| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 课题研究现状及分析 | 第10-13页 |
| 1.2.1 国内外研究现状 | 第10-13页 |
| 1.2.2 图像超分辨率问题难点 | 第13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文的结构 | 第14-15页 |
| 第2章 图像超分辨率算法简介 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 传统图像超分辨率算法介绍 | 第15-18页 |
| 2.2.1 基于插值的图像超分辨率算法 | 第15-17页 |
| 2.2.2 基于模型重建的图像超分辨率算法 | 第17-18页 |
| 2.2.3 基于学习的图像超分辨率算法 | 第18页 |
| 2.3 基于深度学习的图像超分辨率算法介绍 | 第18-25页 |
| 2.3.1 卷积神经网络概述 | 第18-21页 |
| 2.3.2 生成对抗网络(GAN)介绍 | 第21-23页 |
| 2.3.3 基于卷积神经网络的图像超分辨率算法 | 第23-25页 |
| 2.4 图像质量评价标准 | 第25-28页 |
| 2.4.1 峰值信噪比 | 第26页 |
| 2.4.2 结构相似性 | 第26-27页 |
| 2.4.3 信息保真度 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 改进的GAN图像超分辨率算法 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 基于GAN的超分辨率模型介绍 | 第29-32页 |
| 3.3 改进的生成器模型 | 第32-37页 |
| 3.3.1 改进的多级联结构 | 第32-33页 |
| 3.3.2 改进的递归残差网络 | 第33-36页 |
| 3.3.3 改进的图像生成方式 | 第36-37页 |
| 3.4 改进的鉴别器模型 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 实验结果对比及分析 | 第41-56页 |
| 4.1 实验条件介绍 | 第41-43页 |
| 4.1.1 实验设置及实验环境 | 第41页 |
| 4.1.2 数据集介绍 | 第41页 |
| 4.1.3 数据集增强 | 第41-42页 |
| 4.1.4 网络训练参数设置 | 第42-43页 |
| 4.2 生成器的改进方法的实验对比 | 第43-49页 |
| 4.2.1 递归残差网络的实验结果分析 | 第43-45页 |
| 4.2.2 多级联结构的实验结果分析 | 第45-47页 |
| 4.2.3 基于Expand-Squeeze方法的实验结果分析 | 第47-49页 |
| 4.3 改进的鉴别器模型的实验对比 | 第49页 |
| 4.4 实验结果分析 | 第49-52页 |
| 4.5 改进方法的时间性能分析 | 第52-53页 |
| 4.6 人脸超分辨率实验分析 | 第53-54页 |
| 4.7 本章小结 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间发表的学术论文 | 第61-63页 |
| 致谢 | 第63页 |