针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等问题, 结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中, 调整卷积核大小, 减少参数; 加入池化层, 降低维度, 减少计算复杂度; 提高学习率和输入子块的尺寸, 减少训练消耗的时间; 扩大图像训练库, 使训练库提供的特征更加广泛和全面。实验结果表明, 改进算法生成的网络模型取得了更佳的超分辨率结果, 主观视觉效果和客观评价指标明显改善, 图像清晰度和边缘锐度明显提高。

可以分别放大2,3,4倍，适合学习和理解，每次只需要更改网络模型，下载后如果有问题可以私聊我交流。

针对小白，包运行。文件包含数据集，解压后放到D盘。在终端运行README中train或者test部分的内容。最好使用绝对路径，其中的参数num_works 8为进程数，一般电脑改为0即可。只需要4积分，四舍五入就是白送啊。包运行。有问题联系博主，看到私信会回复。

提出一种可用于改进图像超分辨率重建质量的双判别器超分辨率重建网络(DDSRRN)。该网络在生成式对抗网络(GAN)的基础上增加一个判别器,将Kullback-Leibler(KL)和反向KL散度组合成一个统一的目标函数来训练两个判别器,利用这两种散度的互补统计特性,能在多模式下分散预估计密度,从而避免重建过程中网络模型的崩溃问题,提高模型训练的稳定性。针对模型损失函数的设计部分,首先使用Charbonnier损失函数来构建内容损失,利用网络中间层的特征信息来设计感知损失和风格损失,最后为缩减图像重建时间,在网络结构中引入反卷积来完成图像重建操作。实验结果表明本文方法在主观视觉上具有丰富的细节,获得了更好的主观视觉评价和客观量化评价,网络泛化能力好。

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

由于目前监控视频所拍摄的人脸图像目标较小、难以辨识, 图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集, 并进行图像空间转化、去噪等预处理操作; 设计八层卷积神经网络并对各层类型及连接方式进行设定, 同时设定激活函数类型及各层间传递方式函数; 初始化参数并根据训练集训练网络; 根据损失函数反向调整卷积核和偏置参数, 完成图像输出。经过大量实际监控视频图像测试, 并将本文方法和现有其他方法做对比, 实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。