《表2 基准测试集下的IFC指标对比》
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。
图表编号 | XD0047565200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.16 |
作者 | 佟骏超、费加罗、陈靖森、李恒、丁丹丹 |
绘制单位 | 杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |