A super-network equilibrium optimization method for operation architecture with fuzzy demands

From the view of information flow, a super-network equilibrium optimization model is proposed to compute the solution of the operation architecture which is made up of a perceptive level, a command level and a firepower level. Firstly, the optimized conditions of the perceptive level, command level and firepower level are analyzed respectively based on the demand of information relation,and then the information supply-and-demand equilibrium model of the operation architecture super-network is established. Secondly,a variational inequality transformation(VIT) model for equilibrium optimization of the operation architecture is given. Thirdly, the contraction projection algorithm for solving the operation architecture super-network equilibrium optimization model with fuzzy demands is designed. Finally, numerical examples are given to prove the validity and rationality of the proposed method, and the influence of fuzzy demands on the super-network equilibrium solution of operation architecture is discussed.

多尺度残差密集注意力网络图像超分辨率重建

目的使用单一尺度卷积网络提取低分辨率(low-resolution,LR)图像特征会造成大量图像高频特征丢失,为了获取更多高频特征,重建更清晰的超分辨率图像,方法提出一种基于多尺度残差密集注意力网络(multi-scale residual dense attention network)的单幅图像超分辨率重建算法。首先,使用卷积网络从低分辨率图像中提取浅层特征并将其作为后续网络各级输入;其次,采用各级多尺度残差密集注意力块(multi-scale residual dense attention block)处理前级网络图像特征并从中提取图像高频特征,多尺度残差密集网络善于提取更丰富的图像特征,并融入注意力机制,增强网络对高频区域特征的关注;然后,将网络各级提取不同深度的图像特征进行全局特征融合;最后,融合后的特征经上采样输出重建的超分辨率图像。结果放大因子为4时,网络在SET5,SET14,BSDS100,URBAN100和MANGA109数据集上测试,峰值信噪比分别为31.97,28.58,27.57,25.85,29.79 dB;网络中基本模块分别由多尺度残差密集注意力块、残差块和密集块替换提取特征,以峰值信噪比作为模块性能评估标准,多尺度残差密集注意力块表现更优异。结论该网络结合多尺度残差密集网络能够获取更丰富图像高低频信息,融入注意力机制有效对网络中高频信息进行提取,能重建纹理更清晰的超分辨率图像。

“双碳”目标下黄河流域绿色技术创新效率评价及影响因素

基于“双碳”目标视角,采用超效率动态网络SBM模型测算黄河流域82市(盟)2011—2021年绿色技术创新的综合效率、科技研发效率及成果转化效率,并利用面板Tobit回归模型检验外部环境因素对三种效率的影响。结果表明:将CO_(2)排放量纳入指标体系后,中下游地区绿色技术创新综合效率得以提升,上游地区效率反而下降;黄河流域绿色技术创新综合效率呈波动上升趋势,科技研发效率起引擎作用;黄河流域绿色技术创新综合效率区域差异明显,成果转化效率差异是综合效率差异的主要来源;经济发展水平、产业结构高级化、人力资本禀赋、对外开放水平、政府支持力度和环境规制强度对三种效率的影响具有区域异质性。建议黄河流域提高绿色技术创新能力,完善创新成果转化平台,推动能源和产业结构升级。

二阶逐层特征融合网络的图像超分辨重建

针对一些超分辨网络忽略了对网络各层次特征的复用以及融合的问题,构建了具有较强特征复用和融合能力的二阶逐层特征融合超分辨网络,以获得具有高分辨率、高保真度的重建图像。网络的核心是逐层特征融合模块,该模块通过特征融合操作增强特征的重用。此外,还提出了二阶特征融合机制,该机制在网络的局部和全局层次上采用逐层特征融合方法进行特征融合。实验结果表明该网络的重建图像在线条和轮廓上更清晰,并且在峰值信噪比和结构相似度上也取得了更好的结果。例如当缩放尺度因子为2时,各测试集上的峰值信噪比/结构相似度依次为38.20 dB/0.9612、33.81 dB/0.9195、32.28 dB/0.9010、32.65 dB/0.9324、39.11 dB/0.9779,相比其他模型有一定提升,从客观标准和主观角度证明了二阶逐层特征融合超分辨网络具有一定的优越性。

结合坐标注意力与生成式对抗网络的图像超分辨率重建

针对现有生成式对抗网络GAN的图像超分辨率重建模型中存在着特征信息利用不充分、VGG式判别器对局部细节的判断能力较弱以及训练不稳定的问题,提出了一种结合坐标注意力与生成式对抗网络的图像超分辨率重建模型。首先,以嵌有坐标注意力的残差块构建生成器,沿通道和空间2个维度聚合特征,更充分地提取特征。然后,调整Dropout加入网络的方式使其作用于生成器中,提高模型的泛化能力。接着,以U-Net结构构造判别器,输出详细的逐像素反馈,以获取真假图像间的局部差异。最后,在判别器中引入谱归一化正则化,稳定GAN的训练。实验结果表明,当放大因子为4时,在基准测试集Set5和Set14上取得的峰值信噪比平均提高了1.75 dB,结构相似性平均提高了0.038,能够重建出更加清晰且真实的图像,重建图像具有良好的视觉效果。

基于渐进式GAN逆映射的人脸超分辨率重建

为了缓解生成对抗网络(generative adversarial network,GAN)自身存在的训练不稳定问题,增强图像超分辨率重建的效果,提出一种基于GAN逆映射的图像超分辨率重建算法。通过渐进式网络增加模型的稳定性,通过逆映射金字塔充分学习低分辨人脸图像的语义特征,实现准确的隐空间转换,通过半空间特征调制进行图像增强。对所提算法进行实验验证,该算法在Celeb A数据集上重建8倍后的图像峰值信噪比为27.18 dB,相比超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN),提高了2.44 dB,模型的收敛速度也更快。实验结果表明,通过GAN逆映射和渐进的方式进行图像超分辨率重建具有较好的效果和更高的稳定性。

基于拆分注意力网络的单图像超分辨率重建

针对现有生成对抗网络的单图像超分辨率重建在大尺度因子下存在训练不稳定、特征提取不足和重建结果纹理细节严重缺失的问题,提出一种拆分注意力网络的单图超分辨率重建方法。首先,以拆分注意力残差模块作为基本残差块构造生成器,提高生成器特征提取的能力。其次,在损失函数中引入鲁棒性更好的Charbonnier损失函数和Focal Frequency Loss损失函数代替均方差损失函数,同时加入正则化损失平滑训练结果,防止图像过于像素化。最后,在生成器和判别器中采用谱归一化处理,提高网络的稳定性。在4倍放大因子下,与其他方法在Set5、Set14、BSDS100、Urban100测试集上进行测试比较,本文方法的峰值信噪比比其他对比方法的平均值提升1.419 dB,结构相似性比其他对比方法的平均值提升0.051。实验数据和效果图表明,该方法主观上具有丰富的细节和更好的视觉效果,客观上具有较高的峰值信噪比值和结构相似度值。

复杂退化模型下图像超分辨率算法综述

图像的超分辨率(super-resolution,SR)一直以来是计算机视觉(computer vision,CV)领域的一项热门的研究方向,它旨在从单张或多张低分辨率图像中通过一系列的图像处理和深度学习技术,重建带有丰富边缘纹理等细节特征的高分辨率图像。自从深度卷积神经网络应用于图像超分辨率算法后,其性能相较于传统的基于重构和基于样例的SR算法有了非常大的提升。然而,目前的SR算法在实际场景应用、算法性能、模型质量评估标准等方面仍然需要改良和优化。因此,为推进图像超分辨率技术的发展,总结并分析了基于深度学习的SR算法。首先,将目前主流的SR算法分为基于卷积神经网络、基于生成对抗网络、基于Transformer这三类;其次,详细评述了每一类算法的网络结构、算法优缺点、算法特色及适用场景等;然后,对常见的超分辨率数据集及各种评价指标进行阐述,重点比较了不同SR算法在各类数据集上的性能;最后,总结了图像超分辨率目前研究所面临的问题并探讨了图像超分辨率的未来研究方向。

面向超分辨率重建的层次间局部特征增强网络

基于卷积神经网络的超分辨率重建模型以单项传播为主,层次越靠后感知信息的能力越微弱,导致层次间局部特征部分丢失,难以实质提升网络的特征表达能力。针对此问题,提出层次间局部特征增强网络。该方法由级联残差模块、层次间特征增强块和特征感知注意力机制组成。级联残差模块通过有效残差连接增加对残差分支信息的利用;层次间特征增强块提取不同深度特征的依赖关系,自适应调整中间层特征权值增强捕获关键信息的能力;特征感知注意力机制采用方向感知和位置判断的方式准确定位和识别感兴趣对象。多项标准数据集的实验结果表明,该方法能改善超分辨率的视觉重建效果,整体性能优于现有方法。

金字塔方差池化网络的图像超分辨率重建

为减少高频信息丢失对图像重建造成的影响,进一步增强对特征信息的挖掘,以金字塔方差池化模块为核心构建了一个生成网络。首先,该网络利用不同级别的方差池化挖掘低分辨率图像蕴含的特征信息,并结合金字塔结构获取不同尺度与不同子区域的上下文信息,从而进一步丰富特征信息量;然后,利用密集连接结构增强特征信息之间的关联性,以提高网络的表达能力;最后,引入组归一化操作来加强网络的收敛性。实验结果表明,该模型与其他方法在Set5、Set14、DIV2K100公开测试集上进行比较,在放大倍数因子为4时,峰值信噪比平均提高了0.509 dB,结构相似性平均提高了0.016。所提模型不仅在峰值信噪比和结构相似性上有一定的提高,其重建图像在视觉效果上也拥有更多的真实细节。

多耦合反馈网络的图像融合和超分辨率方法

人们在日常生活中往往需要得到高动态范围和高分辨率的图像。但由于技术设备的限制,高动态范围的图像往往通过低动态范围图像的多曝光融合(MEF)而获得,高分辨率图像往往通过低分辨率图像的超分辨率(SR)而获得。MEF和SR通常被作为两个独立的内容进行研究。为了解决当前模型不能同时实现高动态范围和高分辨率的问题,通过对现有方法进行研究,提出了一种基于多耦合反馈网络MCF-Net及其方法。模型包括:N个子网和输出模块;在方法中,将N张下采样图片I_(lr)^(i),I_(lr)^(m),I_(lr)^(-i)分别输入至N个子网,提取的低分辨率特征F_(lr)^(i),F_(lr)^(m),F_(lr)^(-i);根据低分辨率特征F_(lr)^(i),F_(lr)^(m),F_(lr)^(-i)提取对应图像的超分辨率特征G_(0)^(i),G_(0)^(m),G_(0)^(-i);得到融合高分辨率特征G_(t)^(i),G_(t)^(m),G_(t)^(-i)并输入至下个MCFB中,直至第T个MCFB得到融合高分辨率特征G_(T)^(i),G_(T)^(m),G_(T)^(-i);获取对应的融合超分辨率图像I_(t)^(i),I_(t)^(m),I_(t)^(-i);融合N个子网中第T个重建模块REC输出的I_(T)^(i),I_(T)^(m),I_(T)^(-i)得到高动态范围、超分辨率图像I_(out)。在SICE数据集上实验并验证了性能,与现有的33种方法进行对比,结果显示以下各评价指标都有明显的提高,其中结构相似性(SSIM)达到0.833 2,峰值信噪比(PSNR)达到22.07 dB,多曝光融合相似性(MEF-SSIM)达到0.937 8。

基于像素对比学习的图像超分辨率算法

目前,深度卷积神经网络(Convolutional neural network,CNN)已主导了单图像超分辨率(Single image superresolution,SISR)技术的研究,并取得了很大进展.但是,SISR仍是一个开放性问题,重建的超分辨率(Super-resolution,SR)图像往往会出现模糊、纹理细节丢失和失真等问题.提出一个新的逐像素对比损失,在一个局部区域中,使SR图像的像素尽可能靠近对应的原高分辨率(High-resolution,HR)图像的像素,并远离局部区域中的其他像素,可改进SR图像的保真度和视觉质量.提出一个组合对比损失的渐进残差特征融合网络(Progressive residual feature fusion network,PRFFN).主要贡献有:1)提出一个通用的基于对比学习的逐像素损失函数,能够改进SR图像的保真度和视觉质量;2)提出一个轻量的多尺度残差通道注意力块(Multi-scale residual channel attention block,MRCAB),可以更好地提取和利用多尺度特征信息;3)提出一个空间注意力融合块(Spatial attention fuse block,SAFB),可以更好地利用邻近空间特征的相关性.实验结果表明,PRFFN显著优于其他代表性方法.

基于对比学习的深度残差网络图像超分辨率方法

传统的基于对比学习的图像超分辨率方法,一般将原始图像作为正样本,将退化图像或其他类图像作为负样本,存在对纹理细节恢复差的问题。本文提出基于对比学习的深度残差网络图像超分辨率(depth residual image super-resolution based on contrast learning,CEDSR)方法,针对残差超分辨率模型,采用对高分辨率图像锐化后的图像作为正样本,对高分辨率图像轻微模糊的图像作为负样本,利用正负样本下的对比损失提升对纹理细节的恢复增强。增强锐化后的正样本图像携带更丰富的纹理信息,基于不同函数生成的模糊负样本图像刻画了纹理模糊特征,正负样本构建的对比损失有利于图像超分辨率图像对纹理细节的恢复。本文模型在4个标准数据集DIV2K、Set14、BSDS100和Urban100上与经典算法进行实验对比,定性和定量实验结果均表明本文模型可以获得效果更好的超分辨率图像。

考虑非期望产出的我国物流业效率空间关联网络结构分析

深入研究非期望产出的我国物流业效率的空间关联网络对于推进物流业的低碳转型,促进物流产业区域协同发展具有重要的现实意义。基于2011—2020年我国内陆30个省份的数据,利用超效率SBM模型测算考虑非期望产出的物流业效率,借助修正的引力模型和社会网络分析方法对效率空间关联网络特征及其影响因素进行了分析。结果表明:考虑非期望产出的物流业效率空间关联效应已经突破了地理邻近范围,其空间关联网络结构较为稳定但松散。研究期内,空间关联网络中各地区物流产业辐射关联能力及中介作用表现情况不同。地理位置、经济发展水平差异、科技水平差异和政府支持力度差异对考虑非期望产出的物流业效率空间关联网络结构的形成有显著影响。

基于多频特征和纹理增强的轻量化图像超分辨率重建

现有基于卷积神经网络主要关注图像重构的精度,忽略了过度参数化、特征提取不充分以及计算资源浪费等问题。针对上述问题,提出了一种轻量级多频率特征提取网络(MFEN),设计了轻量化晶格信息交互结构,利用通道分割和多模式卷积组合减少参数量;通过分离图像的低频、中频以及高频率信息后进行特征异构提取,提高网络的表达能力和特征区分性,使其更注重纹理细节特征的复原,并合理分配计算资源。此外,在网络内部融合局部二值模式(LBP)算法用于增强网络对纹理感知的敏感度,旨在进一步提高网络对细节的提取能力。经验证,该方法在复杂度和性能之间取得了良好的权衡,即实现轻量有效提取图像特征的同时重建出高分辨率图像。在Set5数据集上的2倍放大实验结果最终表明,相比较于基于卷积神经网络的图像超分辨率经典算法(SRCNN)和较新算法(MADNet),所提方法的峰值信噪比(PSNR)分别提升了1.31 dB和0.12 dB,参数量相比MADNet减少了55%。

基于混合时空卷积的轻量级视频超分辨率重建

针对三维卷积神经网络在视频超分辨率任务上具有较高的计算复杂度以及提取时空特征有限的问题,本文设计了一种基于混合时空卷积的轻量级视频超分辨率重建网络。首先,提出了一个基于混合时空卷积的模块,实现了网络时空特征提取能力的提升以及计算复杂度的降低;其次,提出了一个基于相似性的选择性特征融合模块,进一步增强了相关特征的提取能力;最后,设计了一种基于注意力机制的运动补偿模块,在一定程度上减轻了错误的特征融合的影响。实验结果表明:所提网络可以在视频超分辨率性能和网络复杂度之间取得很好的平衡,而且在基准数据集SPMCS-11上4倍超分辨率达到8 frame/s。所提网络满足了边缘设备推理运行中快速、准确等要求。

超网络体系作战下的打击目标优选模型

针对当前进行海上作战体系目标优选分析与决策时对打击代价考虑不足的问题,提出综合考虑目标节点重要度和打击费效度的网络节点分析模型。利用超网络构建海上作战体系网络模型,通过度和介数等指标评估网络中节点的重要度;利用打击费效比为指标评估网络中节点的打击代价,进而将目标分析与选择问题转化为多目标优化问题,建立寻优模型,并通过人工鱼群算法进行寻优求解。最后对模型进行案例仿真应用,通过专家Delphi法评估检验,结果表明所建立的模型方法可行,对水面舰队体系的目标分析与选择具有借鉴作用。

轻量级重参数化的遥感图像超分辨率重建网络设计

针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高,本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先,采用重参数化方法设计了一种残差局部特征模块,以有效地提取图像局部特征;同时考虑到图像内部出现的相似特征,设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力,并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能;最后,在上采样模块前使用多层特征融合模块聚合所有的深度特征,以产生更全面的特征表示。在UC Merced遥感数据集上进行测试,该算法在遥感图像3倍超分辨率下的参数量为539 K,峰值信噪比为30.01 dB,结构相似性为0.8449,模型的推理时间为0.010 s;而HSENet算法的参数量为5470 K,峰值信噪比为30.00 dB,结构相似性为0.8420,模型的推理时间为0.059 s。实验结果表明,该算法相比HSENet算法,参数量更少,运行速度较快,且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试,该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势,表明该算法的泛化能力较强。

基于重参数化的超分辨率重建

针对现有单图像超分辨率重建(Single Image Super-resolution,SISR)模型存在速度和精度的矛盾,论文给出了一种重参数化(Re-parameterization)的轻量模型用于实现图像重建。该模型训练时通过使用结构较复杂的模型保证精度,推理时通过模型等效变换为简单的卷积以提高速度。同时多监督结构的加入让模型收敛更快且更为灵活。通过峰值信噪比和结构相似度对重建模型的质量和效率进行了评估。验证了所提模型在现有超分辨率重建方法中兼具了轻量和重建质量良好的优点。

双鉴别器盲超分重建方法研究

图像超分变率重建方法在公共安全检测、卫星成像、医学和照片恢复等方面有着十分重要的用途。该文对基于生成对抗网络的超分辨率重建方法进行研究,提出一种基于纯合成数据训练的真实世界盲超分算法(RealESRGAN)的UNet3+双鉴别器Real-ESRGAN方法(Double Unet3+Real-ESRGAN, DU3-Real-ESRGAN)。首先,在鉴别器中引入UNet3+结构,从全尺度捕捉细粒度的细节和粗粒度的语义。其次,采用双鉴别器结构,一个鉴别器学习图像纹理细节,另一个鉴别器关注图像边缘,实现图像信息互补。在Set5, Set14, BSD100和Urban100数据集上,与多种基于生成对抗网络的超分重建方法相比,除Set5数据集外,DU3-Real-ESRGAN方法在峰值信噪比(PSNR)、结构相似性(SSIM)和无参图像考评价指标(NIQE)都优于其他方法,产生了更直观逼真的高分辨率图像。