基于LapSRN的图像超分辨率重建算法

针对基于拉普拉斯金字塔结构的图像超分辨率重建算法(LapSRN)的损失函数只采用了robust Charbonnier损失会偏向于提高PSNR不能更好地重建出高频信息,以及采用传统的卷积核在参数相同的情况下拥有较小的感受野对全局信息掌握不够的问题,提出一种结构损失和robust Charbonnier损失结合的新的鲁棒性更强的损失,和用三种膨胀率不同的空洞卷积核替代传统卷积核的一种新的网络结构。经过实验证明,改进的LapSRN在没有增加模型复杂度的同时提高了超分辨率重建图像的重建效果。

基于拉普拉斯金字塔网络的融合降噪模块图像超分辨率算法

针对大多数图像超分辨率网络对带有未知噪声的低分辨率图像进行超分辨率重构的效果较差,提出一种拉普拉斯金字塔网络融合降噪模块的图像超分辨率算法。以LapSRN为基础融合降噪模块,并采用递归模块,同时引入TVLoss与降噪损失的LFDSR网络,在保持网络轻量级的基础上,提高重构后图像的清晰度。实验结果表明,文中算法输出图像更逼真和清晰,在抑制输入图像中的噪声对网络输出图像的过度影响中取得较好效果。

基于深度学习的农作物病害叶片的图像超分辨率重建

为了降低农作物病害所带来的损失,借助计算机对农作物病害叶片图像进行图像超分辨率重建具有重要意义。针对基于农作物病害叶片图像的超分辨率重建问题,引入了基于深度学习的农作物病害叶片图像超分辨率重建方法。通过实验将基于深度学习的超分辨率重建方法与两个传统方法Bicubic和ScSR做了对比,实验结果表明,两个传统方法的PSNR值均未超过15,且SSIM值均未超过0.6。而基于深度学习的网络模型LapSRN、DSRNLP和SERS所得出的PSNR值均接近30,SSIM值均超过了0.6,相比传统方法,性能得到明显提升。