边缘增强深度网络在图像超分辨率重建中的应用

"本文介绍了图像超分辨率重建领域的一个研究，该研究使用了深度学习的方法，特别是通过边缘增强的深层网络模型来提升图像的分辨率。实验详细分析了训练集的构建、测试集的选择以及参数配置，包括图像预处理、网络结构、训练策略等。此外，还探讨了算法的运行时间和收敛性，表明所提出的算法在保持高性能的同时，拥有更快的收敛速度和较低的计算成本。" 在图像超分辨率重建（SR）中，基于学习的方法经常面临边缘信息丢失和视觉伪影的问题。为了解决这些问题，研究者提出了一种结合边缘增强的深层网络架构。首先，输入的低分辨率图像通过预处理网络提取低级特征。接着，这些特征被分成两路：一路通过卷积层构建的深层网络获取高级特征；另一路通过卷积网络与反卷积网络的级联来重建图像的边缘。这两路网络的结果随后融合，并通过一个卷积层得到最终的高分辨率图像，强调了边缘增强的效果。 实验部分，研究者使用了Yang等人提供的91张图片作为训练集，并通过旋转和镜像操作扩展至728张，以增加训练数据。测试集选择了Set5、Set14和B100，分别包含5、14和100张图像。网络训练时，输入图像尺寸固定为36x36像素，减去平均值进行预处理，采用随机梯度下降法进行优化，配置了动量参数和权重衰减正则化。训练过程在Caffe框架和Matlab接口下进行，硬件环境包括Intel Core i7-4790K CPU和NVIDIA Titan X GPU。 在性能评估上，研究展示了算法的运行时间，与其它方法相比，提出的算法在Set5测试集上放大3倍时，运行时间仅为0.62秒，具有显著优势。此外，研究还分析了算法的收敛性，通过与SRCNN的对比，证明了新算法在相同epoch时能更快达到更低的Test loss，并在相同时间内获得更高的PSNR值，体现出更快的收敛速度。 边缘增强的深层网络模型在图像超分辨率重建中表现出色，不仅在重建边缘信息上有所改进，还在客观评价和主观视觉效果上都有显著提升，为SR领域提供了一个有效且高效的解决方案。