摘要：【目的】针对Meansquarederror(MSE)作为损失函数在人眼感知方面存在局限性，以及基于卷积神经网络的图像超分辨率(Super-reS〇luti〇n，SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题，设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络VisualgeometrygroupCVGG)模型提取图像特征，利用该特征设计视觉感知损失函数进行训练学习，引人亚像素卷积层（Sub-pixelconvolution)替换上采样层，缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复，与其他4种超分辨率重建模型的PeaksignaltonoiseratioCPSNR)值接近，且生成图像的视觉效果更加清晰逼真，细节更加细腻。【结论】该模型可以实现输人不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型，可以实现对不同放大倍数图像的训练和预测，在保持一定PSNR正确率的前提下，放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。
分类：期刊> 自然科学与工程技术> 基础科学> 自然科学理论与方法
收录：统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > CA 化学文摘(美) > JST 日本科学技术振兴机构数据库(日) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：超分辨率 深度学习 感知损失函数 卷积神经网络
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
