【摘 要】
：
图像超分辨率重建是深度学习的重要分支,受到越来越多科研人员的关注。目前,图像超分辨率重建方法以深度学习为基础在图像的定性和定量上取得了突破性的发展。为了提高图像的重建质量,现有的基于深度学习的图像超分辨方法一般都是通过增加网络模型的深度提高图像的重建质量。但是,实验也表明随着网络模型深度的增加,图像过渡平滑现象会越来越严重。除此之外,由于自然场景下真实低分辨率图像受到天气、噪声和模糊度等因素的影响
论文部分内容阅读
图像超分辨率重建是深度学习的重要分支，受到越来越多科研人员的关注。目前，图像超分辨率重建方法以深度学习为基础在图像的定性和定量上取得了突破性的发展。为了提高图像的重建质量，现有的基于深度学习的图像超分辨方法一般都是通过增加网络模型的深度提高图像的重建质量。但是，实验也表明随着网络模型深度的增加，图像过渡平滑现象会越来越严重。除此之外，由于自然场景下真实低分辨率图像受到天气、噪声和模糊度等因素的影响，往往很难通过下采样的方式描述其真实的分布状态。为此，本文提出了基于多级退化及注意力机制的图像超分辨率重建研究，主要研究内容包括以下三个方面:
首先，构造了基于多级退化的空间注意力图像超分辨重建网络。由于自然的低分辨率图像受到运动、噪声和天气等因素的影响较大，使得图像结构分布较为复杂，为此本文通过多级退化来模拟生成真实的低分辨率图像，即将模糊度和噪声加入到高分辨率图像，生成接近于真实的低分辨率图像。与此同时，使用空间注意力机制构建空间注意力模块，通过轻量级的空间注意力模块来获取图像中的自相似性。
其次，空间注意力机制只是利用了空间中的相互关系对特征提取进行约束，未能对不同滤波器的感知信息进行差异化表达和利用，为此将通道注意力机制设计在网络模型中。通过结合空间注意力机制和通道注意力机制，提高网络模型对图像中关键特征的提取和有效表达。
最后，在前面两个实验的基础之上，为了更好地对高频信息进行学习，引入小波损失函数，在空间注意力机制、通道.-空间注意力机制中分别验证了其作用。
本课题的模型在pytorch版本1.4.0环境下配置与运行。使用的数据集为DIV2K，其中训练和验证数据分别有800张、100张，评价指标主要使用结构相似性和峰值信噪比对重建后的图像进行评价。经过实验，结果表明本文模型在视觉上有明显的提升。因此，实验证明基于多级退化结合空间注意力机制、通道注意力机制和小波损失函数，能够提高图像在视觉上的重建质量。
其他文献
随着计算机技术的发展,以深度学习为代表的方法为医疗图像的研究与发展开拓了新的方向。由于视网膜血管与糖尿病、高血压、心脑血管等疾病的重要联系,研究人员对自动分割视网膜血管这一医学任务也给予重要关注。在目前大多数基于深度学习的视网膜血管分割方法中,以编码-解码结构的分割模型融合了视网膜图像的全局和局部信息,在分割性能上取得了突破性的发展。但由于视网膜血管复杂的形态变化、病变区域的影响、毛细血管的分支多
在过去几年里,尽管立场检测研究取得了很大的进展,但是现有的立场检测工作大多只关注训练集和测试集分布一致的情况,却忽略了社交平台话题的特点,即较快的更新速度。处理新兴的陌生话题领域也因此变得极为重要。为此,本文使用了深度神经网络作为基础模型来探索立场检测任务处理未知话题的方法。具体地,本文将从以下三个方面展开探索:(1)基于领域泛化的未知目标立场检测方法:本文将未知目标立场检测任务看作分类任务,首先
近年来计算机断层扫描技术(CT)被广泛用于临床诊断,由于CT会产生较高的辐射,危害人体健康,医学界通常采用低剂量CT扫描技术(LDCT)来获取CT图像。尽管LDCT能够有效降低辐射量,但是LDCT图像容易引入更多噪声和伪影,最终可能影响放射科医生的诊断。由于CT原始数据难以获取,大量研究聚焦于直接对CT图像进行后处理去噪。现有CT图像去噪算法主要针对特定剂量的CT图像,且存在去噪后图像细节丢失、图
随着网络优化，普适计算和物联网的快速发展，室内定位技术在消防救灾、地下停车寻车、商场购物等领域的应用越来越多。近年来，机器学习技术在诸多领域得到了广泛的应用并取得了很好的效果，故而越来越多的研究者开始采用机器学习的方法进行室内定位的研究，这推动了机器学习的室内定位方面的发展。本文研究了基于机器学习的室内定位技术，针对现有研究存在的问题，提出了三个有效的室内跟踪定位算法。 首先，为了提高定位的准确
药物往往通过靶向相应的蛋白来发挥作用。因此,揭示药物和靶标的关系在药物开发中起着至关重要的作用。近年来,药物-靶标蛋白质相互作用(DTIs)的计算预测对于药物发现或药物重定位变得尤为关键。与昂贵且费时的体内或生物学试验相比,计算方法可以有效地识别潜在的DTIs并大大减少候选药物蛋白的范围。所以如何明确可靠的与药物相关的候选蛋白质,是一项值得研究的课题。本文提出了三种基于深度学习的DTIs预测方法-
现如今,人们正处于信息化的时代,研究学者们越来越热衷于从图像中获取所需的信息,而图像上的文本可以帮助人们更好的理解图像信息。因此,提取图像中的文本信息成为了近年来科研界的一个热门的研究任务,而自然场景下拍摄的图像非常复杂多变,给检测任务带来了极大的挑战。传统的机器学习方法已经不能满足任务的需求,得益于深度学习技术的推广和应用,给场景文本检测任务带来了新的机遇和可能性,广大研究学者纷纷将深度学习技术
近年来,随着移动互联网和智能传感器技术的发展,移动群智感知计算模式在学术界、工业界和企业界得到广泛的关注。移动群智感知系统利用工人携带的智能设备的感知与计算能力,通过移动互联网进行协作来完成复杂的感知任务。在移动群智感知系统中,工人招募是一个核心共性的研究问题,是一种考虑任务和工人等因素的满足多种优化目标和约束条件的组合优化问题。移动群智感知中的工人招募问题的研究主要面临参与感知任务的工人数量不足
随着深度强化学习技术在视频游戏领域的不断发展,越来越多难度各异的视频游戏被深度强化学习智能体所掌握,这些智能体在某些视频游戏中甚至可以比肩人类职业游戏玩家。相较于视频游戏,基于文本语言的文本类游戏因其特殊的游戏方式和市场流行度较低等因素,使得关于文本游戏领域的研究相对于视频游戏领域要少一些。基于上述背景,本文将研究目光投向了流行度较低的文本游戏。在之前关于文本游戏的相关研究中,大多通过修改深度强化
随着人工智能的发展,我们的生活发生了翻天覆地的变化。其中,让机器懂得人类的语言一直是我们梦寐以求追寻的目标。人们对语言信息处理的需求越来越大,人们迫切需要用自动化的手段处理海量的语言信息。例如:机器翻译,问答系统,人机对话等。这些自然语言处理的应用已经深入的渗透到人类的日常生活中。但是,这些应用与人类的水平还有一段距离。其背后原因可能是机器并不是真正的理解自然语言所表达的含义。所以,自然语言理解的
在用户历史交互记录中,蕴含着丰富的映射用户潜在兴趣偏好的信息,这些信息可以帮助推荐系统建模,从而向用户推荐他们潜在兴趣的内容或商品,在电子商务领域中扮演着重要的角色。这种方式不仅方便用户以更高效、快捷的方式获取有利信息或商品,而且电子商务平台也可以通过推荐系统的技术,主动地将产品或者服务准确地投放给目标用户,以便他们获取更高的利润。由于用户的个性化商品推荐与人们日常生活息息相关,所以越来越多的研究