基于GMSD的新混合损失函数

檀结庆,朱星辰,蔡蒙琪

(合肥工业大学 数学学院,安徽 合肥 230601)

0 引 言

近十年来,神经网络在各个领域取得了巨大的成功。神经网络的思想诞生于20世纪80年代,在2012年的ImageNet比赛上,文献[1]使用神经网络方法取得成绩后,神经网络领域迅速再次成为研究者们关注的焦点。经过几年的发展,从图像处理、语音识别到几何造型,神经网络算法的应用推动这些领域的研究取得了巨大的进步。

在图像处理上,卷积神经网络(convolutional neural network,CNN)也成为研究者关注的主要方法。图像超分辨重建,即将低分辨率图像(low resolution,LR)恢复成高分辨率图像(high resolution,HR),也在使用CNN方法后得到了飞速的发展。

卷积神经网络方法的应用让单幅图像超分辨率(single image super resolution,SISR)问题得到了较好的解决。文献[2]提出了SRCNN模型,第1次将CNN方法应用到图像超分辨率(super resolution,SR)问题上。SRCNN是一个端到端学习LR图像到HR图像映射的高效网络,它不需要进行人为的特征处理,并取得了令人满意的表现。之后,大部分研究都专注于提出更高效的网络结构来学习LR图像到HR图像之间的映射。一系列基于CNN的模型被提出[3-13],从上采样方法,到中间层的特征提取方法与特征处理方法,再到映射结构,研究者们在CNN模型的结构方面做了很多工作,并取得了令人瞩目的进步。然而,大多数模型只是针对其他研究领域中模型结构的变化,对超分辨率领域的CNN模型结构进行了改动,大体上倾向于组建一个更深更复杂的网络结构。这意味着在模型训练上需要更多的资源、时间与技巧,使得CNN模型在网络结构方向上的改进逐渐陷入瓶颈。……