《表2 不同算法不同组件的PSNR和SSIM的结果比较》
为了体现本文算法的独特性,本文将单独与对比算法比较眼睛、鼻子和嘴巴部分(C1、C2和C3区域)的客观评估指标,结果如表2所示,本文算法的感兴趣区域都优于对比算法。从图6中可以看出:双三次插值法并不能产生额外的细节信息;基于深度学习的SRCNN和VDSR通用图像超分辨率方法,由于其全局优化方案,可以很好地保持局部的基本结构,但是无法恢复更多的高频细节信息;虽然EDGAN可以产生良好的视觉效果,但是本文方法与EDGAN相比具有更好的平滑度,而且在纹理细节上更加准确。实验结果表明,独立采用不同的深度学习模型重建感兴趣的区域可以产生更加丰富的细节信息。
图表编号 | XD00134480100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.10 |
作者 | 许若波、卢涛、王宇、张彦铎 |
绘制单位 | 武汉工程大学计算机科学与工程学院、智能机器人湖北省重点实验室(武汉工程大学)、武汉工程大学计算机科学与工程学院、智能机器人湖北省重点实验室(武汉工程大学)、武汉工程大学计算机科学与工程学院、智能机器人湖北省重点实验室(武汉工程大学)、武汉工程大学计算机科学与工程学院、智能机器人湖北省重点实验室(武汉工程大学) |
更多格式 | 高清、无水印(增值服务) |