针对朱金木雕图像纹理丰富难以用简单超分辨率方法修复的问题,提出了一种改进的生成对抗网络方法。依据深度残差模型、子像素卷积模型及截断的预训练视觉几何组19(Visual Geometry Group 19,VGG 19)模型,把输入的低分辨率图像转化为高...针对朱金木雕图像纹理丰富难以用简单超分辨率方法修复的问题,提出了一种改进的生成对抗网络方法。依据深度残差模型、子像素卷积模型及截断的预训练视觉几何组19(Visual Geometry Group 19,VGG 19)模型,把输入的低分辨率图像转化为高分辨率图像,并利用原始图像的特征图计算内容损失;应用判别网络判别图像的真实性并计算对抗损失,不断反馈这两种损失来更新模型;通过迁移学习将预训练得到的参数迁移到朱金木雕数据集上,经过少量训练后得到新模型。实验结果表明:使用改进的生成对抗网络得到的峰值信噪比(FPSNR)与结构相似性(FSSIM)指标均值分别为22.5469和0.6759,使用其他方法得到FPSNR与FSSIM指标的均值分别为9.8355和0.1004。使用改进的生成对抗网络获得图片纹理更丰富,在指标和图像效果上更优。展开更多
文摘针对朱金木雕图像纹理丰富难以用简单超分辨率方法修复的问题,提出了一种改进的生成对抗网络方法。依据深度残差模型、子像素卷积模型及截断的预训练视觉几何组19(Visual Geometry Group 19,VGG 19)模型,把输入的低分辨率图像转化为高分辨率图像,并利用原始图像的特征图计算内容损失;应用判别网络判别图像的真实性并计算对抗损失,不断反馈这两种损失来更新模型;通过迁移学习将预训练得到的参数迁移到朱金木雕数据集上,经过少量训练后得到新模型。实验结果表明:使用改进的生成对抗网络得到的峰值信噪比(FPSNR)与结构相似性(FSSIM)指标均值分别为22.5469和0.6759,使用其他方法得到FPSNR与FSSIM指标的均值分别为9.8355和0.1004。使用改进的生成对抗网络获得图片纹理更丰富,在指标和图像效果上更优。