《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》

  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

《多阶段融合网络的图像超分辨率重建》

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。