浙江大学 光电工程与信息学院 现代光学仪器国家重点实验室, 杭州 310027
针对现有软件实现超分辨算法通常过于复杂、运算开销大、模型复杂度高的问题, 本文从成像过程中图像退化的物理原理出发, 提出一套基于小递归卷积神经网络的单帧图像超分辨模型.将物理模型的约束融入到模型中, 与现有的基于统计学习的图像超分辨算法相比, 本文提出的模型的模型复杂度和计算量几乎可以忽略不计, 同时内部的参数也有着更加明确的物理意义, 并且引入了外部数据辅助对相应的模型参数进行学习.使用运行速度、峰值信噪比的数值方法对结果进行评价, 结果表明: 本文提出的算法消耗时间只有传统反向投影算法的75%, 而精度比反向投影算法提高了0.2 dB, 比双线性插值提高了1.2 dB.本文提出的算法可以取得比迭代反投影算法更快、重建精度更高的超分辨重建效果.
超分辨成像 卷积神经网络 递归神经网络 图像恢复 底层视觉 Super-resolution Convolutional neural network Recurrent neural network Image restoration Low-level vision