| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 视频超分辨率技术的研究背景与研究意义 | 第12-13页 |
| 1.2 视频超分辨率技术的研究现状 | 第13-18页 |
| 1.2.1 通用图像超分辨率算法 | 第13-16页 |
| 1.2.2 人脸图像超分辨率算法 | 第16-18页 |
| 1.3 视频超分辨率技术的评价方法 | 第18-19页 |
| 1.4 视频超分辨率技术的发展趋势 | 第19页 |
| 1.5 本文研究内容 | 第19-20页 |
| 1.6 本文结构安排 | 第20-23页 |
| 第2章 相关工作 | 第23-32页 |
| 2.1 通用图像超分辨率算法 | 第23-29页 |
| 2.1.1 基于单幅图像的通用图像超分辨率算法 | 第23-25页 |
| 2.1.2 基于多幅图像的通用图像超分辨率算法 | 第25-29页 |
| 2.2 人脸图像超分辨率算法 | 第29-32页 |
| 2.2.1 基于单幅图像的人脸图像超分辨率算法 | 第29-30页 |
| 2.2.2 基于多幅图像的人脸图像超分辨率算法 | 第30-32页 |
| 第3章 基于运动补偿和深度残差学习的视频超分辨率算法 | 第32-53页 |
| 3.1 引言 | 第32-33页 |
| 3.2 算法 | 第33-37页 |
| 3.2.1 算法总体框架 | 第33页 |
| 3.2.2 运动补偿 | 第33-34页 |
| 3.2.3 基于深度残差学习的视频超分辨率 | 第34-37页 |
| 3.2.4 网络训练 | 第37页 |
| 3.3 实验 | 第37-51页 |
| 3.3.1 数据集 | 第38-40页 |
| 3.3.2 数据增强 | 第40-42页 |
| 3.3.3 训练细节 | 第42-43页 |
| 3.3.4 实验结果与讨论 | 第43-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第4章 基于非同时全循环卷积网络的视频超分辨率算法 | 第53-75页 |
| 4.1 引言 | 第53-54页 |
| 4.2 算法 | 第54-60页 |
| 4.2.1 算法框架 | 第54-56页 |
| 4.2.2 我们的方法残差循环卷积网络 | 第56-57页 |
| 4.2.3 关于不同融合方法的讨论 | 第57-58页 |
| 4.2.4 模型集成 | 第58-59页 |
| 4.2.5 网络训练 | 第59-60页 |
| 4.3 实验 | 第60-73页 |
| 4.3.1 数据集 | 第60-61页 |
| 4.3.2 实现细节 | 第61-63页 |
| 4.3.3 客观和主观评价 | 第63-67页 |
| 4.3.4 运行时间 | 第67-68页 |
| 4.3.5 消融实验 | 第68-73页 |
| 4.4 两种通用视频超分辨率算法的对比 | 第73-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第5章 基于身份指导生成对抗网络的人脸视频超分辨率算法 | 第75-87页 |
| 5.1 引言 | 第75-76页 |
| 5.2 算法 | 第76-79页 |
| 5.2.1 算法总体框架 | 第76-77页 |
| 5.2.2 生成网络 | 第77-79页 |
| 5.2.3 身份网络和鉴别网络 | 第79页 |
| 5.3 实验 | 第79-86页 |
| 5.3.1 实现细节 | 第79-85页 |
| 5.3.2 结果与分析 | 第85-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第6章 总结与展望 | 第87-90页 |
| 6.1 论文工作总结 | 第87-88页 |
| 6.2 研究工作展望 | 第88-90页 |
| 参考文献 | 第90-100页 |
| 致谢 | 第100-101页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第101-102页 |
