基于DDR GAN的低质量图像增强算法

现有图像增强方法在处理模糊且分辨率较低的图像时,因图像的细节缺乏真实性并且存在伪影现象,会导致增强效果较差。为了解决这一问题,采用一种基于深度密集残差生成对抗网络(DDR GAN)的低分辨率模糊图像增强算法,实现了低质量图像的有效增强。首先构建端到端的生成对抗网络框架;然后设计深度密集残差隐特征编码架构,提升对输入图像的深层语义特征表示,增强图像生成效能;最后重构损失函数,添加感知损失以指导模型学习生成图像的真实性。结果表明,相比于目前最先进的增强型超分辨率GAN法(ESR GAN)和第2版去模糊GAN法(DeBlur GAN-V2),DDR GAN生成的图像在视觉效果上更佳,具有更高的清晰度和更丰富的图像细节;在客观评价指标方面,DDR GAN相较于ESR GAN和DeBlur GAN-V2,峰值信噪比分别提高1.7072 dB和1.1683 dB,结构相似度分别提高0.0783和0.0713。该算法对低分辨率模糊图像的复原增强是有帮助的。