基于CNN的单幅图片超分辨率重建研究开题报告
2020-02-18 18:26:21
1. 研究目的与意义（文献综述）
1.1研究目的及意义
随着大数据时代的来临，我们每时每刻都在创造数据、存储数据、传送数据，而图片正是我们日常生活中使用的最频繁，携带信息最多的一种数据。人们每天通过微信、qq、 微博等社交网络发送图片、上传照片已经成为一种必不可少的交流方式，全球最大的社交网站facebook透露该公司的11.5亿用户每天平均向其网站上传3.5亿张照片，照片上传总量达到2500亿张，可见图像作为信息的载体在信息沟通的方式上给人们的生活带来了极大的便利。
图片质量的好坏有时是我们能否正确获取信息的关键，然而，我们平时所采集的图像在形成的过程容易受外界因素的影响，比如噪声、拍摄设备等，就会导致最后的图像失真严重，这种情况也被称为图像退化。例如现实场景中采集图像时，相机的抖动、镜头的聚焦等外界因素将会导致模糊效应另外，图像采集和传输的介质（传感器阵列）的密度小使得采集的像素点较少，致使最后图像的分辨率较低。
2. 研究的基本内容与方案
对于一个低分辨率图像，首先使用双三次插值将其升级到所需的大小，这是唯一需要做的预处理。从y恢复图像f（y），y表示内插图像，尽管它与x大小相同，仍称y为“低分辨率”图像。映射f总体上由三个层构成：
1.特征提取层：此层用来提取来自低分辨率图像y的图像块特征，并将每个图像块特征表示为高维向量，这些向量的维数等于一组特征映射的数量。这相当于通过一组过滤器对图像进行卷积。形式上，我们的第一层表示为操作f1：
3. 研究计划与安排
第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。
第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。
第6－9周：编程实现各算法，并进行仿真调试。
4. 参考文献（12篇以上）
| [1] Yang Z , Zhang K , Liang Y , et al. Single Image Super-Resolution with a Parameter Economic Residual-Like Convolutional Neural Network[M]. MultiMedia Modeling. Springer International Publishing, 2017. [2]Youm G Y, Bae S H, Kim M. Image super-resolution based on convolution neuralnetworks using multi-channel input[C].2016. [3] 赵建梁.基于卷积神经网络的图像复原方法研究[D].南京大学,2018. [4] 李素梅, 雷国庆, 范如. 基于卷积神经网络的深度图超分辨率重建[J].光学学报, 2017, 37(12):124-132. [5] 房晓晶.基于卷积神经网络的图像超分辨率应用研究[D].北京邮电大学,2017. [6]Aharon M ,Elad M ,Bruckstein A.$rm K$-SVD: An Algorithm for DesigningOvercomplete Dictionaries for Sparse Representation[J].IEEE Transactions onSignal Processing,2006, 54(11):4311-4322. [7]Harmeling S , Schuler C J ,Burger H C .Image denoising: Can plain neuralnetworks compete with BM3D?[C]. 2012 IEEE Conference on Computer Vision andPattern Recognition. IEEE Computer Society, 2012. [8]Pu J , Zhang J , Guo P , et al. Interactive Super-Resolution through NeighborEmbedding[J]. Lecture Notes in Computer Science, 2009, 5996:496-505. [9]Dai D , Timofte R,Van Gool L.Jointly Optimized Regressors for ImageSuper-resolution[C].Eurographics. copy; 2015 The Author(s) Computer GraphicsForum copy; 2015 The Eurographics Association and John Wiley amp; Sons Ltd.Published by John Wiley amp; Sons Ltd. 2015:95-104. [10] Dai S, Han M, Xu W, et al. SoftCuts: a soft edge smoothness prior for color image super-resolution[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2009, 18(5):969. [11]Damera-Venkata N ,Kite T D , Geisler W S , et al. Image quality assessment basedon a degradation model[J].IEEE Transactions on Image Processing, 2000,9(4):636-650. [12]Deng J , Dong W , Socher R , et al. ImageNet: A large-scale hierarchicalimage database[J]. Proc of IEEE Computer Vision amp; Pattern Recognition,2009:248-255. [13] Denton E , Zaremba W , Bruna J , et al. Exploiting Linear Structure Within Convolutional Networks for Efficient Evaluation[C]. NIPS. MIT Press, 2014. [14]Dong C , Loy C C , He K , et al. Learning a Deep Convolutional Network forImage Super-Resolution[C].ECCV.Springer International Publishing, 2014. [15]Eigen D , Krishnan D , Fergus R . Restoring an Image Taken through a WindowCovered with Dirt or Rain[C]. Proceedings of the 2013 IEEE InternationalConference on Computer Vision. IEEE, 2013. [16]Freedman G , Fattal R . Image and video upscaling from localself-examples[J]. ACM Transactions on Graphics, 2011, 30(2):1-11. [17]W. T. Freeman, T. R. Jones, and E. C. Pasztor,“Example-basedsuper-resolution,” Comput. Graph. Appl., vol. 22, no. 11, pp. 56–65, 2002. [18]Glasner D, Bagon S, Irani M. Super-resolution from a single image[C].IEEEInternational Conference on Computer Vision.2009. [19]He K, Jian S. Convolutional neural networks at constrained time cost[C].Computer Vision amp; Pattern Recognition.2015. [20]K. He, X. Zhang, S. Ren, and J. Sun,“Spatial pyramid pooling indeepconvolutional networks for visual recognition,”inProc. Eur. Conf. Comput. Vis.2014, pp. 346–361. |
