| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 课题相关领域国内外研究现状 | 第11-14页 |
| 1.2.1 图像复原问题研究现状及分析 | 第11-13页 |
| 1.2.2 图像质量评价问题研究现状及分析 | 第13-14页 |
| 1.3 本文的主要研究内容及章节安排 | 第14-16页 |
| 第二章 基于端到端的图像去模糊网络构建方法 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 模糊数据集的建立 | 第16-18页 |
| 2.2.1 单帧图像生成模糊数据集 | 第16页 |
| 2.2.2 多帧图像合成模糊数据集 | 第16-18页 |
| 2.3 去模糊网络的设计 | 第18-20页 |
| 2.3.1 多尺度去模糊网络结构设计 | 第18-19页 |
| 2.3.2 损失函数的设计 | 第19-20页 |
| 2.4 去模糊网络的搭建及训练 | 第20页 |
| 2.5 复原结果及实时性测试 | 第20-27页 |
| 2.5.1 合成模糊图像去模糊结果 | 第21-23页 |
| 2.5.2 真实模糊图像去模糊结果 | 第23-25页 |
| 2.5.3 去模糊结果对比 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于传统图像质量评价的损失函数构建方法 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 MSE存在的问题 | 第28-29页 |
| 3.3 基于全参考质量评价算法的损失函数构建方法 | 第29-31页 |
| 3.3.1 改进SSIM质量评价算法 | 第29-30页 |
| 3.3.2 基于改进全参考SSIM质量评价算法的损失函数 | 第30-31页 |
| 3.4 基于正则化范数的损失函数构建方法 | 第31-34页 |
| 3.4.1 归一化稀疏正则化L1/L2范数 | 第31-32页 |
| 3.4.2 基于归一化稀疏正则化L1/L2范数的损失函数 | 第32-34页 |
| 3.5 基于加权MSE评价函数的损失函数构建方法 | 第34-35页 |
| 3.5.1 加权MSE评价函数 | 第34页 |
| 3.5.2 基于加权MSE的损失函数 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于深度神经网络图像质量评价的损失函数构建方法 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 图像模糊模型 | 第36-39页 |
| 4.2.1 均匀模糊模型及其图像模糊核 | 第36-38页 |
| 4.2.2 非均匀模糊模型及其图像模糊核 | 第38-39页 |
| 4.3 基于模糊核估计网络的图像质量评价算法 | 第39-43页 |
| 4.3.1 模糊核估计网络的设计 | 第39-41页 |
| 4.3.2 模糊核估计网络准确性测试 | 第41-42页 |
| 4.3.3 基于模糊核估计的评价网络与主观质量评价 | 第42-43页 |
| 4.4 基于神经网络评价算法的损失函数建立 | 第43-47页 |
| 4.4.1 基于图像评价网络的损失函数 | 第43-45页 |
| 4.4.4 算法仿真实验及结果 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 基于GAN网络及图像质量评价的真实模糊复原算法 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 基于GAN网络和质量评价的图像盲复原网络 | 第48-53页 |
| 5.2.1 图像盲复原网络结构设计 | 第48-49页 |
| 5.2.2 无参考图像下图像内容损失算法 | 第49-50页 |
| 5.2.3 基于无参考质量评价的图像清晰度损失算法 | 第50-52页 |
| 5.2.4 基于GAN网络的图像真实性损失算法 | 第52-53页 |
| 5.3 算法仿真实验及结果 | 第53-58页 |
| 5.3.1 实验设计及实现 | 第53-56页 |
| 5.3.2 结果及分析 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-67页 |
| 致谢 | 第67页 |
