《表2 基准测试集下的IFC指标对比》

  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

《递归式多阶特征融合图像超分辨率算法》

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

注:加粗字体表示最优性能。

表1对所提出的MFRN网络与双三次插值Bicubic、SRCNN、VDSR、DRCN、LapSRN、DRRN等方法的峰值信噪比（PSNR）和结构相似性（SSIM）性能进行了对比。显然，在所有数据集的不同缩放因子下，MFRN模型的PSNR与SSIM两个指标几乎都优于其他网络模型。尤其是在细节非常丰富的Urban100基准测试集上，MFRN极大地提升了重建图像的质量，针对分辨率放大2倍、3倍、4倍的情况，相较于基础递归网络结构DRRN，分别获得0.08 d B、0.04 dB、0.03 dB的增益。值得注意的是，表1给出的LapSRN网络针对不同放大倍数分别训练了不同的模型，在此前提下，LapSRN在Set14上的平均性能比所提出的网络模型高0.02 d B。此外，本文还使用了信息保真度准则（IFC）[20]指标对图像质量进行了评价，IFC被誉为与主观评价打分结果最相似的评价标准[21]。如表2所示，计算了所提出的MFRN的IFC指标，并引用了PsyCo[22]和LapSRN[11]所给出的关于其他网络的实验结果。通过对比发现，在大部分放大倍数与数据集上，MFRN的IFC性能有明显提升。同样，在针对不同放大倍数单独训练模型的前提下，仅在前3个数据集放大2倍的这种情况中，LapSRN的性能稍高于MFRN。