《表2 不同超分辨算法在真实数据上的性能对比》
定量评估结果如表2所示,蓝色字体标注了除本文方法外的评价指标最高的算法,红色字体标注了本文方法优于蓝色字体所标注方法的场景。由表2,本文方法重建出的Fence场景的PSNR低于Res LF和FALSR。这是由于该场景的原始图像中存在较多噪点,而本文网络在设计中没有特别考虑降噪问题,同时融合模块过多地累加了噪点的多尺度特征。另外,本文方法在Fence场景下的SSIM略低于Res LF,这是因为Res LF对水平、竖直和对角的纹理有较强的超分辨率重建能力,而Fence场景中存在较多的对角纹理。在Cars和Flowers场景中,本文方法在PSNR和SSIM上的表现均优于其他方法。将本文网络用于测试集中的Stanford真实光场图像的超分辨率重建上,得到的平均PSNR/SSIM为38.30 d B/0.9778,比Res LF文献中在Stanford数据集上得到的PSNR/SSIM(35.48 d B/0.9727)值略高,且比FALSR文献中在公开数据集Set5[35]上×2超分辨所得的PSNR(37.82 d B)值也略高。综合地看,本文所提出的超分辨网络在主观视觉和评价指标上处于相对领先的水平。
图表编号 | XD00189533800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.15 |
作者 | 赵圆圆、施圣贤 |
绘制单位 | 上海交通大学机械与动力工程学院、上海交通大学机械与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |