论文部分内容阅读
图像超分辨率(Image Super-resolution,SR)任务是对于输入的低分辨(low-resolution image,LR)图像,通过模型方法处理,输出高质量高分辨率(high-resolution image,HR)图像。目前,基于卷积神经网络的图像超分辨方法取得了较为令人满意的超分辨效果。但是这些方法主要假设低分辨率图像由高分辨率图像经过单一的双三次(bicubic)插值降采样得到,当真实LR图像的退化过程不遵循单一下采样假设时,模型超分辨性能大大减低。在众多图像超分辨算法中,SRMD模型利用图像退化的先验知识能够有效处理多退化因子图像超分辨问题。但是SRMD模型假定图像退化参数已知,导致模型很难直接应用于实际。与此同时,SRMD模型也不能单模型处理多尺度因子超分辨问题。为了实现单模型处理多尺度和多退化因子超分辨任务,本文在SRMD模型基础上进行优化改进,首先通过优化其网络结构,去除需要特定尺度因子的亚像素卷积层,实现对于任意尺度因子超分辨问题进行处理,提高模型的实用性。为了进一步优化多尺度因子超分辨模型的处理速度和模型大小,本文使用深度学习模型的压缩方法,将传统卷积层进行优化,保证模型精度的前提下,对于模型进行有效压缩,进一步提升模型的实用性。针对于多尺度因子模型需要图像的退化参数已知的问题,本文提出了一种全新的对于噪声水平和图像模糊核参数估计的方法,这种基于卷积神经网络的退化参数图谱估计模型能够有效对于图像退化参数进行准确估计,从而解决了模型获取退化参数的问题。本文最后将退化参数估计模型和超分辨模型进行结合,构建了一个可以进行端对端训练的超分辨模型,该模型可以自适应的对于图像退化参数进行估计,并构建成退化图谱与LR图像拼接输入超分辨子网络中进行超分辨处理。在仿真图像测试集和真实图像测试集上,验证了本文提出的模型相比于传统基于CNN的超分辨模型具有更好的超分辨效果,模型具有更好的实用性。