用于超分辨率重建的深度网络递进学习方法

本文针对深度学习在单幅图像超分辨率方面难以恢复高频纹理细节的问题,提出了一种基于递进学习的超分辨率算法.该算法首先采用灰度共生矩阵提取图像纹理特征,然后利用基于密度峰值的聚类方法实现对整个训练集的分类,其中每个训练子集具有相似的纹理复杂度.针对传统的递进学习方法会出现对已掌握知识"遗忘"的问题,本文根据网络模型在各个训练子集上的拟合情况,实时调整当前训练样本在各个子集上的概率分布,从而实现快速收敛,并获得更好的纹理细节复原效果.将本文提出的递进学习用于DRCN、VDSR、SRCNN等超分辨率网络的训练,实验结果表明超分辨率网络收敛速度得到提升,同时网络对复杂纹理等细节较多的...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 46; no. 2; pp. 274 - 282
Main Authors 张毅锋, 刘袁, 蒋程, 程旭
Format Journal Article
LanguageChinese
Published 计算机软件新技术国家重点实验室(南京大学) 南京 210093%东南大学信息科学与工程学院 南京 210096%南京信息工程大学计算机与软件学院 南京 210044 01.02.2020
东南大学信息科学与工程学院 南京 210096
东南大学南京通信技术研究院 南京 211100
Subjects
超分辨率
密度峰值
递进学习
共生矩阵
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.2018.c180158

Cover

More Information
Summary:本文针对深度学习在单幅图像超分辨率方面难以恢复高频纹理细节的问题,提出了一种基于递进学习的超分辨率算法.该算法首先采用灰度共生矩阵提取图像纹理特征,然后利用基于密度峰值的聚类方法实现对整个训练集的分类,其中每个训练子集具有相似的纹理复杂度.针对传统的递进学习方法会出现对已掌握知识"遗忘"的问题,本文根据网络模型在各个训练子集上的拟合情况,实时调整当前训练样本在各个子集上的概率分布,从而实现快速收敛,并获得更好的纹理细节复原效果.将本文提出的递进学习用于DRCN、VDSR、SRCNN等超分辨率网络的训练,实验结果表明超分辨率网络收敛速度得到提升,同时网络对复杂纹理等细节较多的图像也获得了较好的视觉恢复效果,峰值信噪比则平均获得0.158 dB、0.18 dB、0.092 dB的提升.
ISSN:0254-4156
DOI:10.16383/j.aas.2018.c180158