|本期目录/Table of Contents|

[1]包晓安,高春波,张娜,等.基于生成对抗网络的图像超分辨率方法[J].浙江理工大学学报,2019,41-42(自科四):499-508.
 BAO Xiaoan,GAO Chunbo,ZHANG Na,et al.Image superresolution method based ongenerative adversarial network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科四):499-508.
点击复制

基于生成对抗网络的图像超分辨率方法()
分享到:

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第41-42卷
期数:
2019年自科四期
页码:
499-508
栏目:
出版日期:
2019-06-20

文章信息/Info

Title:
Image superresolution method based ongenerative adversarial network
文章编号:
1673-3851 (2019) 07-0499-10
作者:
包晓安高春波张娜徐璐吴彪
1.浙江理工大学信息学院,杭州 310018;2.山口大学东亚研究科,日本山口 7538514
Author(s):
BAO XiaoanGAO ChunboZHANG Na XU Lu WU Biao
1.School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China;2.Department of East Asian Studies, Yamaguchi University, Yamaguchi 753-8514, Japan
关键词:
图像超分辨率生成对抗网络残差学习深度学习图像重建
分类号:
TP181
文献标志码:
A
摘要:
为了解决生成对抗网络(Generative adversarial network, GAN)训练不稳定问题,降低模型复杂度,加快网络学习速率,提高超分辨率图像的视觉效果和重建速率,提出了一种基于改进生成对抗网络的图像超分辨率方法。该方法以改进的生成对抗网络为模型,通过粗粒度主体内容和细粒度细节边缘结合的方式提取图像特征,利用线性组合的方式重建超分辨率图像,采用Wasserstein距离优化生成对抗网络。实验结果表明:该方法能够生成视觉效果良好的超分辨率图像,在Set5、Set14等测试集上,其主观视觉评价和客观量化指标(PSNR、SSIM)都优于SRGAN方法。该方法通过重新设计网络模型,使得特征提取更为全面,网络训练更加充分,有助于提高超分辨率图像重建速度,提高图像质量。

参考文献/References:

[1] Zhou F, Yang W, Liao Q. Interpolationbased image superresolution using multisurface fitting[J]. IEEE Transactions on Image Processing, 2012, 21(7):3312-3318.
[2] 曾凯,丁世飞. 图像超分辨率重建的研究进展[J].计算机工程与应用,2017,53(16):29-35.
[3] 胡长胜, 詹曙, 吴从中. 基于深度特征学习的图像超分辨率重建[J]. 自动化学报, 2017, 43(5):814-821.
[4] Dong C, Loy C C, He K, et al. Image superresolution using deep convolutional networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(2): 295-307.
[5] Kim J, Lee J K, Lee K M. Deeplyrecursive convolutional network for image superresolution[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas.IEEE, 2016: 1637-1645.[6] Kim J,Lee J K,Lee K M. Accurate image superresolution using very deep convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas.IEEE, 2016: 1646-1654.
[7] Tai Y, Yang J, Liu X. Image superresolution via deep recursive residual network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Hawaii.IEEE, 2017:2790-2798.
[8] Lai W S, Huang J B, Ahuja N, et al. Deep Laplacian pyramid networks for fast and accurate superresolution[C]//IEEE Conference on Computer Vision and Pattern Recognition, Hawaii.IEEE, 2017:5835-5843.
[9] Ledig C, Theis L, Huszár F, et al. Photorealistic single image superresolution using a generative adversarial network[C]//IEEE Conference on Computer Vision and Pattern Recognition,Hawaii.IEEE, 2017: 105-114.[10] 孙旭,李晓光,李嘉锋,等.基于深度学习的图像超分辨率复原研究进展[J].自动化学报,2017,43(5):697-709.

备注/Memo

备注/Memo:
收稿日期:2018-11-06
网络出版日期: 2019-03-04
基金项目:国家自然科学基金项目(61502430,61562015);广西自然科学重点基金项目(2015GXNSFDA139038);浙江理工大学521人才培养计划
作者简介:包晓安(1973-),男,浙江东阳人,教授,硕士,主要从事软件测试、智能信息处理方面的研究
通信作者:张娜,E-mail:zhangna@zstu.edu.cn
更新日期/Last Update: 2019-09-16