2019 IEEE 5th International Conference on Computer and Communications (ICCC):
Image Super-Resolution based on Multi-Convolution Neural Network
近年来,卷积神经网络方法在图像超分辨率领域得到了广泛而成功的应用。随着CNN结构的发展,基于CNN的重建算法也得到了发展。然而,在这些重建模型中,卷积算子的尺度是单一的。这将极大地限制模型对输入图像的学习能力,影响重建效果。为了提高卷积网络对输入图像的精度,提出了一种基于多尺度卷积算子的重建方法。该方法在每层网络中建立多尺度卷积算子,计算输入图像的多尺度特征。实验表明,该方法能有效提高重建图像细节的准确性。
单幅图像超分辨率(SISR)是将低分辨率图像恢复为高分辨率图像,基于单幅图像的超分辨率重建方法可分为三类:基于插值的方法、基于先验知识的方法和基于深度学习的方法。缺点:基于插值方法简单高效但图像质量有限,基于先验知识的方法方法可以得到更好的重建结果,但优化模型也需要很长时间。
深度学习方法用于图像超分辨率重建,董等人第一个用卷积神经网络完成图像超分辨率重建(SRCNN),缺点:网络层太少(3个)难以学习图像的大规模特征。后人陆续在此基础上进行改进。
卷积网络模型的重建方法用于图像重建,有一个共同的特点即模型中卷积算子的尺度大小是一致的,在重建阶段图像的最