学位专题

封面
声明
中文摘要
英文摘要
目录
1 绪论
1.1 研究背景与意义
1.2 单图像轻量超分辨率算法国内外研究现状
1.3 本文研究内容
1.4 论文组织结构
2 相关理论与技术介绍
2.1 引言
2.2 单图像超分辨率问题定义及评价指标
2.2.1 单图像超分辨率问题定义
2.2.2 单图像超分辨率评价指标
2.3 基于信息蒸馏机制的单图像轻量超分辨率网络
2.3.1 总体网络框架
2.3.2 残差信息蒸馏模块
2.4 轻量高效的特征提取算子
2.4.1 Inverted residual block
2.4.2 ShuffleBlock v2
2.4.3 Ghost bottleneck
2.5 通道注意力及其变种
2.5.1 通道注意力
2.5.2 通道注意力+空间分布信息
2.5.3 通道注意力+二阶方差信息
2.6 自注意力模块
2.7 本章小结
3 基于多尺度感受野融合的单图像轻量超分辨率算法
3.1 引言
3.2 算法整体架构
3.3 多尺度感受野融合机制
3.4 基于特征复用的轻量高效特征提取算子
3.5 基于可学习哈希映射的轻量Non-local注意力机制
3.6 二阶坐标注意力机制
3.7 训练参数与细节
3.7.1 相关数据集
3.7.2 模型评价标准
3.7.3 算法实现细节
3.8 实验结果与分析
3.8.1 消融试验分析
3.8.2 与其他先进算法的比较
3.8.3 模型重建视觉效果分析
3.8.4 模型空间复杂度分析
3.8.5 模型时间复杂度分析
3.9 本章小结
4 基于双支路多尺度感受野融合的单图像轻量超分辨率算法
4.1 引言
4.2 算法整体架构
4.3 针对骨干网络的剪枝优化
4.4 双支路多尺度感受野融合模块
4.5 解耦增强的基于可学习哈希映射的轻量Non-local注意力机制
4.6 基于全局信息监督的二阶坐标注意力机制
4.7 训练参数与细节
4.8 实验结果与分析
4.8.1 消融试验分析
4.8.2 与其他先进算法的比较
4.8.3 模型重建视觉效果分析
4.8.4 模型空间复杂度分析
4.8.5 模型时间复杂度分析
4.9 本章小结
5 总结与展望
5.1 本文的主要贡献与创新点
5.2 工作展望
致谢
参考文献
附录攻读硕士学位期间取得的学术成果
A 攻读硕士学位期间发表的论文
B 攻读硕士学位期间发表的专利
C 攻读硕士学位期间参与的科研项目