| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外相关研究现状 | 第13-17页 |
| 1.3.1 基于插值的SISR技术 | 第14-15页 |
| 1.3.2 基于重构的SISR技术 | 第15-16页 |
| 1.3.3 基于学习的SISR技术 | 第16-17页 |
| 1.4 主要研究工作 | 第17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 第二章 DCNN基本理论与技术 | 第18-32页 |
| 2.1 DCNN的发展历程 | 第18-22页 |
| 2.1.1 浅层网络到深度学习 | 第18-20页 |
| 2.1.2 DCNN的蓬勃发展及原因分析 | 第20-22页 |
| 2.2 DCNN结构单元 | 第22-25页 |
| 2.2.1 卷积层 | 第22-23页 |
| 2.2.2 池化层 | 第23页 |
| 2.2.3 激活函数 | 第23-24页 |
| 2.2.4 反卷积层 | 第24-25页 |
| 2.3 经典DCNN模型 | 第25-31页 |
| 2.3.1 AlexNet模型 | 第25-26页 |
| 2.3.2 ZFNet模型 | 第26-27页 |
| 2.3.3 GoogleNet模型及Inception系列结构 | 第27-29页 |
| 2.3.4 VGGNet模型 | 第29页 |
| 2.3.5 ResNet模型 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于DCNN的SISR经典模型的建立 | 第32-48页 |
| 3.1 基于DCNN的SISR经典模型简介 | 第32-33页 |
| 3.1.1 SRCNN模型 | 第32页 |
| 3.1.2 FSRCNN模型 | 第32-33页 |
| 3.1.3 VDSR模型 | 第33页 |
| 3.2 经典DCNN模型性能比较与分析 | 第33-34页 |
| 3.2.1 经典DCNN模型性能与卷积相关参数比较 | 第33-34页 |
| 3.2.2 经典DCNN模型分析总结 | 第34页 |
| 3.3 HDCN-o模型 | 第34-39页 |
| 3.3.1 需求分析 | 第34-35页 |
| 3.3.2 解决对策 | 第35-36页 |
| 3.3.3 HDCN-o模型的结构 | 第36-39页 |
| 3.4 HDCN-o模型实验评估 | 第39-46页 |
| 3.4.1 评估标准 | 第39-40页 |
| 3.4.2 数据集简介及数据增强策略 | 第40-41页 |
| 3.4.3 实验参数设置 | 第41-42页 |
| 3.4.4 性能评估与对比 | 第42-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 HDCN-s模型 | 第48-64页 |
| 4.1 阶段性训练 | 第48-53页 |
| 4.1.1 HDCN-o模型训练时的不足 | 第48页 |
| 4.1.2 解决方案 | 第48-51页 |
| 4.1.3 实验细节与性能评估 | 第51-53页 |
| 4.2 优化损失函数 | 第53-56页 |
| 4.2.1 重构图像混叠的问题 | 第53-54页 |
| 4.2.2 问题分析与解决方案 | 第54-55页 |
| 4.2.3 实验细节与性能评估 | 第55-56页 |
| 4.3 HDCN-s模型性能评估与分析 | 第56-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文总结 | 第64页 |
| 5.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72页 |