基于混合專家模型的快速圖像超分辨率方法研究與實(shí)現(xiàn).pdf

1、圖像超分辨率(Image Super-resolution,SR)是對(duì)輸入的低分辨率的圖像或圖像序列，通過軟件方法，輸出高質(zhì)量高分辨率圖像，從而使得圖像的細(xì)節(jié)更加完整，視覺效果更好。有效的軟件圖像超分辨率算法能緩解硬件采像的限制，廣泛應(yīng)用于在醫(yī)療圖像、移動(dòng)設(shè)備、航天成像、監(jiān)控等領(lǐng)域。另外，SR算法作為圖像預(yù)處理的環(huán)節(jié)，對(duì)于人臉識(shí)別、視覺追蹤、圖像壓縮、圖像配準(zhǔn)、特征提取等任務(wù)有著重要的研究和應(yīng)用價(jià)值。
　　對(duì)于單幀圖像超分辨率問題

2、(Single Image Super-resolution,SISR)，單一統(tǒng)計(jì)學(xué)或機(jī)器學(xué)習(xí)方法計(jì)算消耗大、視覺效果差；近幾年提出的多模型融合算法將輸入的大規(guī)模訓(xùn)練集混分為許多獨(dú)立子區(qū)域，在每個(gè)子區(qū)域中學(xué)習(xí)一個(gè)簡(jiǎn)單模型，降低了模型訓(xùn)練消耗。然而，該類算法中訓(xùn)練集劃分和子模型學(xué)習(xí)兩個(gè)階段分離開來，雖然對(duì)于確定的劃分，子模型學(xué)習(xí)在理論上可達(dá)到局部最優(yōu)，但兩階段作為一個(gè)整體并不能全局優(yōu)化。這種情況下，若子模型數(shù)量少，會(huì)導(dǎo)致學(xué)習(xí)錯(cuò)誤率較高，若

3、子模型數(shù)量較多，雖然一定程度上緩解了模型整體的錯(cuò)誤率，但會(huì)嚴(yán)重降低模型的測(cè)試性能。
　　為了解決這個(gè)問題，本課題提出了一種基于混合專家模型(Mixture of Ex-perts Model,MoE)的方法聯(lián)合學(xué)習(xí)劃分階段和子模型學(xué)習(xí)階段，保持較低的錯(cuò)誤率的同時(shí)降低子模型的數(shù)量。本課題中的MoE模型采用單層子模型的結(jié)構(gòu)，主要有兩個(gè)部分，一個(gè)Gating門函數(shù)以及多個(gè)回歸子模型，分別負(fù)責(zé)劃分階段和子模型學(xué)習(xí)階段，并給出了模型概率解釋

4、，針對(duì)500萬對(duì)圖像塊訓(xùn)練集用期望最大化算法迭代學(xué)習(xí)參數(shù)最優(yōu)解。最后本課題完成了三個(gè)領(lǐng)域常用測(cè)試集的不同速率需求、多放大倍數(shù)的超分辨率實(shí)驗(yàn)，經(jīng)過與當(dāng)前領(lǐng)先算法定性、定量的分析對(duì)比，本課題方法能夠得到更銳利的邊緣，能夠保持低分辨率圖像豐富的結(jié)構(gòu)紋理特征，而且引入人工痕跡較少。另外，本課題用C++語言基于QT和OpenCV開源庫實(shí)現(xiàn)了該算法原型系統(tǒng)，主要分為用戶控制模塊、超分辨算法模塊、圖像基本處理模塊，該系統(tǒng)提供了針對(duì)低分辨率圖片的多種需