基于深度学习的图像超分辨算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 图像超分辨率技术应用领域 | 第13-14页 |
| 1.3 图像超分辨研究现状 | 第14-15页 |
| 1.4 主要研究工作及章节安排 | 第15-17页 |
| 1.4.1 主要研究工作 | 第15-16页 |
| 1.4.2 章节安排 | 第16-17页 |
| 第二章 图像超分辨与深度学习的理论基础 | 第17-33页 |
| 2.1 引言 | 第17页 |
| 2.2 图像超分辨理论基础 | 第17-22页 |
| 2.2.1 图像的超分辨重建 | 第17-18页 |
| 2.2.2 数字图像的退化模型 | 第18-19页 |
| 2.2.3 超分辨重建图像质量评价指标 | 第19-22页 |
| 2.3 深度学习理论基础 | 第22-32页 |
| 2.3.1 深度学习的基本概念 | 第22-25页 |
| 2.3.2 梯度下降与反向传播 | 第25-28页 |
| 2.3.3 激活函数 | 第28-31页 |
| 2.3.4 数据归一化 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于卷积神经网络的图像超分辨算法 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 卷积神经网络 | 第33-36页 |
| 3.2.1 卷积运算 | 第34-36页 |
| 3.2.2 局部连接 | 第36页 |
| 3.2.3 池化 | 第36页 |
| 3.3 基于卷积神经网络的图像超分辨算法 | 第36-40页 |
| 3.3.1 网络架构 | 第37-38页 |
| 3.3.2 目标函数 | 第38-39页 |
| 3.3.3 训练集的构造 | 第39-40页 |
| 3.4 实验分析 | 第40-44页 |
| 3.4.1 激活函数分析 | 第40-41页 |
| 3.4.2 卷积核数量分析 | 第41-42页 |
| 3.4.3 卷积核大小分析 | 第42页 |
| 3.4.4 实验结果对比 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于生成对抗网络的图像超分辨算法 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 生成对抗网络 | 第45-47页 |
| 4.2.1 生成对抗网络基本模型 | 第45-46页 |
| 4.2.2 GAN的训练机制 | 第46-47页 |
| 4.3 网络结构 | 第47-51页 |
| 4.3.1 生成器的结构 | 第48页 |
| 4.3.2 判定器的结构 | 第48-50页 |
| 4.3.3 感知误差 | 第50-51页 |
| 4.4 实验 | 第51-56页 |
| 4.4.1 与其他算法的量化对比 | 第51-52页 |
| 4.4.2 误差函数分析 | 第52-54页 |
| 4.4.3 感知误差分析 | 第54-55页 |
| 4.4.4 与其他算法的视觉对比 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间的科研成果 | 第63-64页 |
