图像超分辨率模型的优化.pdfVIP

摘要

摘要

图像超分辨率模型的优化

在计算机图像处理问题中，图像超分辨率（Super-Resolution,SR）采用数学

模型计算的方式在尽可能保留图片原有纹理细节的情况下，将低分辨率（Low-

Resolution,LR）图像转换成高分辨率（High-Resolution,HR）图像。

研究表明，基于深度学习图像超分辨率方法的性能会随着网络宽度和层数的

增多而提高，然而这些算法仍然面临一系列问题：

1.单纯增加神经网络的深度或宽度会带来梯度消失、梯度爆炸、参数量明显

增加等问题。

2.单一的残差网络结构并没有充分利用浅层卷积层提取的特征信息，这会导

致原始图像的特征信息提取不完整，在重建高分辨率图像时丢失原始图像的细

节信息。

为了解决上述问题，本文提出了一种基于残差块密集连接特征融合的超分辨

率模型。该模型将残差块提取的特征密集连接，因此可以聚合更多具有代表性的

图像特征用于超分辨率图像的重建，从而生成更准确的SR结果。该模型主要机

制如下：

（1）残差块机制。本文提出的框架重新组织堆叠的残差模块，其中最后一

个残差块覆盖前三个残差块，以减轻训练难度，然后前三个块的残差特征通过局

部残差与最后一个残差块的输出堆叠在一起。接下来，将这四个卷积层输出的特

征图在深度方向堆叠起来，最后使用1×1的卷积核对其进行融合来降低输出维

度并生成更具代表性的图像特征。

（2）密集连接机制。VDSR（VeryDeepConvolutionNetworksSuper-Resolution）

中使用了跳跃连接，将输入数据和最终重建层连接起来。VDSR实现了较好的SR

结果。然而，VDSR中只采用了一个跳跃连接，这不能充分发挥跳跃连接的优点。

本文尝试在残差块间引入更多跳跃连接，用于图像恢复任务。

I

摘要

（3）特征融合机制。本文在残差块内部和图像重建层分别加入了局部特征

融合和全局特征融合机制。该机制能够充分保留残差及残差块在各个层次提取

的关键特征，以补全特征图在深度神经网络传递过程中遗失的细节信息。

本文使用数据集DIV2K训练超分辨率模型，并且在业界公认的测试集上对

其进行测试。实验结果表明在本文提出的各个机制相互配合共同作用下提高了

超分辨率图像重建的性能。在峰值信噪比和结构相似度评价指标上都超越目前

大多数主流模型，尤其是在结构相似度上，本文提出的模型在BSDS100测试集

上相比DRRN提升了12.7%。

关键词：

单图像超分辨率重建，卷积神经网络，残差块，密集连接，特征融合

II

摘要

Abstract

Optimizationofimagesuperresolutionmodel

Intheproblemofcomputerimageprocessing,super-resolution(SR)isa

technologythatconvertslow-resolution(LR)imagesin