基于深度卷积神经网络的图像超分辨率重建

现如今,科学技术飞速发展,现代科技在医学领域发挥着重要作用。但由于硬件设备成本过高,目前所获取的医学图像并不是很清晰。所以,如何改善医学图像不清晰的问题是非常有价值的。本文以医疗图像作为研究对象,运用深度学习技术,在SRCNN网络的基础上,建立一种面向高分辨的医疗影像的深度学习模式,旨在提高分辨率。实验证明:采用该方法可以对医疗影像进行高分辨率重构,其效果比插值法方法更好。

基于宽深超分辨率网络的信道估计方法

在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率(Wide Deep Super-resolution,WDSR)网络的信道估计方法,把导频值通过最小二乘估计(Least Squares,LS)初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。

基于深度学习的图像超分辨率重建优化研究

文章以图像超分辨率重建为研究对象,围绕深度学习方法中的超分辨率卷积神经网络(Super Resolution Convolutional Network,SRCNN)展开研究,同时引入基于正则化的优化方法。文章首先对SRCNN的基本框架进行深入研究,其次提出一种正则化优化方法,最后采用DIV2K数据集验证优化方法在图像重建任务中的有效性。实验结果表明,采用正则化优化的SRCNN在保真度和结构相似性方面均取得了显著提升。

基于SRCNN的QR二维码-人脸重构算法

针对人脸识别技术存在的缺少生物信息的隐私保护、有很大的信息泄露风险问题,提出基于超分辨率卷积神经网络的QR二维码-人脸重构算法。该算法将获取到的人脸特征信息转化为QR二维码,并生成QR二维码图片,然后将存储的QR二维码图片与人脸特征信息对比,当比对结果达到一定阈值,实现人脸识别。该算法实现了QR二维码与人脸信息的重构,保证了人脸生物信息的准确、快速传递,也提高了人脸识别率,为生物信息的安全性和隐私保护提供了一种有效途径。