摘要
人们获取的信息大多数来自于图像，信息量以及信息的真实程度很大程度上取决于图像的质量。分辨率用于衡量图像质量的高低，体现在图像细节纹理处的清晰度。可以通过提高分辨率的方式来获取更多的信息。图像超分辨率重建旨在从退化图像恢复出高保真度的原始图像，能够有效地提高图像的分辨率，恢复图像的高频信息。因此，图像超分辨率重建算法具有重要的研究价值。 近年来深度学习取得了快速的发展，基于卷积神经网络的超分辨重建网络也取得了突破性的成果。本文拟基于卷积神经网络，构建具有较强特征学习和利用能力的超分辨率重建网络，以实现具有高空间分辨率、高保真度的超分辨率重建图像。具体研究内容如下: 首先，提出了一种二阶逐层特征融合超分辨网络，其核心部分是堆叠的逐层特征融合模块。为了充分利用网络中的特征，设计了逐层特征融合结构，并利用该结构构建了逐层特征融合模块;为了最大限度地利用学习到的特征信息，提出了二阶特征融合机制，在局部和全局的层面上采用相同的结构进行特征融合。实验证明，二阶逐层特征融合超分辨网络的性能在几个基准测试集上可以优于大多数经典的超分辨模型。 其次，还提出了一种新的用于更精确重建的双分支特征学习超分辨网络，其核心部分是堆叠的双分支特征学习模块。为了能获取尽可能多的有效的图像特征，构建了双分支特征学习模块，采用多层次双分支的结构来提取图像信息。同时还引入了提高特征利用率的组件以最大化双分支特征学习模块的学习能力。实验证明，双分支特征学习超分辨网络的性能在几个基准测试集上可以优于大多数经典的超分辨模型，同时也取得了优于二阶逐层特征融合超分辨网络的性能，说明双分支特征学习超分辨网络可以学习更具代表性的特征，从而生成更准确的超分辨重建结果。
NETL