| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 理论基础及相关技术 | 第16-29页 |
| 2.1 超分辨率重建的基本理论模型 | 第16-17页 |
| 2.2 超分辨率重建常用方法 | 第17-23页 |
| 2.2.1 基于插值的技术 | 第17-19页 |
| 2.2.2 基于重建的技术 | 第19-21页 |
| 2.2.3 基于学习的技术 | 第21-23页 |
| 2.3 重建图像的质量评价 | 第23-24页 |
| 2.3.1 主观评价 | 第23-24页 |
| 2.3.2 客观评价 | 第24页 |
| 2.4 深度学习技术 | 第24-27页 |
| 2.4.1 深度学习概述 | 第24-25页 |
| 2.4.2 卷积神经网络 | 第25-26页 |
| 2.4.3 生成对抗网络 | 第26-27页 |
| 2.4.4 TensorFlow | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于卷积神经网络的人脸超分辨率重建算法 | 第29-37页 |
| 3.1 基于卷积神经网络的人脸超分辨率算法概述 | 第29-32页 |
| 3.1.1 卷积神经网络与重建 | 第29-31页 |
| 3.1.2 模型结构与参数设置 | 第31-32页 |
| 3.2 基于改进的损失函数的人脸超分辨率重建 | 第32-36页 |
| 3.2.1 特征损失函数 | 第32页 |
| 3.2.2 应用改进损失函数的网络模型构建 | 第32-34页 |
| 3.2.3 实验数据准备与模型训练 | 第34-36页 |
| 3.3 实验结果与分析 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于生成对抗网络的人脸超分辨率重建算法 | 第37-48页 |
| 4.1 基于生成对抗网络的人脸超分辨率重建算法概述 | 第37-39页 |
| 4.1.1 生成对抗网络结构 | 第37-38页 |
| 4.1.2 基于生成对抗网络的人脸超分辨率重建模型 | 第38-39页 |
| 4.2 改进的生成网络及损失函数 | 第39-42页 |
| 4.2.1 拉普拉斯金字塔 | 第39-41页 |
| 4.2.2 基于拉普拉斯金字塔的生成网络构建 | 第41-42页 |
| 4.2.3 损失函数的选择与优化 | 第42页 |
| 4.3 实验结果及分析 | 第42-46页 |
| 4.3.1 不同数据集对重建结果的影响 | 第42-45页 |
| 4.3.2 重建算法的主观评价 | 第45-46页 |
| 4.3.3 重建算法的客观评价 | 第46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 人脸超分辨率技术在人脸识别中的应用 | 第48-57页 |
| 5.1 基于深度学习的人脸识别流程 | 第48-51页 |
| 5.1.1 人脸检测 | 第48-49页 |
| 5.1.2 人脸规范化 | 第49-50页 |
| 5.1.3 人脸特征提取 | 第50页 |
| 5.1.4 人脸对比 | 第50-51页 |
| 5.2 低分辨率人脸识别算法流程 | 第51-52页 |
| 5.3 LFW数据库与重建对比测试 | 第52-55页 |
| 5.3.1 LFW数据库 | 第52-53页 |
| 5.3.2 测试结果及分析 | 第53-55页 |
| 5.4 实际场景测试 | 第55-56页 |
| 5.4.1测试环境及工具 | 第55页 |
| 5.4.2测试数据 | 第55页 |
| 5.4.3测试结果及分析 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57页 |
| 6.2 后续工作展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间取得的成果 | 第63页 |