原文服务方: 计算机应用研究       
摘要:
图像超分辨率重建研究存在结果客观衡量指标不断变优,但是视觉感知质量依旧平滑的问题.同时,应用生成对抗网络的超分辨率模型中的鉴别器(discriminator)设计存在一个普遍的问题,即训练不稳定问题.针对以上问题作出两点改进:提出多损失融合的方法,寻求一种在PSNR指标与感知质量之间的平衡,通过将均方误差损失、感知损失、风格损失与对抗损失进行融合的方法,在提高PSNR值的同时,改善图像视觉质量;在基于生成对抗网络的超分辨率模型的鉴别器设计中引入谱归一化(spectral normalization),以实现更稳定有效的训练.结果 显示,改进后的方法得到了更高的PSNR指标与更逼真的视觉感知质量,并进一步表明感知质量对于超分辨率重建的重要性.
推荐文章
基于自适应规整化方法的图像超分辨率重建
超分辨率重建
Gauss-Gibbs随机场
参数估计
自适应规整化
基于GEP多标记学习的图像超分辨率复原算法
超分辨率复原
基因表达式编程
支持向量机
样本学习
一种基于样本块的图像超分辨率方法研究
样本块
马尔科夫网络
先验
超分辨率
图像超分辨率复原技术的现状与展望
超分辨率
图像复原
图像融合
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于多损失融合与谱归一化的图像超分辨率方法
来源期刊 计算机应用研究 学科
关键词 多损失融合 谱归一化 图像超分辨率
年,卷(期) 2020,(8) 所属期刊栏目 图形图像技术
研究方向 页码范围 2531-2535
页数 5页 分类号 TP391
字数 语种 中文
DOI 10.19734/j.issn.1001-3695.2019.02.0095
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (3)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
多损失融合
谱归一化
图像超分辨率
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
总被引数(次)
238385
论文1v1指导