| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-19页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 基于插值的方法: | 第8-9页 |
| 1.2.2 基于约束集重建的方法 | 第9-10页 |
| 1.2.3 基于样本学习的方法 | 第10-12页 |
| 1.3 深度学习 | 第12-14页 |
| 1.3.1 基于深度学习的图像超分辨方法 | 第13页 |
| 1.3.2 Tensorflow和Keras深度学习框架 | 第13-14页 |
| 1.4 图像质量评价指标 | 第14-16页 |
| 1.4.1 基于逼真度的评价指标 | 第15-16页 |
| 1.4.2 基于结构失真的评价指标 | 第16页 |
| 1.5 论文主要研究工作 | 第16-17页 |
| 1.6 论文结构 | 第17-19页 |
| 2 传统的基于样本学习的图像超分辨方法的相关研究 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 图像降质过程 | 第19-20页 |
| 2.3 基于邻域嵌入的超分辨率重建算法 | 第20-21页 |
| 2.4 基于稀疏表示的超分辨率重建算法 | 第21-24页 |
| 2.5 基于位置块的局部约束的单幅人脸图像超分辨算法 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 3 基于残差学习的单幅人脸图像超分辨率重建算法 | 第27-44页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于卷积神经网络的单幅人脸图像超分辨 | 第28-32页 |
| 3.2.1 传统神经网络(NN) | 第28-29页 |
| 3.2.2 SRCNN图像超分辨方法 | 第29-32页 |
| 3.3 基于残差学习的单幅人脸图像超分辨方法 | 第32-36页 |
| 3.4 图像训练库的建立 | 第36-37页 |
| 3.5 实验结果的比较和分析 | 第37-43页 |
| 3.5.1 参数的选择 | 第37-39页 |
| 3.5.2 实验结果分析 | 第39-42页 |
| 3.5.3 预训练的影响 | 第42-43页 |
| 3.6 本章总结 | 第43-44页 |
| 4 基于稠密网络的单幅人脸图像超分辨重建算法 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 稠密网络 | 第44-50页 |
| 4.2.1 残差网和稠密网的区别 | 第45-47页 |
| 4.2.2 稠密卷积网络的基本结构 | 第47页 |
| 4.2.3 参数的压缩 | 第47-50页 |
| 4.3 基于稠密网络的单幅人脸图像超分辨方法 | 第50-51页 |
| 4.4 实验结果的比较和分析 | 第51-55页 |
| 4.5 真实场景实验分析 | 第55-57页 |
| 4.6 本章总结 | 第57-58页 |
| 5 总结和展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58页 |
| 5.2 不足和未来展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |