基于残差神经网络的图像超分辨率改进算法

来源：计算机应用杂志2018年第1期北京时间：

作者：王一宁, 秦品乐, 李传朋, 崔雨豪

单位：中北大学 大数据学院, 太原 030051

摘要：为更有效地提升图像的超分辨率（SR）效果，提出了一种多阶段级联残差卷积神经网络模型。首先，该模型采用了两阶段超分辨率图像重建方法先重建2倍超分辨率图像，再重建4倍超分辨率图像；其次，第一阶段与第二阶段皆使用残差层和跳层结构预测出高分辨率空间的纹理信息，由反卷积层分别重建出2倍与4倍大小的超分辨率图像；最后，以两阶段的结果分别构建多任务损失函数，利用第一阶段的损失指导第二阶段的损失，从而提高网络的训练速度，加强网络学习中的监督指导。实验结果表明，与bilinear算法、bicubic算法、基于卷积神经网络的图像超分辨率（SRCNN）算法和加速的超分辨率卷积神经网络（FSRCNN）算法相比，所提模型能更好地重建出图像的细节和纹理，避免了经过迭代之后造成的图像过度平滑，获得更高的峰值信噪比（PSNR）和平均结构相似度（MSSIM）。

关键词：超分辨率,深度学习,残差块,跳层,反卷积,多任务损失

基金资助：山西省自然科学基金资助项目（2015011045）。