《表2 不同深度下测试集的平均PSNR和SSIM》

  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

《基于深度学习的地震剖面图像超分辨率重建》

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

网络的深度是影响超分辨率重建效果的重要因素之一。适当增加网络层数，能够增强网络的非线性映射能力，提取更多纹理细节特征，便于后期重建，但是随着网络的加深，在训练过程中可能会出现难以收敛的现象。本文算法采用残差结构，可以加快网络收敛，避免网络过拟合的现象。当放大倍数为3时，分别训练及测试层数为14、16、18的卷积网络模型，即分别包括3、4、5个残差块，实验将LR图像块和对应标签作为网络的输入，训练过程采用SGD优化器，动量设置为0.9，学习率设置为0.0001，训练迭代5×105次。图5为测试集的平均PSNR值随迭代次数增长的曲线。从图中可以看出，18层网络模型重建性能最好。对比不同深度下测试集的PSNR均值和SSIM均值，见表2，结果说明了18层网络重建图像的PSNR和SSIM均为最高，所以本实验网络模型设计为18层。