多监督损失函数光滑化图像超分辨率重建
2022-10-21孟志青张晶邱健数
孟志青,张晶,邱健数
浙江工业大学管理学院,杭州 310023
0 引 言
在图像识别应用中,高分辨率对于正确的决策有着重要作用。例如,清晰的癌症图像有利于医生正确判定病症程度。单幅图像超分辨率(single image super-resolutions,SISR)是指利用一幅低分辨率(low-resolution,LR)图像恢复出对应高分辨率(high-resolution,HR)图像的过程。SISR技术在无严格硬件设备限制的条件下能够有效提升图像分辨率,在许多领域得到广泛应用。例如,卫星和航空成像(Ma等,2019)、医学图像处理(Tang等,2022)、超声成像(Christensen-Jeffries等,2020)和面部图像改进(Dogan等,2019)等。超分辨率技术可以对车牌检测(Xie等,2018)和车牌识别(Laroca等,2018)进行预处理,通过对车牌图像超分辨率预处理,可以提高车牌识别的准确率。目前尽管已经有一些超分辨率算法研究,但是已有的算法在提高分辨率程度上仍然存在许多问题。
神经网络在单幅图像超分辨率领域展示出巨大优越性。根据网络隐藏层数量可以分为浅层神经网络与深度神经网络。研究发现,通过增加网络深度可以提高图像重建效果,但是无法解决图像重建的不适定问题,而基于双向非线性映射的网络可以尽可能地使函数的映射空间精确。浅层神经网络方法已广泛用于图像超分辨率领域。Dong等人(2016a)首次将卷积神经网络(convolutional neural network,CNN)引入图像超分辨率领域,提出超分辨率卷积神经网络(super-resolution convolutional neural network,SRCNN),由于输入的LR图像需要经过双三次插值预处理,导致计算复杂度增加,且丢失了原图像中的高频信息,重建后的图像缺少高频信息和纹理细节。Shi等人(2016)提出一种高效……
