基于范例的高性能图像超分辨率

论文摘要

超分辨率图像重建是计算机视觉领域的一个典型逆问题,在现实世界中有着广泛的应用。随着数字图像与视频的日益流行,超分辨率获得了越来越多研究者的关注。特别地,在很多场合需要提高单帧图像的分辨率,此时无法应用传统的多帧超分辨率技术。单帧超分辨率是一个病态程度很高的逆问题,这一问题的解决需要有效的图像先验信息作为补充。近来,基于范例的超分辨率利用两个不同分辨率下同时出现的图像块的对应关系,在图像重建质量上带来了突破性的性能提升。然而,从低分辨率到高分辨率的范例匹配准确性仍然受到很大限制。本文提出了三种提高超分辨率中范例使用有效性的方法。第一,通过预滤波插值与稀疏先验去模糊相结合的特征增强,减小了高、低分辨率特征空间的内在维度差,从而提高了特征匹配的准确性;第二,利用软信息和软判决发掘从低分辨率到高分辨率一对多的映射关系,通过在Tanner图上传递明确的参数分布,提高了范例训练与范例学习的灵活性和可靠性;第三,针对广泛存在于网络环境下的压缩图像与视频,结合自适应正则化与范例匹配,设计了一种具有鲁棒性的超分辨率方案,在提高分辨率的同时能够提高重建图像与视频的视觉质量。本文在不同内容的测试图像(视频)上,给出了充分的实验结果验证上述三种方法的性能。与已有的各种超分辨率方法对比可知,本文提出的方法同时提高了重建图像的客观与主观质量。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 超分辨率概述
• 1.2 多帧超分辨率
• 1.2.1 观测模型
• 1.2.2 非均匀插值法
• 1.2.3 频域法
• 1.2.4 正则化重建法
• 1.3 单帧超分辨率
• 1.3.1 基于插值的方法
• 1.3.2 基于重现的方法
• 1.3.3 基于正则化的方法
• 1.3.4 基于范例的方法
• 1.4 本文结构
• 第二章 基于范例的超分辨率
• 2.1 引言
• 2.1.1 关于模型和范例的哲学思辨
• 2.1.2 计算机视觉：从模型到范例
• 2.1.3 范例的使用方法
• 2.2 底层视觉学习
• 2.2.1 核心思想
• 2.2.2 训练
• 2.2.3 学习
• 2.2.4 马尔可夫网络
• 2.2.5 置信传播算法
• 2.3 改进学习的方法
• 2.3.1 图像基元
• 2.3.2 邻域嵌入
• 2.3.3 稀疏表示
• 2.3.4 核岭回归
• 2.4 本文的主要工作及贡献
• 第三章 利用特征增强的超分辨率
• 3.1 引言
• 3.2 特征增强
• 3.2.1 下采样中的能量损失
• 3.2.2 稀疏先验去模糊
• 3.2.3 积分预滤波插值
• 3.2.4 特征信息转移
• 3.3 超分辨率实现
• 3.3.1 方案框架
• 3.3.2 特征匹配
• 3.4 实验结果
• 3.4.1 主观质量评测
• 3.4.2 客观质量评测
• 3.4.3 算法复杂度
• 第四章 利用软信息和软判决的超分辨率
• 4.1 引言
• 4.2 软信息
• 4.2.1 三元组数据库构造
• 4.2.2 基元图像块的分布
• 4.3 软判决
• 4.3.1 超分辨率中的Tanner 图
• 4.3.2 初始化
• 4.3.3 检验节点到变量节点的消息传递
• 4.3.4 变量节点到检验节点的消息传递
• 4.4 实验结果
• 4.4.1 客观质量评测
• 4.4.2 主观质量评测
• 4.4.3 算法收敛性
• 第五章 具有鲁棒性的网络图像与视频超分辨率
• 5.1 引言
• 5.2 压缩图像超分辨率
• 5.2.1 问题描述
• 5.2.2 范例学习的局限性
• 5.2.3 PDE 正则化
• 5.3 自适应正则化
• 5.3.1 正则化中的能量变化
• 5.3.2 范例匹配的准确性
• 5.3.3 训练数据库回访
• 5.3.4 算法思想讨论
• 5.4 压缩视频超分辨率
• 5.4.1 方案框架
• 5.4.2 正则化的帧间相互作用
• 5.4.3 时域-空域一致性优化
• 5.5 实验结果
• 5.5.1 压缩图像超分辨率结果
• 5.5.2 压缩视频超分辨率结果
• 5.5.3 方案适用性
• 5.5.4 算法复杂度
• 第六章 结论
• 6.1 本文工作总结
• 6.2 未来工作展望
• 参考文献
• 致谢
• 在读期间发表的学术论文与取得的其它研究成果