| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 卷积神经网络研究现状 | 第11页 |
| 1.2.2 超分辨研究现状 | 第11-13页 |
| 1.2.3 单幅图像超分辨重建性能评价指标 | 第13-14页 |
| 1.3 存在困难与解决思路 | 第14-15页 |
| 1.4 主要工作与章节安排 | 第15-16页 |
| 第二章 卷积神经网络与深度残差网络 | 第16-32页 |
| 2.1 卷积神经网络 | 第16-26页 |
| 2.1.1 卷积层 | 第16-18页 |
| 2.1.2 池化层 | 第18-19页 |
| 2.1.3 激活函数 | 第19-20页 |
| 2.1.4 损失函数 | 第20-21页 |
| 2.1.5 反向传播算法及其变种 | 第21-26页 |
| 2.2 深度残差网络 | 第26-30页 |
| 2.2.1 BatchNormalization | 第26-27页 |
| 2.2.2 ResNet基础残差模块和bottleneck残差模块 | 第27-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 基于深度残差网络的图像超分辨重建 | 第32-42页 |
| 3.1 联合子像素卷积层的增强型深度残差网络 | 第32-37页 |
| 3.1.1 引言 | 第32-34页 |
| 3.1.2 子像素卷积层原理 | 第34-36页 |
| 3.1.3 增强型深度残差模块 | 第36-37页 |
| 3.1.4 联合子像素卷积层的增强型深度残差网络 | 第37页 |
| 3.2 加入感知损失的增强型深度残差网络 | 第37-40页 |
| 3.2.1 引言 | 第37-38页 |
| 3.2.2 感知损失的原理 | 第38-39页 |
| 3.2.3 加入感知损失的深度残差网络PLCNN | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 第四章 实验结果分析 | 第42-58页 |
| 4.1 基于阿里云平台的深度学习框架搭建 | 第42-45页 |
| 4.1.1 阿里云机器学习PAI服务 | 第42-44页 |
| 4.1.2 TensorFlow框架及第三方库介绍 | 第44-45页 |
| 4.1.3 模型中断再训练过程 | 第45页 |
| 4.2 训练集的存储与读取方式 | 第45-46页 |
| 4.2.1 TFRecord数据格式存储 | 第45-46页 |
| 4.2.2 TFRecord数据格式读取 | 第46页 |
| 4.2.3 训练集数据预处理 | 第46页 |
| 4.3 联合子像素卷积层的深度残差网络实验结果分析 | 第46-52页 |
| 4.3.1 超参数设置 | 第46-47页 |
| 4.3.2 91幅图像上的实验结果 | 第47-50页 |
| 4.3.3 DIV2K图像集上的实验结果 | 第50-52页 |
| 4.4 基于PLCNN的图像超分辨率实验结果分析 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 未来研究方向 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者在攻读硕士学位期间发表的论文和成果 | 第66页 |
