| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-20页 |
| 第1章 绪论 | 第20-38页 |
| 1.1 研究背景和意义 | 第20-21页 |
| 1.2 图像超分辨重建的研究进展与现状 | 第21-33页 |
| 1.2.1 基于插值的图像超分辨方法 | 第22-23页 |
| 1.2.2 基于重建的图像超分辨方法 | 第23-27页 |
| 1.2.3 基于实例学习的图像超分辨方法 | 第27-33页 |
| 1.3 主要研究内容和章节安排 | 第33-36页 |
| 1.3.1 主要研究内容 | 第33-34页 |
| 1.3.2 本文章节安排 | 第34-36页 |
| 1.4 符号约定 | 第36-38页 |
| 第2章 预备知识 | 第38-50页 |
| 2.1 高斯过程回归模型 | 第38-42页 |
| 2.1.1 模型定义 | 第38-39页 |
| 2.1.2 核函数及超参数 | 第39-41页 |
| 2.1.3 模型训练 | 第41-42页 |
| 2.2 超分辨重建常用基准测试集 | 第42-43页 |
| 2.2.1 set5数据集 | 第42页 |
| 2.2.2 set14数据集 | 第42页 |
| 2.2.3 kodak数据集 | 第42页 |
| 2.2.4 BSDS数据集 | 第42-43页 |
| 2.3 超分辨重建常用后处理方法 | 第43-45页 |
| 2.3.1 反向迭代投影 | 第43-44页 |
| 2.3.2 非局部均值方法 | 第44-45页 |
| 2.4 超分辨重建质量常用评价方法 | 第45-47页 |
| 2.4.1 峰值信噪比 | 第45-46页 |
| 2.4.2 图像结构相似度准则 | 第46页 |
| 2.4.3 图像特征相似度准则 | 第46-47页 |
| 2.4.4 主观质量评价方法 | 第47页 |
| 2.5 小结 | 第47-50页 |
| 第3章 基于非局部高斯过程回归的单帧图像超分辨 | 第50-70页 |
| 3.1 引言 | 第50-51页 |
| 3.2 框架概述 | 第51-52页 |
| 3.3 特征提取 | 第52-53页 |
| 3.3.1 非局部图像块采样 | 第52页 |
| 3.3.2 图像块修剪 | 第52-53页 |
| 3.3.3 图像块归一化 | 第53页 |
| 3.4 基于非局部高斯过程回归的SR方法 | 第53-58页 |
| 3.4.1 GPR基本理论 | 第53-54页 |
| 3.4.2 核函数选择 | 第54-56页 |
| 3.4.3 超参数设置 | 第56-57页 |
| 3.4.4 算法伪代码 | 第57-58页 |
| 3.5 理论分析 | 第58-60页 |
| 3.5.1 与非局部均值的关系 | 第58页 |
| 3.5.2 相关命题 | 第58-60页 |
| 3.6 实验结果与分析 | 第60-66页 |
| 3.6.1 实验设置 | 第60-61页 |
| 3.6.2 质量评价 | 第61页 |
| 3.6.3 其它验证实验 | 第61-64页 |
| 3.6.4 复杂度分析 | 第64-66页 |
| 3.7 小结 | 第66-70页 |
| 第4章 Student-t似然下基于高斯过程回归的单帧图像超分辨 | 第70-86页 |
| 4.1 引言 | 第70-71页 |
| 4.2 框架概述 | 第71-72页 |
| 4.3 Student-t似然下基于高斯过程回归的SR方法 | 第72-77页 |
| 4.3.1 训练集采样 | 第72页 |
| 4.3.2 基于高斯似然的GPR模型 | 第72-73页 |
| 4.3.3 基于Student-t似然的GPR模型 | 第73-76页 |
| 4.3.4 核函数选择 | 第76页 |
| 4.3.5 超参数设置 | 第76-77页 |
| 4.3.6 算法伪代码 | 第77页 |
| 4.3.7 复杂度分析 | 第77页 |
| 4.4 实验结果与分析 | 第77-83页 |
| 4.4.1 参数设置 | 第78页 |
| 4.4.2 Student-t似然的有效性 | 第78-79页 |
| 4.4.3 质量评价 | 第79-80页 |
| 4.4.4 字典采样策略的有效性 | 第80页 |
| 4.4.5 算法加速 | 第80-83页 |
| 4.5 小结 | 第83-86页 |
| 第5章 基于主动采样与高斯过程回归的单帧图像超分辨 | 第86-108页 |
| 5.1 引言 | 第86页 |
| 5.2 基于主动采样与高斯过程回归的SR方法 | 第86-93页 |
| 5.2.1 主动采样 | 第88-89页 |
| 5.2.2 GPR模型构建 | 第89-93页 |
| 5.2.3 算法加速 | 第93页 |
| 5.3 理论分析 | 第93-96页 |
| 5.3.1 有关GPR的结论 | 第93-94页 |
| 5.3.2 主动采样的有效性 | 第94-95页 |
| 5.3.3 与Bayesian框架之间的联系 | 第95-96页 |
| 5.4 实验结果与分析 | 第96-105页 |
| 5.4.1 自由参数的取值 | 第97-99页 |
| 5.4.2 质量评价 | 第99页 |
| 5.4.3 主动采样的效果 | 第99-103页 |
| 5.4.4 Kodak数据集上性能对比 | 第103页 |
| 5.4.5 复杂度分析 | 第103-105页 |
| 5.5 小结 | 第105-108页 |
| 第6章 基于稀疏高斯过程回归的单帧图像超分辨 | 第108-124页 |
| 6.1 引言 | 第108-109页 |
| 6.2 框架概述 | 第109-110页 |
| 6.3 基于稀疏高斯过程回归的SR算法 | 第110-114页 |
| 6.3.1 精确高斯过程回归 | 第111-112页 |
| 6.3.2 投影向量中的系数分布 | 第112页 |
| 6.3.3 GPLasso | 第112-114页 |
| 6.3.4 复杂度分析 | 第114页 |
| 6.4 实验结果与分析 | 第114-118页 |
| 6.4.1 参数设置 | 第115页 |
| 6.4.2 客观质量评价 | 第115-116页 |
| 6.4.3 主观质量评价 | 第116页 |
| 6.4.4 现有基于GPR的SR方法对比 | 第116-117页 |
| 6.4.5 人脸SR性能对比 | 第117-118页 |
| 6.5 小结 | 第118-124页 |
| 第7章 总结与展望 | 第124-128页 |
| 7.1 本文总结 | 第124-125页 |
| 7.2 研究展望 | 第125-128页 |
| 参考文献 | 第128-140页 |
| 致谢 | 第140-142页 |
| 作者简介 | 第142-143页 |
