《表3 对于基准测试集, 本文方法与其他方法的 (PSNR/d B) /SSIM对比情况》
注:加粗字体表示最优效果。
本节将本文网络结构与几种经典的图像SR方法Bicubic、A+[10]、SRCNN[11]、VDSR[15]、DRCN[16]和DRRN[17]进行比较,这些方法均需要将原始的低分辨率图像插值到目标大小,然后进行重建。另外,本文方法与VDSR、DRCN和DRRN方法也仅存在结构上的区别,它们在训练集以及优化器的选择和学习率的设置方式上均相同。考虑到参数的性能和数量,本文选择包含10个阶段特征融合单元的4路前馈网络作为最佳模型,深度与DRRN相同,共52层。对比时均使用峰值信噪比(PSNR)和结构相似性(SSIM)作为指标。为了保证公平性,与文献[10,15-17]相同,本文在评估之前裁剪图像边缘附近一定数量像素,尽管本文方法不需要进行这样的操作。在基准测试集上放大2倍、3倍和4倍时的结果如表3所示,本文方法相较于目前的经典方法在PSNR和SSIM上均有提高,其中本文算法的PSNR相比Bicubic、A+、SRCNN、VDSR、DRCN和DRRN在Set5测试集放大3倍时的结果分别提高了约3.66 d B、1.47 dB、1.3 dB、0.39 d B、0.23 dB和0.01 d B,而SSIM则分别提高了6.18、1.58、1.56、0.33、0.2和0.02个百分点。
图表编号 | XD0082904900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.16 |
作者 | 沈明玉、俞鹏飞、汪荣贵、杨娟、薛丽霞 |
绘制单位 | 合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |