计算机工程与应用 ›› 2023, Vol. 59 ›› Issue (24): 165-175.DOI: 10.3778/j.issn.1002-8331.2206-0117
李昊,赵光哲
LI Hao, ZHAO Guangzhe
摘要: 图像超分辨率(super resolution,SR)重建是计算机视觉领域的热点问题,重点是利用深度学习将图像重建模型作为提高图像和视频分辨率的重要图像技术。往往这些重建模型的网络结构比较简单,就会导致梯度传递愈发困难,更会导致效率低下,而且重建后的图像依然存在细节丢失、噪声过大等问题,故提出一种改进生成网络中的残差块和判别网络中的判别模型的GAN(generative adversarial networks)图像超级分辨率重建模型。在模型结构上,将组成生成网络的基本单位简化成Conv+RELU,再进行重新设计,将密集残差网络的思想融入其中并重新设计组合成新的生成模型,将判别网络中的顺序连接的残差块进行了重新设计来实现更优的性能。训练模型所使用的数据集是DIV2K和Flickr2K。从最后得出的实验结果对比来看,在Set5、Set14、BSD100、Urban100四个公开的数据集上,所提出的模型相较于其他五个主流重建模型在图像重建质量的峰值信噪比(PSNR)、结构相似性(SSIM)上均提升1%~4%不等,在主观观感上也有所提高。