|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 Xiaoan; GAO Chunbo; ZHANG 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.

相似文献/References:

[1]林志坤,许建龙,包晓安.基于STGAN的人脸属性编辑改进模型[J].浙江理工大学学报,2023,49-50(自科三):285.
　LIN Zhikun,XU Jianlong,BAO Xiaoan.Improved model of face attribute editing based on STGAN[J].Journal of Zhejiang Sci-Tech University,2023,49-50(自科四):285.

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