深度卷积神经网络图像超分辨率重建方法研究  

Image Super-Resolution Restoration Instance-Based Learning and Iterative Kernel Regression

作　　者：冯蕾[1] 黄菊秀[1] 赵冉冉 Feng Lei;Huang Juxiu;Zhao Ranran(China National Institute of standardization,Beijing 100191,China)

机构地区：[1]中国标准化研究院,北京市100191

出　　处：《现代科学仪器》2022年第1期205-208,共4页Modern Scientific Instruments

基　　金：中央基本科研业务支持项目基于卷积神经网络模型判定产品质量安全事故关键技术研究(582020Y-7508);国家市场监督管理总局科技计划项目基于卷积神经网络模型判定产品质量安全事故关键技术研究(2020MK160)。

摘　　要：本文为了解决现有算法重建超分辨率算法,所需较长训练时间的问题,提出一种更加高效的深度卷积神经网络图像超分辨率重建方法。该方法可以在保证每层卷积层、非线性层基础上,包含20层卷积神经网络,每层级联构建神经网络结构,通过运用此方法于低分辨率图像中,可以提取图像特征,利用此算法残差学习获取高频信息,LIR结合预测高频信息即可重建高频率图像。训练中利用裁剪梯度避免爆破,保证训练平稳与图像重建的高效性。该方法经仿真表明较原始方法图像处理性能明显提升,有效改善主观视觉体验,获取的低分辨率图像重建后PSNR值最大可提升0.19,各客观评价指标也明显提升,证明该方法的有效性。

关 键 词：超分辨率复原 深度卷积神经网络 特征提取 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]