《表1 PSNR在标准数据集上的对比》

  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

《基于特定深度内部学习网络提高“不理想”图像分辨率》

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

在“理想”LR图像的SR基准测试中进行测试。在这些基准测试中，LR图像使用MATLAB的imresize命令（带抗锯齿的双三次内核下采样）从HR版本中理想地缩小，实验结果如图3与表1、表2所示。经过实验对比，本文的方法优于已有的基于卷积神经网络的方法，PSNR平均提高了0.7～1 dB，SSIM平均提高了0.003～0.005，与差值方法相比较，PSNR平均提高了3.1～3.5 dB，SSIM平均提高了0.063～0.065，在与最新方法的对比之中，虽然大部分情况之下效果略差一些，平均低了0.2～0.4 d B，SSIM平均低了0.001～0.002，但是在一些特殊情况之下（如未知模糊核），可以超过这些方法。正如预期的那样，本文方法主要针对于信息的高度重现，特别是在分辨率极低的区域，如建筑物顶部的小窗口，在这些情况之下可以获得较好的结果，但在标准的训练集之下效果比起主流的EDSR等方法还是有一定的差距。而现有的方法虽然直观上很大程度地提高了分辨率，但是因为多数使用L2范数，仔细观察之下会发现画面过于平滑，丢失了一些细节。这表明通过在单一计算框架中结合内部学习和外部学习的力量，有进一步改善SR的可能性。