博客 https://blog.csdn.net/u010493489
邮箱 lilin001@tyust.edu.cn
欢迎交流
参考文献:https://ieeexplore.ieee.org/abstract/document/7839189
利用前馈去噪卷积神经网络来去噪
使用CNN的三个优势:
1、增加利用图像特征的容量和灵活性
2、CNN的正规化和学习方法的进展:整流器线性单元(ReLU)、批量归一化和残差学习
3、GPU加速
DnCNNs:预测残留图像
SISR:单图像的超分辨率
有效的高斯降噪器
,**
1、高斯降噪图像转化为单个图像超分辨率的问题
噪声 v 是地面真实高分辨率图像和低分辨率图像的双三次上采样之间的差异,高斯降噪的图像劣化模型可以转换为单个图像超分辨率(SISR)问题
2、JPEG图像去块问题可以通过相同的图像劣化模型来建模v 作为原始图像和压缩图像之间的差异。
图像超分辨率(mage Super Resolution):图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前, 图像超分辨率研究可分为 3个主要范畴: 基于插值、 基于重建和基于学习