基于深度学习的图像超分辨率重建技术研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 图像超分辨率重建的研究背景 | 第12-13页 |
| 1.1.1 图像超分辨率重建 | 第12-13页 |
| 1.1.2 单帧图像超分辨率重建 | 第13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 基于重建的算法 | 第13-15页 |
| 1.2.2 基于样例学习的算法 | 第15-18页 |
| 1.2.3 基于深度学习的算法 | 第18-21页 |
| 1.3 本文的研究目的和主要内容 | 第21-24页 |
| 第2章 基于卷积神经网络的单帧图像超分辨 | 第24-44页 |
| 2.1 卷积神经网络 | 第24-35页 |
| 2.1.1 卷积与池化操作 | 第24-27页 |
| 2.1.2 反向传播与优化算法 | 第27-31页 |
| 2.1.3 卷积神经网络架构的发展 | 第31-35页 |
| 2.2 流形变换与超分辨 | 第35-37页 |
| 2.3 深度超分辨率网络中的重要技巧 | 第37-42页 |
| 2.4 本章小结 | 第42-44页 |
| 第3章 正则化与超分辨率重建 | 第44-56页 |
| 3.1 实验准备 | 第44-48页 |
| 3.1.1 实验环境 | 第44页 |
| 3.1.2 深度学习框架选择 | 第44-45页 |
| 3.1.3 实验数据准备 | 第45-48页 |
| 3.2 增强预测 | 第48-53页 |
| 3.2.1 卷积神经网络的过拟合与解决办法 | 第48-50页 |
| 3.2.2 增强预测原理 | 第50-51页 |
| 3.2.3 实验方法与结果分析 | 第51-53页 |
| 3.3 特征提取改进 | 第53-54页 |
| 3.3.1 卷积拆分与特征提取 | 第53-54页 |
| 3.3.2 实验结果与结果分析 | 第54页 |
| 3.4 本章小结 | 第54-56页 |
| 第4章 密集精简网络与快速超分辨率重建 | 第56-66页 |
| 4.1 密集连接结构 | 第56-57页 |
| 4.2 1*1卷积与特征选择 | 第57-59页 |
| 4.3 网络结构与实验结果分析 | 第59-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 基于对偶态网络的图像超分辨率重建 | 第66-82页 |
| 5.1 非线性激活函数与网络的深度 | 第66-72页 |
| 5.1.1 深度增加带来的空间折叠 | 第66-69页 |
| 5.1.2 深度增加带来的梯度灾难 | 第69-72页 |
| 5.2 残差网络与密集连接结构 | 第72-77页 |
| 5.2.1 残差网络与特征保持 | 第72-75页 |
| 5.2.2 密集连接结构与特征探索 | 第75-77页 |
| 5.3 对偶态网络 | 第77-79页 |
| 5.4 实验结果与分析 | 第79-80页 |
| 5.5 本章小结 | 第80-82页 |
| 第6章 总结与展望 | 第82-86页 |
| 6.1 本论文主要研究内容 | 第82-83页 |
| 6.2 本文主要创新点 | 第83页 |
| 6.3 后续工作展望 | 第83-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第92页 |
