更新时间：2024-11-22 16:03:01
封面
版权信息
作者简介
插图
内容简介
前言
第1章 基于传统机器学习的图像复原方法
1.1 图像去噪
1.1.1 图像去噪任务简介
1.1.2 基于传统机器学习的图像去噪方法
1.2 图像超分辨率
1.2.1 图像超分辨率任务简介
1.2.2 基于传统机器学习的图像超分辨率方法
1.3 图像去水印
1.3.1 图像去水印任务简介
1.3.2 基于传统机器学习的图像去水印方法
1.4 本章小结
参考文献
第2章 基于卷积神经网络的图像复原方法基础
2.1 卷积层
2.1.1 卷积操作
2.1.2 感受野
2.1.3 多通道卷积和多卷积核卷积
2.1.4 空洞卷积
2.2 激活层
2.2.1 Sigmoid激活函数
2.2.2 Softmax激活函数
2.2.3 ReLU激活函数
2.2.4 Leaky ReLU激活函数
2.3 基于卷积神经网络的图像去噪方法
2.3.1 研究背景
2.3.2 网络结构
2.3.3 实验结果
2.3.4 研究意义
2.4 基于卷积神经网络的图像超分辨率方法
2.4.1 研究背景
2.4.2 网络结构
2.4.3 实验结果
2.4.4 研究意义
2.5 基于卷积神经网络的图像去水印方法
2.5.1 研究背景
2.5.2 网络结构
2.5.3 实验结果
2.5.4 研究意义
2.6 本章小结
第3章 基于双路径卷积神经网络的图像去噪方法
3.1 引言
3.2 相关技术
3.2.1 空洞卷积技术
3.2.2 残差学习技术
3.3 面向图像去噪的双路径卷积神经网络
3.3.1 网络结构
3.3.2 损失函数
3.3.3 重归一化技术、空洞卷积技术和残差学习技术的结合利用
3.4 实验结果与分析
3.4.1 实验设置
3.4.2 关键技术的合理性和有效性验证
3.4.3 灰度与彩色高斯噪声图像去噪
3.4.4 真实噪声图像去噪
3.4.5 去噪网络的复杂度及运行时间
3.5 本章小结
第4章 基于注意力引导去噪卷积神经网络的图像去噪方法
4.1 引言
4.2 注意力方法介绍
4.3 面向图像去噪的注意力引导去噪卷积神经网络
4.3.1 网络结构
4.3.2 损失函数
4.3.3 稀疏机制和特征增强机制
4.3.4 注意力机制和重构机制
4.4 实验与分析
4.4.1 实验设置
4.4.2 稀疏机制的合理性和有效性验证
4.4.3 特征增强机制和注意力机制的合理性和有效性验证
4.4.4 定量和定性分析
4.5 本章小结
第5章 基于级联卷积神经网络的图像超分辨率方法
5.1 引言
5.2 相关技术
5.2.1 基于级联结构的深度卷积神经网络
5.2.2 基于模块深度卷积神经网络的图像超分辨率
5.3 面向图像超分辨率的模块深度卷积神经网络
5.3.1 网络结构
5.3.2 损失函数
5.3.3 低频结构信息增强机制
5.3.4 信息提纯块
5.3.5 与主流网络的相关性分析
5.4 实验与分析
5.4.1 实验设置
5.4.2 特征提取块和增强块的合理性和有效性验证
5.4.3 构造块和特征细化块的合理性和有效性验证
5.4.4 定量和定性估计
5.5 本章小结
第6章 基于异构组卷积神经网络的图像超分辨率方法
6.1 引言
6.2 相关技术
6.2.1 基于结构特征增强的图像超分辨率方法
