| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-20页 |
| 1.1 课题来源 | 第12页 |
| 1.2 课题相关研究 | 第12-14页 |
| 1.2.1 研究背景及意义 | 第12-13页 |
| 1.2.2 基本概念及问题描述 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.3.1 传统超分辨率重构方法研究现状 | 第14-15页 |
| 1.3.2 深度学习超分辨率重构研究现状 | 第15-16页 |
| 1.4 重建图像的质量评价标准 | 第16-17页 |
| 1.5 本文研究内容 | 第17-20页 |
| 2 深度学习理论及数据预处理 | 第20-32页 |
| 2.1 卷积神经网络 | 第20-25页 |
| 2.1.1 卷积神经网络结构 | 第20-24页 |
| 2.1.2 卷积神经网络特性 | 第24-25页 |
| 2.2 残差网络 | 第25-27页 |
| 2.2.1 残差学习 | 第26页 |
| 2.2.2 恒等映射 | 第26-27页 |
| 2.3 深度模型中优化算法 | 第27-30页 |
| 2.3.1 随机梯度下降法 | 第28-29页 |
| 2.3.2 Adam优化方法 | 第29-30页 |
| 2.4 数据增强及预处理 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 改进极深卷积神经网络超分辨率重构 | 第32-42页 |
| 3.1 引言 | 第32-33页 |
| 3.2 改进极深卷积神经网络 | 第33-37页 |
| 3.2.1 基于最大特征映射激活单元的极深卷积神经网络结构 | 第33-34页 |
| 3.2.2 最大特征映射激活单元 | 第34-36页 |
| 3.2.3 所提N-VDSR和F-VDSR网络结构 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-41页 |
| 3.3.2 实验超参数设置 | 第37-38页 |
| 3.3.3 实验结果分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 紧凑型多径卷积神经网络算法研究 | 第42-52页 |
| 4.1 引言 | 第42-43页 |
| 4.2 紧凑型多径卷积神经网络 | 第43-46页 |
| 4.2.1 网络结构 | 第43-45页 |
| 4.2.2 基于最大特征图的改进残差块 | 第45-46页 |
| 4.3 实验结果与分析 | 第46-50页 |
| 4.3.1 实验参数设置 | 第46页 |
| 4.3.2 实验结果分析 | 第46-50页 |
| 4.4 本章小结 | 第50-52页 |
| 5 基于深度可分离卷积交叉级联残差网络的超分辨率重构算法 | 第52-60页 |
| 5.1 引言 | 第52页 |
| 5.2 深度可分离卷积级联交叉残差网络 | 第52-57页 |
| 5.2.1 可分离卷积的多尺度交叉模块 | 第52-54页 |
| 5.2.2 残差特征子网络学习 | 第54-55页 |
| 5.2.3 具有级联结构的整体模型 | 第55-57页 |
| 5.3 实验结果与分析 | 第57-58页 |
| 5.3.1 实验参数设置 | 第57-58页 |
| 5.3.2 实验结果分析 | 第58页 |
| 5.4 本章小结 | 第58-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 作者简介 | 第68页 |
