本科毕业论文

发布时间：2026年03月12日作者:aiycxz.cn

题目基于深度学习的图像超分辨率重建算法研究英文题目 Research on Image Super-Resolution Reconstruction Algorithm Based on Deep Learning姓名 ______ 李帅 ______ 学号 ______ 201704010030所在学院 ______ 工学院 ______专业班级 ______ 计算机科学与技术 1701 班指导教师 ______ 李帅 ______日期 ______ 2021 年 6 月 10 日# 学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名： 2021年6月10日# 学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权惠州学院可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于 1. 保密□，在______年解密后适用本授权书。 2. 不保密□。（请在以上相应方框内打“√”）学位论文作者签名：指导教师签名： 2021年6月10日 2021年6月10日摘要图像超分辨率重建技术是计算机视觉领域的重要研究方向之一，其目的是从低分辨率图像中恢复出高分辨率图像。近年来，随着深度学习技术的快速发展，基于深度学习的图像超分辨率重建技术取得了巨大的成功。然而，目前基于深度学习的图像超分辨率重建算法仍然存在一些问题，例如，网络模型参数量大、计算复杂度高、重建图像细节信息不够丰富等。因此，本文针对这些问题，提出了一种基于深度学习的图像超分辨率重建算法，主要研究内容如下：1. 提出了一种基于残差密集网络的图像超分辨率重建算法。该算法首先使用残差密集网络提取低分辨率图像的特征，然后使用亚像素卷积层将特征图进行上采样，最后使用重建层将上采样后的特征图重建为高分辨率图像。实验结果表明，该算法在 Set5、Set14 和 BSD100 数据集上均取得了较好的重建效果。2. 提出了一种基于注意力机制的图像超分辨率重建算法。该算法在残差密集网络的基础上，引入了注意力机制，使网络能够更加关注图像中的重要区域，从而提高重建图像的质量。实验结果表明，该算法在 Set5、Set14 和 BSD100 数据集上均取得了更好的重建效果。3. 提出了一种基于生成对抗网络的图像超分辨率重建算法。该算法使用生成对抗网络来生成高分辨率图像，其中生成器使用残差密集网络和注意力机制，判别器使用卷积神经网络。实验结果表明，该算法在 Set5、Set14 和 BSD100 数据集上均取得了更好的重建效果。本文提出的三种图像超分辨率重建算法均取得了较好的重建效果，其中基于生成对抗网络的图像超分辨率重建算法效果最好。该算法能够生成更加清晰、细节更加丰富的高分辨率图像，具有较好的应用前景。关键词：图像超分辨率重建；深度学习；残差密集网络；注意力机制；生成对抗网络# AbstractImage super-resolution reconstruction technology is one of the important research directions in the field of computer vision. Its purpose is to restore high-resolution images from low-resolution images. In recent years, with the rapid development of deep learning technology, image super-resolution reconstruction technology based on deep learning has achieved great success. However, there are still some problems in the current image super-resolution reconstruction algorithm based on deep learning, such as large network model parameters, high computational complexity, and insufficient detailed information of reconstructed images. Therefore, this paper proposes an image super-resolution reconstruction algorithm based on deep learning to solve these problems. The main research contents are as follows:1. An image super-resolution reconstruction algorithm based on residual dense network is proposed. The algorithm first uses the residual dense network to extract the features of the low-resolution image, then uses the sub-pixel convolution layer to upsample the feature map, and finally uses the reconstruction layer to reconstruct the upsampled feature map into a high-resolution image. Experimental results show that the algorithm achieves good reconstruction results on Set5, Set14 and BSD100 datasets.2. An image super-resolution reconstruction algorithm based on attention mechanism is proposed. Based on the residual dense network, the algorithm introduces an attention mechanism, which enables the network to pay more attention to important areas in the image, thereby improving the quality of the reconstructed image. Experimental results show that the algorithm achieves better reconstruction

本科毕业论文

相关文章