| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外图像超分辨率研究现状 | 第12-17页 |
| 1.3 本文的研究内容及章节安排 | 第17-19页 |
| 1.3.1 本文研究内容 | 第17-18页 |
| 1.3.2 本文章节安排 | 第18-19页 |
| 第二章 图像超分辨率与深度学习基础 | 第19-36页 |
| 2.1 图像超分辨率基本理论模型 | 第19-20页 |
| 2.2 图像超分辨率算法分类 | 第20-29页 |
| 2.2.1 基于插值的方法 | 第21-23页 |
| 2.2.2 基于重建的方法 | 第23-24页 |
| 2.2.3 基于稀疏表示的方法 | 第24-25页 |
| 2.2.4 基于深度学习的方法 | 第25-29页 |
| 2.3 深度学习基础 | 第29-35页 |
| 2.3.1 深度学习基本原理 | 第29-30页 |
| 2.3.2 梯度下降 | 第30-31页 |
| 2.3.3 反向传播算法 | 第31-32页 |
| 2.3.4 卷积神经网络 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于条件生成式对抗网络的图像超分辨率 | 第36-59页 |
| 3.1 条件生成式对抗网络模型 | 第36-38页 |
| 3.2 encoder-decoder生成网络的结构 | 第38-42页 |
| 3.2.1 encoder-decoder沙漏状结构 | 第38-41页 |
| 3.2.2 skip跳接 | 第41-42页 |
| 3.3 PatchGAN判别网络的结构 | 第42-43页 |
| 3.4 网络训练 | 第43-45页 |
| 3.5 实验结果 | 第45-57页 |
| 3.5.1 与其他主流超分辨率算法对比结果 | 第45-55页 |
| 3.5.2 网络结构和目标函数形式对生成结果的影响 | 第55-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 结合人眼视觉显著机制的像素值概率模型在图像超分辨率中的研究 | 第59-72页 |
| 4.1 深度像素值概率模型 | 第59-64页 |
| 4.1.1 超分辨率像素值概率模型的学习 | 第59-60页 |
| 4.1.2 PixelCNN——捕获像素值间相互关系 | 第60-62页 |
| 4.1.3 网络结构 | 第62-63页 |
| 4.1.4 损失函数 | 第63-64页 |
| 4.1.5 高分辨率图的生成 | 第64页 |
| 4.2 基于贝叶斯优化的超参数权重自适应选择 | 第64-66页 |
| 4.3 基于人眼视觉显著机制的超分辨率 | 第66-67页 |
| 4.4 实验结果 | 第67-71页 |
| 4.4.1 主观视觉评价 | 第67-69页 |
| 4.4.2 结合视觉显著机制的客观评价指标 | 第69-71页 |
| 4.5 本章小结 | 第71-72页 |
| 总结与展望 | 第72-74页 |
| 参考文献 | 第74-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附录 | 第84页 |
