《表1 基准数据集上重建结果的PSNR和SSIM统计》

  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

《基于球形矩匹配与特征判别的图像超分辨率重建》

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

为了展示本文算法的重建效果以及损失收敛情况，与基于深度学习的重建方法以及传统重建算法进行对比。其中超分辨率残差网络（Super-Resolution Residual Network，SRResNet）在SISR重建任务中具有良好的可移植性，可用于基于GAN的图像超分辨率生成器部分；SRGAN作为GAN应用于图像重建的开山之作，关注人类视觉主观评价；ESRGAN作为SRGAN的改进算法，对重建任务的理论研究以及实际应用具有突出贡献，并获得了ECCV2018 PRIM-SR比赛冠军。为保证数据公平性，SDSRGAN框架中生成器基本块数量与ESRGAN、SRGAN以及SRResNet一致。图4为SDSRGAN与ESRGAN算法在训练过程中生成器损失曲线变化；图5为PSNR结果趋势对比，测试数据集为Set5。表1为分别在Set5、Set14、BSDS100以及Urban100数据集上对Bicubic、SRResNet、SRGAN、ESRGAN、SDSRGAN几种算法进行重建的PSNR与SSIM数据统计均值；图6、7为重建图像中纹理细节丰富区域的细节对比和具体PSNR、SSIM，它们分别选取的是Set5中“baby”图片和Urban100中“img＿047”图片。除图4外，其余结果均采用图像Y通道的PSNR和SSIM。