基于深度卷积神经网络的人脸超分辨率复原
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 通用超分辨率复原的研究现状 | 第11-14页 |
| 1.2.2 人脸超分辨率复原的研究现状 | 第14-16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 人脸超分辨率复原概述 | 第19-26页 |
| 2.1 超分辨率复原 | 第19-21页 |
| 2.2 评价指标 | 第21-22页 |
| 2.3 人脸数据集简介 | 第22-25页 |
| 2.3.1 Multi-Pie | 第22-24页 |
| 2.3.2 CelebA | 第24页 |
| 2.3.3 PubFig | 第24页 |
| 2.3.4 中医临床人脸数据库 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 深度学习的理论基础 | 第26-35页 |
| 3.1 深度学习的发展历史 | 第26-27页 |
| 3.1.1 机器学习的发展史 | 第26页 |
| 3.1.2 深度学习的发展 | 第26-27页 |
| 3.2 卷积神经网络 | 第27-33页 |
| 3.3 深度学习的框架 | 第33-34页 |
| 3.3.1 Tensorflow简介 | 第33-34页 |
| 3.3.2 常用框架对比 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 两阶段的人脸超分辨率复原 | 第35-57页 |
| 4.1 人脸特征点检测 | 第35-36页 |
| 4.2 基于卷积神经网络的超分辨率复原 | 第36-38页 |
| 4.2.1 SRCNN | 第36-37页 |
| 4.2.2 VDSR | 第37-38页 |
| 4.3 两阶段的人脸超分辨率复原算法 | 第38-42页 |
| 4.3.1 局部分割 | 第39-40页 |
| 4.3.2 概要/细节复原网络 | 第40-41页 |
| 4.3.3 卷积神经网络详细参数 | 第41页 |
| 4.3.4 图像融合 | 第41-42页 |
| 4.4 实验与分析 | 第42-56页 |
| 4.4.1 实验环境 | 第42页 |
| 4.4.2 实验样本的准备 | 第42-43页 |
| 4.4.3 学习率对实验结果的影响 | 第43-45页 |
| 4.4.4 数据增强对实验结果的影响 | 第45-47页 |
| 4.4.5 网络层数对实验结果的影响 | 第47-48页 |
| 4.4.6 深入分析卷积神经网络的特征提取能力 | 第48-49页 |
| 4.4.7 结果对比 | 第49-55页 |
| 4.4.8 实验小结 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于图像融合的合并方法 | 第57-66页 |
| 5.1 边缘检测概述 | 第57-58页 |
| 5.1.1 图像梯度 | 第57-58页 |
| 5.1.2 图像梯度的例子 | 第58页 |
| 5.2 图像融合 | 第58-62页 |
| 5.2.1 概述 | 第58-59页 |
| 5.2.2 基于图像替换的图像融合存在的问题 | 第59页 |
| 5.2.3 基于图像平滑的图像融合 | 第59-60页 |
| 5.2.4 基于小波变换的图像融合 | 第60-62页 |
| 5.3 实验与分析 | 第62-64页 |
| 5.3.1 参数对比实验 | 第62-63页 |
| 5.3.2 结果对比 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
