《表3 各SISR算法的×2模型在不同数据集上的性能》
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
《基于深度渐进式反投影注意力网络的图像超分辨率重建》
本节将本文方法与部分主流的深度学习算法在不同的数据集上分别上采样不同的倍数取得的实验结果进行对比分析。实验所采用的数据集分别是Set5[22]、Set14[23]、BSDS100[24]以及Urban100[25],其中每个数据集有不同的形态特征,Set5、Set14和BSDS100包含有多个自然场景,Urban100包含具有不同频段细节的城市场景。本文对比的主流深度学习算法包括SRCNN[1]、VDSR[2]、LapSRN[5]、EDSR[6]、D-DBPN[8]、RCAN[9]、MemNet[20]、FSRCNN[21]、SCN(Sparse Coding based Network)[26]、SRMDNF(learning a single convolutional SuperResolution Network For Multiple Degradations)[27]和RDN(Residual Dense Network for image super-resolution)[28]并且分别计算这些主流算法上采样2倍、4倍和8倍时的PSNR和SSIM值并对比分析。为了保证实验的公平性,对以上算法使用了相同的训练集,并且比较在各测试集上的平均结果。缩放因子为2、4和8时的实验结果如表3~5所示。
图表编号 | XD00163206600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.10 |
作者 | 胡高鹏、陈子鎏、王晓明、张开放 |
绘制单位 | 西华大学计算机与软件工程学院、西华大学计算机与软件工程学院、西华大学计算机与软件工程学院、西华大学机器人研究中心、西华大学计算机与软件工程学院 |
更多格式 | 高清、无水印(增值服务) |