《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）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于密集连接与激励模块的图像超分辨网络》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。