| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景及意义 | 第6-8页 |
| 1.2 相关工作介绍 | 第8-10页 |
| 1.2.1 基于传统模型的图像恢复方法 | 第8-9页 |
| 1.2.2 基于深度学习的图像恢复方法 | 第9-10页 |
| 1.3 本文主要研究内容和创新点 | 第10-11页 |
| 1.4 本文章节安排 | 第11-12页 |
| 2 相关理论介绍 | 第12-26页 |
| 2.1 卷积神经网络 | 第12-15页 |
| 2.2 图建模及专家场模型 | 第15-19页 |
| 2.3 凸优化建模以及相关优化算法 | 第19-23页 |
| 2.3.1 凸函数以及凸问题 | 第19-21页 |
| 2.3.2 邻近梯度方法 | 第21-22页 |
| 2.3.3 交替方向乘子法(ADMM) | 第22-23页 |
| 2.4 基于展开优化能量得到的深度模型 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于统计先验设计的混合残差网络去处理图像超分辨率问题 | 第26-38页 |
| 3.1 图像超分辨率任务 | 第27页 |
| 3.2 最大后验概率框架 | 第27-28页 |
| 3.3 先验网络结构 | 第28-30页 |
| 3.4 保真网络结构 | 第30-31页 |
| 3.5 参数学习 | 第31-32页 |
| 3.6 实验设计 | 第32-36页 |
| 3.6.1 评价标准 | 第33页 |
| 3.6.2 实验数据 | 第33-34页 |
| 3.6.3 参数设置 | 第34-35页 |
| 3.6.4 定性与定量评估 | 第35-36页 |
| 3.7 本章小结 | 第36-38页 |
| 4 一种基于带有收敛性保证的邻近交替方向网络 | 第38-51页 |
| 4.1 展开优化得到深度模型的局限性 | 第38-39页 |
| 4.2 临近交替方向网络 | 第39-40页 |
| 4.3 临近误差校正 | 第40-42页 |
| 4.4 PADNet的收敛性分析 | 第42-43页 |
| 4.5 可实现的误差计算 | 第43-44页 |
| 4.6 图像非盲去模糊问题 | 第44页 |
| 4.7 实验设计 | 第44-50页 |
| 4.7.1 梯度域中的收敛性能 | 第46-48页 |
| 4.7.2 图像域中的显式/隐式PADNet | 第48-50页 |
| 4.8 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-59页 |