基于深度学习(DL)的图像复原(IR)论文总结
来源:互联网 发布:网络小说封面制作软件 编辑:程序博客网 时间:2024/05/29 06:59
SR方法主要可以分为四种模型:基于边缘,基于图像统计,基于样本(基于补丁)的方法。本文的SRCNN网络结构非常简单,仅仅只有三层网络就是实现了SR。
网络结构:
基准(Ground Truth)高分辨率图像:X
网络输入:低分辨率图像(Low-resolution image)
注意:本文中的低分辨率图像实际上指的是经双三次插值后(上采样)得到的预处理后的图像Y
主要分为三个步骤:
Step1 图像块的提取和特征表示,利用卷积网络的性质提取图像块的特征。公式:
Step2 非线性映射。将第一步的n1维特征映射到n2维。公式:
每一个输出的向量相当于将用于图像复原的一个高分辨率的图像块。
Step3 重构。再做一次卷积进行重构,类似于传统方法的平均处理。公式:
与稀疏编码的关系:
训练策略:
1. 采用残差的方式进行训练,避免训练过长的时间
2. 使用大的学习率进行训练
3. 自适应梯度裁剪,将梯度限制在某一个范围。本文采用自适应梯度方法,将梯度限制在 ,其中是学习率。4. 多尺度,多种尺度样本一起训练可以提高大尺度的准确率。
对于边界问题,由于卷积的操作导致图像变小的问题,本文作者提出一个新的策略,就是每次卷积后,图像的size变小,但是,在下一次卷积前,对图像进行补0操作,恢复到原来大小,这样不仅解决了网络深度的问题,同时,实验证明对边界像素的预测结果也得到了提升。
Iter CNN
题目:Learning Fully Convolutional Networks for Iterative Non-blind Deconvolution (arXiv,Nov 2016 )
利用半正定分割法,上式可变为:
其中,第一个式子相当于图像去噪,如果可以求解出zl,则x可以按下式求解:
网络结构:
输入:模糊图像+相应模糊核
输出:清晰的图像
分为两部分:
Part1 FCNN 去噪
Part2 解卷积
IRCNN
从贝叶斯角度来看,上式的解可以通过求解一个MAP问题得到:
上式又可写为:
通常,有2种方法来求解上式。
法1 基于模型的优化方法
优:可灵活处理多种逆问题
缺:耗时
法2 判别式学习方法
优:速度快
缺:通常被限制只能求解特殊问题(因为参数的学习需要特定的训练数据)
目标函数为:
- 基于深度学习(DL)的图像复原(IR)论文总结
- 基于深度学习的图像去噪(论文总结)
- 论文总结(二)—图像复原
- 图像复原(学习总结)
- 论文总结(一)—基于深度学习的普通遥感图像质量改进
- 深度学习之CNN的图像复原方法
- 深度学习(DL)平台的HPC
- 基于DL的计算机视觉(11)-- 基于DL的快速图像检索系统
- 【DL--08】深度学习 用于处理图像的CNN
- 深度学习入门论文(图像识别领域)
- 深度学习(二十八)基于多尺度深度网络的单幅图像深度估计
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-03-基于Python的LeNet之LR(转)
- 基于DL的图像分割
- 深度学习(Deep Learning, DL)的相关资料总结
- 深度学习(Deep Learning,DL)的相关资料总结
- 深度学习(Deep Learning,DL)的相关资料总结
- 深度学习(Deep Learning,DL)的相关资料总结
- 基于深度学习的人脸表情识别(天津大学硕士学位论文)
- modelsim中显示正弦波
- NYOJ1078 汉诺塔(四)
- TensorFlow
- 汇编语言
- Spring,Spring MVC,MyBatis,Hibernate总结
- 基于深度学习(DL)的图像复原(IR)论文总结
- Hadoop常用端口号
- Qt项目在Qt Creator和Visual Studio之间切换
- 160
- React Native 简单的组件
- python中filter与get的主要区别
- android与JS交互,互相调用方法,跳转到网页
- unity 获取角度值
- 11.2.0.3.0 打PSU补丁--自动方式(p14727347_112030_AIX64-5L.zip )