欧阳宁,曾梦萍,林乐平

1.认知无线电与信息处理省部共建教育部重点实验室(桂林电子科技大学),广西 桂林 541004;2.桂林电子科技大学 信息与通信学院,广西 桂林 541004)(*通信作者电子邮箱lin_leping@163.com)

基于并列卷积神经网络的超分辨率重建

欧阳宁1,2,曾梦萍2,林乐平1,2*

1.认知无线电与信息处理省部共建教育部重点实验室(桂林电子科技大学),广西 桂林 541004;2.桂林电子科技大学 信息与通信学院,广西 桂林 541004)(*通信作者电子邮箱lin_leping@163.com)

为提取更多有效特征并提高模型训练的收敛速度,提出一种基于并列卷积神经网络的超分辨率重建方法。该网络由两路不同结构的网络组成:一路为简单的残差网络,其优化残差映射比原始的映射更容易实现;另一路为增加了非线性映射的卷积神经网络,增强了网络的非线性能力。随着并行网络结构的复杂化,收敛速度慢成为突出问题。针对这个问题,在卷积层后添加正则化处理,以简化模型参数、增强特征拟合能力,最终达到加快收敛的目的。实验结果表明,与基于深度卷积神经网络算法相比,该网络结构收敛速度更快,主观视觉效果更好,峰值信噪比(PSNR)平均提高了0.2 dB。

并列卷积神经网络;残差网络;非线性映射;正则化处理;收敛速度

0 引言

图像超分辨(Super-Resolution, SR)重建的目的是从一组或一幅低分辨率(Low-Resolution, LR)图像推测丢失的高频信息来重建高分辨率(High-Resolution, HR)图像[1]。单幅图像超分辨率(Single Image SR, SISR)重建算法可分为三大类:基于插值算法[2]、基于重建算法[3]，以及基于学习的算法[4-10]。由于基于学习的算法的重建效果更优,大多数学者的研究都是建立在这个基础上。……