图像超分辨率全局残差递归网络

将深度网络模型应用在图像超分辨率上取得了很大的成功,并且已经证明了在将低分辨率图像重建成高分辨率图像的重建质量上深度网络模型普遍高于传统的算法。为了进一步提高图片的重建质量,文中提出了全局残差递归网络。通过优化经典的残差网络,提出全局残差块特征融合和局部残差块特征融合,让模型产生“自适应”更新权值的思想,改善信息流。结合L1代价函数,ADAM优化器进一步提高了训练的稳定性,并通过DIV2K训练集来训练模型。通过PSNR/SSIM图像重建指标来评价图片重建质量,在SSIM指标中,所提模型最高可达0.94,优于目前最新的深度学习模型(EDSR)的0.92。全局残差递归网络模型有效地提高了图像的重建质量,减少了训练时间,避免了梯度衰减,提高了学习效率。

基于元迁移的太阳能电池板缺陷图像超分辨率重建方法

针对太阳能电池板隐裂缺陷在进行光学检测时存在的特征不明显问题,以及小样本导致的训练不充分问题,提出了基于元迁移的太阳能电池板缺陷图像超分辨率重建方法,采用联合训练方法,利用内部图像和外部大规模图像信息分别作为不同阶段的训练数据。首先将引入的大量数据用于模型的初步训练,学习外部大规模数据的公共特征,然后通过元学习模型MAML进行多任务训练,为快速适应小样本无监督任务寻找一个适合图像内部学习的初始参数,提高模型的泛化能力,最后将预训练参数迁移至改进的ZSSR中进行自监督学习。在DIV2K、Set5、BSD100和太阳能电池板电致发光成像数据集上进行训练,实验结果表明,与传统的CARN,RCAN,IKC,ZSSR方法相比,该方法具有更高的峰值信噪比,最高达到36.66,参数量更小,相比ZSSR降低了70000,图像重建时间更短,相比CARN降低了0.51s,具有更好的重建效果,更高的重建效率。