基于深度学习的图像恢复算法研究
文献类型：学位论文
| 作者 | 王强 |
| 答辩日期 | 2019-11-20 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 唐延东 |
| 关键词 | 卷积神经网络 图像恢复 卷积循环网络 生成对抗网络 |
| 学位名称 | 博士 |
| 学位专业 | 模式识别与智能系统 |
| 其他题名 | Research on Image Restoration Algorithms Based on Deep Learning |
| 英文摘要 | 本文从深度学习的机制出发，对退化图像进行建模，提出了有效的图像恢复 模型与算法完成对图像损失区域的检测和修复。大量试验验证了所提出模型算 法在图像结构和细节恢复方面的有效性。通过与目前主流算法的试验比较，本文 提出的模型和算法在性能上具有较为明显的优势。本文的工作主要包括以下几个方面：(1) 基于卷积对抗网络的图像恢复模型 提出了基于卷积对抗网络的图像恢复模型，使用金字塔结构的生成网络实现了图像恢复。该模型将图像恢复过程分为两个阶段，分别为结构恢复和细节恢复。通过使用金字塔式的逐步学习过程，生成出损失区域的结构信息；通过使用 改进的残差学习网络完成对图像高频细节的丰富。在训练迭代过程中，使用多重 损失函数约束生成过程来优化模型。基于卷积对抗网络的图像恢复模型使用联 合损失函数，兼顾图像结构和细节的损失，生成出与原始图像最为接近的内容信 息，使生成的图像真实、逼真。(2) 基于上下文的对抗生成网络的图像修复模型 提出了基于上下文的对抗生成网络模型，主动学习不同尺度下的图像特征，从不同的视角得到图像的内部特征；通过整合网络将不同视角的图像特征联合成一个图像表达，完成图像的重建。该模型充分考虑了图像的高层语义的恢复和图像高频细节的恢复，利用多层语义特征分别完成图像结构和细节的生成。(3) 多任务下的图像修复模型 提出了一种多任务下的图像恢复模型，可以同时完成图像中损失区域的检测和修复任务。模型首先学习图像的多层语义特征；通过对多层语义特征的分析，分别设计不同的任务支路，一条支路称为检测网络，主要负责图像中损失区域的 检测；另一条支路为修复网络，结合检测网络的输出，完成对图像损失区域的修 复；最后使用两个判定网络，分别从全局和局部对图像的真实性进行判定，保证 生成图像和周围信息的连续性和一致性。(4) 基于循环卷积网络的图像修复模型 提出了一种基于循环卷积网络修复模型和相应的图像修复算法。该模型使用循环卷积网络学习图像的内部规则，将特征学习的任务从卷积网络中分离出来。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 108页 |
| 源URL | [http://ir.sia.cn/handle/173321/25931]  |
| 专题 | 沈阳自动化研究所_机器人学研究室 |
| 推荐引用方式 GB/T 7714 | 王强. 基于深度学习的图像恢复算法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2019. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。