| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究内容及结构安排 | 第13-16页 |
| 第2章 单幅图像超分辨率算法 | 第16-21页 |
| 2.1 引言 | 第16页 |
| 2.2 基于稀疏表示的超分辨率算法 | 第16-17页 |
| 2.3 SRCNN算法 | 第17-18页 |
| 2.4 FSRCNN算法 | 第18-19页 |
| 2.5 VDSR算法 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 基于梯度先验学习的图像超分辨率算法 | 第21-34页 |
| 3.1 引言 | 第21页 |
| 3.2 多尺度残差网络结构设计 | 第21-24页 |
| 3.3 网络的训练与测试 | 第24页 |
| 3.4 基于梯度先验学习的超分辨率重建 | 第24-25页 |
| 3.4.1 基于梯度先验的正则化模型 | 第24-25页 |
| 3.4.2 算法实现的具体过程 | 第25页 |
| 3.5 实验结果分析 | 第25-33页 |
| 3.5.1 不同放大因子下各方法的对比实验 | 第26-30页 |
| 3.5.2 网络深度对实验性能的影响 | 第30页 |
| 3.5.3 残差网络的作用 | 第30-31页 |
| 3.5.4 l_1范数l_2范数正则化方法的对比 | 第31-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 基于多尺度卷积神经网络和残差训练的超分辨率算法 | 第34-49页 |
| 4.1 引言 | 第34页 |
| 4.2 收缩—扩展的网络结构设计 | 第34-37页 |
| 4.3 网络的训练和测试 | 第37-38页 |
| 4.4 实验结果 | 第38-48页 |
| 4.4.1 与其它算法的对比实验 | 第38-43页 |
| 4.4.2 不同损失函数下性能比较 | 第43-44页 |
| 4.4.3 两种下采样方法的对比实验 | 第44-46页 |
| 4.4.4 不同网络层数的对比实验 | 第46-47页 |
| 4.4.5 不同卷积核个数对比实验 | 第47页 |
| 4.4.6 不同训练样本对比实验 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于非抽样小波变换和卷积神经网络的超分辨率算法 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 非抽样小波变换 | 第49-50页 |
| 5.3 深度残差网络结构设计 | 第50-52页 |
| 5.4 网络的训练和测试 | 第52-53页 |
| 5.5 实验结果及分析 | 第53-57页 |
| 5.5.1 算法重建结果 | 第53-55页 |
| 5.5.2 不同训练方法的对比实验 | 第55-56页 |
| 5.5.3 不同损失函数的实验性能对比 | 第56页 |
| 5.5.4 多尺度卷积模块数量的选择 | 第56-57页 |
| 5.5.5 网络训练的收敛性验证 | 第57页 |
| 5.6 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67页 |