢复,对恢复的结果使用PSNR和SSIM指标进行评价,结果显示本文提出算法的有效性能.综上可知,本文算法所实现的模型能够有效地对现有的受损图像恢复并且恢复出高质量的图像,对图像恢复领域有着较高的实用价值和意义.
图像恢复、深度学习、图像去噪、计算生成全息图、图像光加密
17
TP391(计算技术、计算机技术)
2021-06-21（万方平台首次上网日期，不代表论文的发表时间）
共2页
164-165
