图像超分辨率全局残差递归网络

摘要：

将深度网络模型应用在图像超分辨率上取得了很大的成功,并且已经证明了在将低分辨率图像重建成高分辨率图像的重建质量上深度网络模型普遍高于传统的算法.为了进一步提高图片的重建质量,文中提出了全局残差递归网络.通过优化经典的残差网络,提出全局残差块特征融合和局部残差块特征融合,让模型产生"自适应"更新权值的思想,改善信息流.结合L1代价函数,ADAM优化器进一步提高了训练的稳定性,并通过DIV2K训练集来训练模型.通过PSNR/SSIM图像重建指标来评价图片重建质量,在SSIM指标中,所提模型最高可达0.94,优于目前最新的深度学习模型(EDSR)的0.92.全局残差递归网络模型有效地提高了图像的重建质量,减少了训练时间,避免了梯度衰减,提高了学习效率.

关键词：图像超分辨率、L1代价函数、全局残差递归网络、ADAM优化器、DIV2K训练集

所属期刊栏目：46

分类号：TP394(计算技术、计算机技术)

资助基金：国家自然科学基金61671037;上海航天科技创新基金SAST2016090

在线出版日期：2019-07-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：230-233