基于深度残差网络的JPEG图像超分辨方法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 引言 | 第8-9页 |
| 1.2 课题背景与研究意义 | 第9-11页 |
| 1.3 国内外研究现状及分析 | 第11-17页 |
| 1.3.1 卷积神经网络研究现状 | 第11-13页 |
| 1.3.2 深度学习研究现状 | 第13-14页 |
| 1.3.3 JPEG图像超分辨研究现状 | 第14-17页 |
| 1.4 研究内容及章节安排 | 第17-18页 |
| 第2章 超分辨率技术及质量评估 | 第18-28页 |
| 2.1 图像退化模型 | 第18-19页 |
| 2.2 超分辨率技术概述 | 第19-26页 |
| 2.2.1 基于插值的超分辨率技术 | 第20-22页 |
| 2.2.2 基于模型/重建的超分辨率技术 | 第22-24页 |
| 2.2.3 基于学习的超分辨率技术 | 第24-26页 |
| 2.3 超分辨图像质量评价标准 | 第26-27页 |
| 2.3.1 峰值信噪比(PSNR) | 第26-27页 |
| 2.3.2 结构相似度(SSIM) | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于级联网络的JPEG图像超分辨模型 | 第28-37页 |
| 3.1 JPEG压缩伪影去除 | 第28-30页 |
| 3.1.1 ARCNN | 第29页 |
| 3.1.2 TNRD | 第29-30页 |
| 3.2 图像超分辨 | 第30-32页 |
| 3.2.1 SRCNN | 第31页 |
| 3.2.2 VDSR | 第31-32页 |
| 3.3 级联网络模型 | 第32-33页 |
| 3.4 实验过程及结果 | 第33-36页 |
| 3.4.1 数据集选择 | 第33页 |
| 3.4.2 样本生成 | 第33页 |
| 3.4.3 实验配置 | 第33-34页 |
| 3.4.4 质量评价与结果分析 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于深度残差网络的JPEG图像超分辨模型 | 第37-50页 |
| 4.1 JPEG伪影去除 | 第37-40页 |
| 4.1.1 网络配置 | 第37-39页 |
| 4.1.2 扩张卷积的应用 | 第39页 |
| 4.1.3 残差学习的应用 | 第39-40页 |
| 4.2 超分辨与信息整合 | 第40-42页 |
| 4.2.1 网络配置 | 第40-41页 |
| 4.2.2 跳跃连接对模型的影响 | 第41页 |
| 4.2.3 亚像素层的应用 | 第41-42页 |
| 4.3 损失函数 | 第42页 |
| 4.4 联合学习的分析 | 第42-43页 |
| 4.5 实验过程及结果 | 第43-49页 |
| 4.5.1 训练集及实验配置 | 第43-44页 |
| 4.5.2 对比实验 | 第44页 |
| 4.5.3 质量评价与结果分析 | 第44-49页 |
| 4.6 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-59页 |
| 致谢 | 第59页 |
