《表3 实验环境配置:用于图像超分辨率重构的深度学习方法综述》
具体的实验环境配置如表3所示.实验对传统的重构方法和几种主要的深度学习框架在Set5数据集上的重构结果进行了可视化,如图7所示.其中可以见得.传统的基于稀疏编码的重构方法相比于基于深度学习的模型重构效果较差,包含三层卷积层的SRCNN网络的重构效果较传统方法有所提高,但是重构图像质量整体效果一般.随着网络层数的加深,基于递归残差学习的DRRN和基于密集连接的SR-DenseNet重构效果都明显优于SRCNN,但是重构效果都过于平滑,重构图像中丢失了很多高频信息.SRGAN通过生成式对抗网络模型和对损失函数的改进,使得其重构效果更加接近真实原图.在几种方法中,SRGAN重构图像更加符合人眼视觉感受,重构效果最好,其次是DRRN和SRDenseNet,这表明:1) 随着网络层数的增加和分层特征信息的融合可以重构网络提供更大的感受野和特征信息,有助于重构效果的提升;2) 基于生成式对抗网络的模型和损失函数的改进使网络能学习到更加丰富的高频信息,从而使得重构图像更加接近真实图像.
图表编号 | XD0096851300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.01 |
作者 | 王威、张彤、王新 |
绘制单位 | 长沙理工大学计算机与通信工程学院、长沙理工大学计算机与通信工程学院、长沙理工大学计算机与通信工程学院 |
更多格式 | 高清、无水印(增值服务) |