论文目录 | |
摘要 | 第1-5页 |
Abstract | 第5-9页 |
1 绪论 | 第9-18页 |
· 研究背景及意义 | 第9-10页 |
· 超分辨率问题描述 | 第10-11页 |
· 国内外研究现状 | 第11-15页 |
· 基于插值的方法 | 第12页 |
· 基于重构的方法 | 第12-13页 |
· 基于学习的方法 | 第13-15页 |
· 重建图像的质量评价标准 | 第15-17页 |
· 主观评价 | 第15-16页 |
· 客观评价 | 第16-17页 |
· 本文研究内容 | 第17-18页 |
2 深度学习理论及其典型网络模型 | 第18-28页 |
· 深度学习的概念 | 第18-19页 |
· 典型的深度学习结构 | 第19-27页 |
· 受限玻尔兹曼机(Restricted Boltzmann Machines, RBM) | 第19-22页 |
· 深度置信网络(Deep Belief Networks, DBN) | 第22-23页 |
· 自编码器(Auto-Encoder, AE) | 第23-25页 |
· 卷积神经网络(Convolutional Neural Networks, CNN) | 第25-27页 |
· 本章小结 | 第27-28页 |
3 基于受限玻尔兹曼机的联合字典学习和稀疏表示重构 | 第28-45页 |
· 基于稀疏表示的图像超分辨率重构模型 | 第28-30页 |
· 信号的稀疏表示模型 | 第28-29页 |
· 面向图像超分辨率重构的稀疏表示模型 | 第29-30页 |
· 基于RBM的联合字典学习及稀疏表示的超分辨率重构 | 第30-37页 |
· 基于RBM模型的联合字典学习 | 第30-35页 |
· 基于联合字典和稀疏表示的图像超分辨率重构 | 第35-37页 |
· 实验结果与分析 | 第37-44页 |
· 实验参数设置 | 第37-38页 |
· 实验结果 | 第38-42页 |
· 重构系数的稀疏性分析 | 第42-44页 |
· 本章小结 | 第44-45页 |
4 基于非负稀疏去噪自编码器和稀疏表示的超分辨率重构 | 第45-62页 |
· 去噪自编码器(Denoising Auto-Encoders, DAE) | 第45-47页 |
· 非负稀疏自编码器的提出和挑战 | 第47-48页 |
· 基于非负稀疏去噪自编码器的联合字典学习和重构 | 第48-54页 |
· 去噪自编码器模型非负性的训练 | 第48-49页 |
· 去噪自编码器模型稀疏性的训练 | 第49-51页 |
· 基于非负稀疏去噪自编码器的联合字典学习 | 第51-53页 |
· 基于联合字典和稀疏表示的图像超分辨率重构 | 第53-54页 |
· 实验结果与分析 | 第54-61页 |
· 实验参数设置 | 第54-55页 |
· 实验结果 | 第55-58页 |
· 字典矩阵和重构系数的稀疏性分析 | 第58-61页 |
· 本章小结 | 第61-62页 |
5 总结与展望 | 第62-64页 |
· 工作总结 | 第62页 |
· 工作展望 | 第62-64页 |
参考文献 | 第64-67页 |
致谢 | 第67页 |