| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 自然图像复原研究现状 | 第15-19页 |
| 1.2.1 自然图像去噪研究现状 | 第18-19页 |
| 1.2.2 自然图像超分辨研究现状 | 第19页 |
| 1.2.3 自然图像去模糊研究现状 | 第19页 |
| 1.3 主要研究内容和章节安排 | 第19-21页 |
| 第二章 自然图像复原方法简介 | 第21-35页 |
| 2.1 自然图像退化过程 | 第21-23页 |
| 2.2 基于稀疏编码的自然图像复原 | 第23-28页 |
| 2.2.1 信号稀疏编码理论 | 第23-26页 |
| 2.2.2 基于稀疏编码的自然图像复原模型 | 第26-28页 |
| 2.3 基于深度学习的自然图像复原 | 第28-32页 |
| 2.3.1 深度神经网络模型 | 第28-31页 |
| 2.3.2 基于深度神经网络的自然图像复原模型 | 第31-32页 |
| 2.4 基于网络学习的稀疏编码求解算法（LISTA） | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于解析稀疏编码网络的自然图像复原 | 第35-49页 |
| 3.1 基于解析稀疏编码网络的自然图像复原模型 | 第35-42页 |
| 3.1.1 解析稀疏编码模型 | 第35-40页 |
| 3.1.2 基于解析稀疏编码的神经网络实现 | 第40-42页 |
| 3.2 实验结果 | 第42-47页 |
| 3.3 本章小结 | 第47-49页 |
| 第四章 基于混合稀疏先验模型的自然图像复原 | 第49-63页 |
| 4.1 混合稀疏先验模型 | 第49-53页 |
| 4.1.1 外部稀疏先验学习 | 第51-52页 |
| 4.1.2 图像自相似性先验学习 | 第52-53页 |
| 4.2 模型整体网络实现 | 第53-55页 |
| 4.3 实验结果与分析 | 第55-62页 |
| 4.3.1 图像去噪实验 | 第55-58页 |
| 4.3.2 图像超分辨实验 | 第58-61页 |
| 4.3.3 图像去模糊实验 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |