| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 超分辨率问题描述 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-15页 |
| 1.3.1 基于插值的方法 | 第12页 |
| 1.3.2 基于重构的方法 | 第12-13页 |
| 1.3.3 基于学习的方法 | 第13-15页 |
| 1.4 重建图像的质量评价标准 | 第15-17页 |
| 1.4.1 主观评价 | 第15-16页 |
| 1.4.2 客观评价 | 第16-17页 |
| 1.5 本文研究内容 | 第17-18页 |
| 2 深度学习理论及其典型网络模型 | 第18-28页 |
| 2.1 深度学习的概念 | 第18-19页 |
| 2.2 典型的深度学习结构 | 第19-27页 |
| 2.2.1 受限玻尔兹曼机(Restricted Boltzmann Machines, RBM) | 第19-22页 |
| 2.2.2 深度置信网络(Deep Belief Networks, DBN) | 第22-23页 |
| 2.2.3 自编码器(Auto-Encoder, AE) | 第23-25页 |
| 2.2.4 卷积神经网络(Convolutional Neural Networks, CNN) | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于受限玻尔兹曼机的联合字典学习和稀疏表示重构 | 第28-45页 |
| 3.1 基于稀疏表示的图像超分辨率重构模型 | 第28-30页 |
| 3.1.1 信号的稀疏表示模型 | 第28-29页 |
| 3.1.2 面向图像超分辨率重构的稀疏表示模型 | 第29-30页 |
| 3.2 基于RBM的联合字典学习及稀疏表示的超分辨率重构 | 第30-37页 |
| 3.2.1 基于RBM模型的联合字典学习 | 第30-35页 |
| 3.2.2 基于联合字典和稀疏表示的图像超分辨率重构 | 第35-37页 |
| 3.3 实验结果与分析 | 第37-44页 |
| 3.3.1 实验参数设置 | 第37-38页 |
| 3.3.2 实验结果 | 第38-42页 |
| 3.3.3 重构系数的稀疏性分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 基于非负稀疏去噪自编码器和稀疏表示的超分辨率重构 | 第45-62页 |
| 4.1 去噪自编码器(Denoising Auto-Encoders, DAE) | 第45-47页 |
| 4.2 非负稀疏自编码器的提出和挑战 | 第47-48页 |
| 4.3 基于非负稀疏去噪自编码器的联合字典学习和重构 | 第48-54页 |
| 4.3.1 去噪自编码器模型非负性的训练 | 第48-49页 |
| 4.3.2 去噪自编码器模型稀疏性的训练 | 第49-51页 |
| 4.3.3 基于非负稀疏去噪自编码器的联合字典学习 | 第51-53页 |
| 4.3.4 基于联合字典和稀疏表示的图像超分辨率重构 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-61页 |
| 4.4.1 实验参数设置 | 第54-55页 |
| 4.4.2 实验结果 | 第55-58页 |
| 4.4.3 字典矩阵和重构系数的稀疏性分析 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62页 |
| 5.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67页 |
