| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第11-31页 |
| 1.1 课题背景与意义 | 第11-15页 |
| 1.2 图像超分辨重建技术研究现状 | 第15-26页 |
| 1.2.1 图像超分辨率重建数学模型 | 第16-17页 |
| 1.2.2 图像超分辨率重建方法概述 | 第17-25页 |
| 1.2.3 图像超分辨率重建方法评价 | 第25-26页 |
| 1.3 课题研究的难点 | 第26-27页 |
| 1.4 论文主要研究内容 | 第27-28页 |
| 1.5 论文组织结构 | 第28-29页 |
| 1.6 本章小结 | 第29-31页 |
| 2 基于稀疏表示和SORM的单幅图像超分辨率重建方法 | 第31-61页 |
| 2.1 引言 | 第31-32页 |
| 2.2 相关工作 | 第32-35页 |
| 2.2.1 稀疏表示方法 | 第32-33页 |
| 2.2.2 耦合稀疏表示方法 | 第33-35页 |
| 2.3 提出的方法 | 第35-42页 |
| 2.3.1 改进SORM模型 | 第35-38页 |
| 2.3.2 全局和非局部优化后处理 | 第38-40页 |
| 2.3.3 提出模型及算法流程 | 第40-42页 |
| 2.4 实验结果和分析 | 第42-59页 |
| 2.4.1 实验设置 | 第43页 |
| 2.4.2 参数选择和优化 | 第43-44页 |
| 2.4.3 改进SORM的有效性 | 第44-46页 |
| 2.4.4 全局和局部优化的有效性 | 第46-49页 |
| 2.4.5 无噪声实验 | 第49-52页 |
| 2.4.6 噪声实验 | 第52-56页 |
| 2.4.7 基准实验 | 第56-58页 |
| 2.4.8 算法时间复杂度分析 | 第58-59页 |
| 2.5 本章小结 | 第59-61页 |
| 3 基于Laplacian卷积网络的单幅图像超分辨率重建方法 | 第61-83页 |
| 3.1 引言 | 第61-62页 |
| 3.2 相关工作 | 第62-64页 |
| 3.3 提出的方法 | 第64-70页 |
| 3.3.1 网络模型 | 第64-68页 |
| 3.3.2 损失函数 | 第68-69页 |
| 3.3.3 模型实现及训练策略 | 第69-70页 |
| 3.4 实验结果及分析 | 第70-81页 |
| 3.4.1 模型分析 | 第71-74页 |
| 3.4.2 对比实验 | 第74-78页 |
| 3.4.3 自然图像重建 | 第78-80页 |
| 3.4.4 时间复杂度 | 第80-81页 |
| 3.5 本章小结 | 第81-83页 |
| 4 基于深度残差网络和全连接重建层的单幅图像超分辨率重建方法. | 第83-101页 |
| 4.1 引言 | 第83-84页 |
| 4.2 相关工作 | 第84-86页 |
| 4.3 提出的方法 | 第86-91页 |
| 4.3.1 神经网络结构 | 第86-89页 |
| 4.3.2 损失函数 | 第89-90页 |
| 4.3.3 模型实现及训练细节 | 第90-91页 |
| 4.4 实验结果及分析 | 第91-99页 |
| 4.4.1 模型分析 | 第91-94页 |
| 4.4.2 对比实验 | 第94-97页 |
| 4.4.3 自然图像重建 | 第97-98页 |
| 4.4.4 时间复杂度 | 第98-99页 |
| 4.5 本章小结 | 第99-101页 |
| 5 全文总结与展望 | 第101-105页 |
| 5.1 全文总结 | 第101-102页 |
| 5.2 进一步研究工作的展望 | 第102-105页 |
| 致谢 | 第105-107页 |
| 参考文献 | 第107-115页 |
| 附录 | 第115页 |
| A.作者在攻读博士学位期间已发表或已投稿的论文 | 第115页 |
| B.作者在攻读博士学位期间申请的发明专利 | 第115页 |
| C.作者在攻读博士学位期间参加的科研项目 | 第115页 |
