《表5 在Set14上的实验结果对比》
注:加粗字体表示最优性能。
为进一步验证本文模型相对其他算法对重建性能的提升,将Set5、Set14数据集中的19幅图像进行缩放因子为2的重建,分别计算单幅图像通过每个模型重建后的PSNR和SSIM,其计算结果如表4和表5所示。可见在Set5数据集上,MCSR的PSNR相对三次插值Bicubic、A+、SRCNN、VDSR、LapSRN、EDSR_baseline和NOC等方法平均分别提升4.36 dB、1.50 dB、1.37 dB、0.47 dB、0.51 dB、0.35 dB和0.03 dB,SSIM平均分别提升0.03、0.005、0.006、0.001、0.002、0.002,和NOC方法相当。在Set14数据集上,MCSR的PSNR相对三次插值Bicubic、A+、SRCNN、VDSR、LapSRN、EDSR_baseline和NOC等方法平均分别提升3.35 dB、1.16 dB、1.13 dB、0.56 dB、0.59 dB、0.30 dB和0.04 dB,SSIM平均分别提升0.048、0.017、0.010、0.004、0.005、0.003,与NOC方法相当。
图表编号 | XD00216444600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.16 |
作者 | 程德强、郭昕、陈亮亮、寇旗旗、赵凯、高蕊 |
绘制单位 | 中国矿业大学信息与控制工程学院、中国矿业大学信息与控制工程学院、中国矿业大学信息与控制工程学院、中国矿业大学计算机科学与技术学院、中国矿业大学信息与控制工程学院、中国矿业大学信息与控制工程学院 |
更多格式 | 高清、无水印(增值服务) |