基于残差学习的图像超分辨率重建
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 图像超分辨率重建技术的背景与研究意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 本文的主要内容与结构安排 | 第18-20页 |
| 第二章 图像超分辨率理论基础 | 第20-28页 |
| 2.1 引言 | 第20页 |
| 2.2 超分辨率相关理论 | 第20-25页 |
| 2.2.1 图像退化模型 | 第20-22页 |
| 2.2.2 YCbCr彩色空间 | 第22-23页 |
| 2.2.3 超分辨率重建算法性能评价 | 第23-25页 |
| 2.3 图像超分辨率算法归纳 | 第25-27页 |
| 2.3.1 基于插值的图像超分辨率重建方法 | 第25-26页 |
| 2.3.2 基于重建的图像超分辨率重建方法 | 第26-27页 |
| 2.3.3 基于学习的图像超分辨率重建方法 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于深度学习的图像超分辨率重建 | 第28-46页 |
| 3.1 引言 | 第28-29页 |
| 3.2 神经网络理论基础 | 第29-36页 |
| 3.2.1 神经元 | 第29-30页 |
| 3.2.2 激活函数 | 第30-33页 |
| 3.2.3 学习方式 | 第33-34页 |
| 3.2.4 反向传播算法 | 第34-36页 |
| 3.3 卷积神经网络 | 第36-40页 |
| 3.3.1 卷积层 | 第37-38页 |
| 3.3.2 池化层 | 第38-39页 |
| 3.3.3 全连接层 | 第39页 |
| 3.3.4 卷积神经网络的训练过程 | 第39-40页 |
| 3.3.5 卷积网络的优缺点 | 第40页 |
| 3.4 基于卷积神经网络的图像超分辨率重建 | 第40-44页 |
| 3.4.1 图像块提取和表示 | 第41-42页 |
| 3.4.2 非线性映射 | 第42页 |
| 3.4.3 重建 | 第42页 |
| 3.4.4 与基于稀疏方法的关系 | 第42-43页 |
| 3.4.5 结论 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 深层多级残差网络的图像超分辨率重建 | 第46-59页 |
| 4.1 引言 | 第46页 |
| 4.2 基于残差学习的图像超分辨率重建 | 第46-48页 |
| 4.2.1 深度残差网络模型 | 第46-47页 |
| 4.2.2 深度残差学习的图像超分辨率 | 第47-48页 |
| 4.3 深层多级残差网络的图像超分辨率重建 | 第48-52页 |
| 4.3.1 预处理网络 | 第49-50页 |
| 4.3.2 残差网络 | 第50-51页 |
| 4.3.3 重建网络 | 第51-52页 |
| 4.3.4 网络训练 | 第52页 |
| 4.4 实验及结果分析 | 第52-57页 |
| 4.4.1 参数设置 | 第53页 |
| 4.4.2 结果与分析 | 第53-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文研究工作总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |
