论文部分内容阅读
近年来,卷积稀疏编码(Convolutional Sparse Coding,CSC)由于可以充分利用图像的全局相关性来提升各种计算机视觉应用的性能,受到研究人员越来越多的关注。然而,很少有研究关注于解决基于卷积稀疏编码的图像超分辨率(Super Resolution,SR)问题,因此在很长一段时间该领域没有重大进展。本文利用卷积稀疏编码和卷积神经网络(Convolutional Neural Network,CNN)之间的自然联系来解决基于卷积稀疏编码的图像超分辨率问题。具体来说,本文首先推导出卷积迭代软阈值算法(Convolutional Iterative Soft Threshold Algorithm,CISTA)用于对卷积稀疏编码问题的高效求解,该算法可以使用卷积神经网络实现。之后提出了一个全新的基于卷积稀疏编码的超分辨率框架,本文框架的核心思想认为低分辨率的图像特征和高分辨率的图像特征共享相同的卷积稀疏编码。在本文框架的基础上,本文提出了两个超分辨率模型,根据输入图像的大小,将它们分别归类为预上采样模型CRNet-A(CSC and Residual Learning based Network,CRNet)与后上采样模型CRNet-B,前者将经过双三次插值(Bicubic)算法处理后的图像作为输入,而后者直接对低分辨率图像进行处理。由于这两个模型的主要组件均为CISTA模块,并且在该模块的实现中采用了递归学习,因此本文还对比了它们与基于递归学习的超分辨率算法的差异。此外,本文采用了残差学习有效避免了模型训练过程中容易出现的梯度消失、爆炸等问题。本文最后通过大量的实验结果来对提出的算法的有效性进行验证。与先前的基于卷积稀疏编码的超分辨率算法的比较中,本文算法在峰值信噪比上显著超越了前者,证明了本文算法在卷积稀疏编码学习上的高效。此外和目前国际上先进的基于深度学习的图像超分辨率算法进行对比,在峰值信噪比和结构相似性等指标上均有明显的提升,验证了本文提出的算法和框架的优越性。