《表3 4个基准数据集Set5,Set14,B100和Urban100上不同比例因子的平均PSNR和时间(粗体表示最佳性能)》
表3提供了不同方法下4个常见基准数据集的最终评估结果,表中算法包括双三次插值法、调整锚定邻域回归以获得快速超分辨率的方法(A+)[37]、基于维纳滤波器的相似域单图像超分辨方法(WSD-SR)[38]、SRCNN[12]、深度递归卷积网络的图像超分辨方法(DRCN)[39]、VDSR[15]、LapSRN[40]、具有跳跃连接和网中网卷积结构的快速准确的图像超分辨率(DCSCN)[19]以及本文所提方法DSSR。与其他7种方法相比,DSSR在性能和时间上都有大幅改善。为增加说服力,图9~11分别给出不同数据集针对不同比例因子的局部放大展示图。图9是一幅选自数据集B100的图像,比例因子为2,图9(j)修复的自然物边缘和纹理比其他自然物更清晰,可以清晰地看出自然物有更多的角落和结构,图9(b)恢复的图像轮廓模糊,其他方法均具有不同程度的细节损失。当比例因子增加到3时,如图10所示,其他算法在重建蝴蝶颜色以及翅膀轮廓时,纹理严重损失,而DSSR可以更加清楚地展示不同部位之间的层次。图10表明即使比例因子增加,DSSR的物体重建算法同样具有显著的优势。图11表明当比例因子为4时,DSSR同样可以更好地恢复图中青椒的纹理轮廓。综上,DSSR模型成功重建了HR图像中的纹理边缘并具有更好的输出特性。
图表编号 | XD00106624000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 胡诗语、王国栋、赵毅、王岩杰、潘振宽 |
绘制单位 | 青岛大学计算机科学技术学院、青岛大学计算机科学技术学院、青岛大学计算机科学技术学院、青岛大学计算机科学技术学院、青岛大学计算机科学技术学院 |
更多格式 | 高清、无水印(增值服务) |