针对基于生成对抗网络的图像超分辨率重建方法依赖配对数据集训练且结果不稳定的问题,提出了一个新的基于无配对图像的模型NM-SRGAN。首先,通过使用循环生成对抗网络作预处理模块,使模型可以不依赖配对数据集进行训练且获得更好的输入图...针对基于生成对抗网络的图像超分辨率重建方法依赖配对数据集训练且结果不稳定的问题,提出了一个新的基于无配对图像的模型NM-SRGAN。首先,通过使用循环生成对抗网络作预处理模块,使模型可以不依赖配对数据集进行训练且获得更好的输入图像,同时该模型取消了BN层的使用,解决了结果不稳定的问题。然后,使用了协方差矩阵捕捉图像的二阶信息,增加了二阶损失函数,更加注重于捕捉图像细节区域部分的变化。最后,通过使用新的VGG损失函数提升了图像的边缘纹理细节。对提出的NM-SRGAN模型在4个标准数据集上进行测试评估,使用客观评价标准对结果图进行评价,NM-SRGAN模型较目前若干先进模型中的最佳峰值信噪比分别提升了0.19、0.03、0.13、0.02 d B,在4个数据集上的评价值均达到最高。实验结果表明,该模型在稳定性、图像质量和细节方面较经典算法均有较好的提升。展开更多
文摘针对基于生成对抗网络的图像超分辨率重建方法依赖配对数据集训练且结果不稳定的问题,提出了一个新的基于无配对图像的模型NM-SRGAN。首先,通过使用循环生成对抗网络作预处理模块,使模型可以不依赖配对数据集进行训练且获得更好的输入图像,同时该模型取消了BN层的使用,解决了结果不稳定的问题。然后,使用了协方差矩阵捕捉图像的二阶信息,增加了二阶损失函数,更加注重于捕捉图像细节区域部分的变化。最后,通过使用新的VGG损失函数提升了图像的边缘纹理细节。对提出的NM-SRGAN模型在4个标准数据集上进行测试评估,使用客观评价标准对结果图进行评价,NM-SRGAN模型较目前若干先进模型中的最佳峰值信噪比分别提升了0.19、0.03、0.13、0.02 d B,在4个数据集上的评价值均达到最高。实验结果表明,该模型在稳定性、图像质量和细节方面较经典算法均有较好的提升。
