深度学习与图像复原

8.2 展望

8.1 总结

第8章 总结与展望

参考文献

7.5 本章小结

7.4.4 实验结果

7.4.3 方法分析

7.4.2 实验设置

7.4.1 数据集

7.4 实验结果与分析

7.3.4 损失函数

7.3.3 感知网络

7.3.2 异构网络

7.3.1 基于自监督卷积神经网络的结构

7.3 面向图像去水印的自监督学习方法

7.2.4 混合模型

7.2.3 注意力机制

7.2.2 生成对抗网络

7.2.1 卷积神经网络

7.2 自监督学习

7.1 引言

第7章 基于自监督学习的图像去水印方法

参考文献

6.5 本章小结

6.4.4 实验结果

6.4.3 方法分析

6.4.2 实验设置

6.4.1 数据集

6.4 实验结果与分析

6.3.5 并行上采样机制

6.3.4 多水平增强机制

6.3.3 异构组块

6.3.2 损失函数

6.3.1 网络结构

6.3 面向图像超分辨率的异构组卷积神经网络

6.2.2 基于通道增强的图像超分辨率方法

6.2.1 基于结构特征增强的图像超分辨率方法

6.2 相关技术

6.1 引言

第6章 基于异构组卷积神经网络的图像超分辨率方法

参考文献

5.5 本章小结

5.4.4 定量和定性估计

5.4.3 构造块和特征细化块的合理性和有效性验证

5.4.2 特征提取块和增强块的合理性和有效性验证

5.4.1 实验设置

5.4 实验与分析

5.3.5 与主流网络的相关性分析

5.3.4 信息提纯块

5.3.3 低频结构信息增强机制

5.3.2 损失函数

5.3.1 网络结构

5.3 面向图像超分辨率的模块深度卷积神经网络

5.2.2 基于模块深度卷积神经网络的图像超分辨率

5.2.1 基于级联结构的深度卷积神经网络

5.2 相关技术

5.1 引言

第5章 基于级联卷积神经网络的图像超分辨率方法

参考文献

4.5 本章小结

4.4.4 定量和定性分析

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

4.4.2 稀疏机制的合理性和有效性验证

4.4.1 实验设置

4.4 实验与分析

4.3.4 注意力机制和重构机制

4.3.3 稀疏机制和特征增强机制

4.3.2 损失函数

4.3.1 网络结构

4.3 面向图像去噪的注意力引导去噪卷积神经网络

4.2 注意力方法介绍

4.1 引言

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

参考文献

3.5 本章小结

3.4.5 去噪网络的复杂度及运行时间

3.4.4 真实噪声图像去噪

3.4.3 灰度与彩色高斯噪声图像去噪

3.4.2 关键技术的合理性和有效性验证

3.4.1 实验设置

3.4 实验结果与分析

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

3.3.2 损失函数

3.3.1 网络结构

3.3 面向图像去噪的双路径卷积神经网络

3.2.2 残差学习技术

3.2.1 空洞卷积技术

3.2 相关技术

3.1 引言

第3章 基于双路径卷积神经网络的图像去噪方法

参考文献

2.6 本章小结

2.5.4 研究意义

2.5.3 实验结果

2.5.2 网络结构

2.5.1 研究背景

2.5 基于卷积神经网络的图像去水印方法

2.4.4 研究意义

2.4.3 实验结果

2.4.2 网络结构

2.4.1 研究背景

2.4 基于卷积神经网络的图像超分辨率方法

2.3.4 研究意义

2.3.3 实验结果

2.3.2 网络结构

2.3.1 研究背景

2.3 基于卷积神经网络的图像去噪方法

2.2.4 Leaky ReLU激活函数

2.2.3 ReLU激活函数

2.2.2 Softmax激活函数

2.2.1 Sigmoid激活函数

2.2 激活层

2.1.4 空洞卷积

2.1.3 多通道卷积和多卷积核卷积

2.1.2 感受野

2.1.1 卷积操作

2.1 卷积层

第2章 基于卷积神经网络的图像复原方法基础

参考文献

1.4 本章小结

1.3.2 基于传统机器学习的图像去水印方法

1.3.1 图像去水印任务简介

1.3 图像去水印

1.2.2 基于传统机器学习的图像超分辨率方法

1.2.1 图像超分辨率任务简介

1.2 图像超分辨率

1.1.2 基于传统机器学习的图像去噪方法

1.1.1 图像去噪任务简介

1.1 图像去噪

第1章 基于传统机器学习的图像复原方法

前言

内容简介

插图

作者简介

版权信息

封面

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

参考文献

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

参考文献

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

参考文献

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

参考文献

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

6.2.2 基于通道增强的图像超分辨率方法

6.3 面向图像超分辨率的异构组卷积神经网络

6.3.1 网络结构

6.3.2 损失函数

6.3.3 异构组块

6.3.4 多水平增强机制

6.3.5 并行上采样机制

6.4 实验结果与分析

6.4.1 数据集

6.4.2 实验设置

6.4.3 方法分析

6.4.4 实验结果

6.5 本章小结

参考文献

第7章 基于自监督学习的图像去水印方法

7.1 引言

7.2 自监督学习

7.2.1 卷积神经网络

7.2.2 生成对抗网络

7.2.3 注意力机制

7.2.4 混合模型

7.3 面向图像去水印的自监督学习方法

7.3.1 基于自监督卷积神经网络的结构

7.3.2 异构网络

7.3.3 感知网络

7.3.4 损失函数

7.4 实验结果与分析

7.4.1 数据集

7.4.2 实验设置

7.4.3 方法分析

7.4.4 实验结果

7.5 本章小结

参考文献

第8章 总结与展望

8.1 总结

8.2 展望