鄒鵬輝

摘 要：圖像的分辨率在圖像中是一項(xiàng)及其重要的參數(shù)，用于蘊(yùn)含圖像的重要信息。而實(shí)際上，可能受多方面環(huán)境因素的影響，高分辨率的圖像往往不容易采集到。為解決低分辨率圖像給采集數(shù)據(jù)帶來的種種問題與影響，人們開始研究超分辨率技術(shù)。超分辨率技術(shù)是指將拍攝到的低清分辨率的圖像使用重建的技術(shù)來得到更高清分辨率的圖像，從而達(dá)到獲取圖像上更多信息的效果，主要的應(yīng)用場景有醫(yī)學(xué)影像儀器、監(jiān)控設(shè)備以及衛(wèi)星圖像等。普通意義上的圖像超分辨率重建一般是將圖像直接放大或者進(jìn)行縮小，對圖像的實(shí)際超分辨率重建效果不是很明顯。為解決傳統(tǒng)超分辨率重建對圖像質(zhì)量改善不大的情況，引入基于神經(jīng)網(wǎng)絡(luò)的SRGAN。SRGAN使用生成式對抗網(wǎng)絡(luò)架構(gòu)（GAN），[1]以優(yōu)化損失函數(shù)為目標(biāo)，生成圖像中的某些細(xì)節(jié)。本文將描述SRGAN在應(yīng)用中的具體實(shí)現(xiàn)過程，通過分析模型中的損失函數(shù)以及模型的訓(xùn)練過程，對其重建效果以及產(chǎn)生的問題進(jìn)行深入探討。

關(guān)鍵詞：超分辨率圖像重建;深度學(xué)習(xí);神經(jīng)網(wǎng)絡(luò)

1 緒論

基于SRGAN的超分辨率重建的損失函數(shù)有兩個(gè)方面構(gòu)成，分別是對抗損失以及內(nèi)容損失。所謂對抗損失，是將需要超分辨率重建的圖像映射至高維空間，再借用判別網(wǎng)絡(luò)去判別超分辨率重建前以及重建后的圖像。所謂內(nèi)容損失，則是有關(guān)圖像內(nèi)容的相似性，將卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取出來的圖像特征，通過對比生成圖片經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)的圖像特征和目標(biāo)圖片經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)的圖像特征的差別，以及優(yōu)化兩者之間的差別，使得生成圖像與目標(biāo)圖像更為接近與相似。其中，生成式對抗網(wǎng)絡(luò)的主要作用是添加一個(gè)判別器以及兩個(gè)損失（對抗損失和內(nèi)容損失），用一種交替訓(xùn)練的方法來訓(xùn)練兩個(gè)網(wǎng)絡(luò)。SRGAN利用生成式對抗網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)通過低分辨率圖像生成高分辨率圖像，而生成式對抗網(wǎng)絡(luò)中的判別網(wǎng)絡(luò)則用于判斷獲取的圖像是由生成式對抗網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)偽造的還是為原圖像。如果生成式對抗網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)所生成的圖像，判別網(wǎng)絡(luò)無法檢測出，則能得到超分辨率圖像。借用對抗損失以及內(nèi)容損失來提升以及恢復(fù)圖像的分辨率。

2 方法

2.1 分析

訓(xùn)練SRGAN的生成網(wǎng)絡(luò)的主要步驟如下，先輸入一張低分辨率的照片，經(jīng)過卷積得到其主要特征，再使用激活函數(shù)（ReLU），進(jìn)而再次卷積提取其主要特質(zhì)，再進(jìn)入殘差網(wǎng)絡(luò)模型，多個(gè)殘差模塊中每個(gè)殘差模塊都包括了兩個(gè)卷積層（conv），之后又接入批量歸一化層，殘差模塊中再接入ReLU作為激活函數(shù)，通過殘差模塊之后再進(jìn)行兩次池化，通過亞像素卷積層來增加尺寸。

而對SRGAN的判別網(wǎng)絡(luò)模型而言，它的主要步驟有如下，先輸入一張待檢測的圖片，而后通過卷積層以及特殊的激活函數(shù)，最后經(jīng)過Sigmoid函數(shù)來判斷輸入圖像為原圖像還是生成圖像。

2.2 損失函數(shù)

前面提到，模型的損失函數(shù)主要有對抗損失以及內(nèi)容損失。下面將詳細(xì)介紹對抗損失以及內(nèi)容損失的具體內(nèi)容。

對抗損失，對抗損失的計(jì)算公式如下：

公式中DθD代表的是生成圖像屬于真正的高分辨率圖像的概率，而 代表的是重建生成的高清分辨率圖像。最后計(jì)算得出對抗損失。

內(nèi)容損失，在試驗(yàn)中我們使用的內(nèi)容損失函數(shù)包括兩個(gè)方面，一個(gè)是MSEloss，另一個(gè)則是VGGloss。前者表示的是像素空間的均方誤差，后者則是以ReLU激活函數(shù)為基礎(chǔ)的VGG loss，MSEloss的計(jì)算公式如下：

VGGloss的計(jì)算公式如下：

3 結(jié)論

在SRGAN技術(shù)的模型中，由于生成式對抗網(wǎng)絡(luò)在實(shí)際應(yīng)用中仍然存在一定的問題，在訓(xùn)練過程中收斂性不是非常好，并且還可能伴隨著模式坍塌的問題存在，導(dǎo)致訓(xùn)練結(jié)果不是很好，進(jìn)而影響SRGAN。我們在研究中對SRGAN進(jìn)行了一定的改良，除去批量歸一化層，其主要目的是減少計(jì)算的復(fù)雜度從而增加計(jì)算機(jī)CPU及GPU的運(yùn)算性能。在我們進(jìn)行的研究性實(shí)驗(yàn)中，按照上述的模型（SRGAN 生成網(wǎng)絡(luò)模型，SRGAN 判別網(wǎng)絡(luò)模型）的步驟進(jìn)行相關(guān)的處理。先準(zhǔn)備好大量的未處理的圖像集，大概會(huì)在一百張左右，將一百張圖片一次輸入至生成器，經(jīng)過一系列的卷積、池化等處理之后，再投入到判別器中進(jìn)行判別，在一系列操作之后，得到了生成的高分辨率的圖像。將進(jìn)行比照原圖像與生成的高分辨率的圖像，發(fā)現(xiàn)生成的高分辨率圖像在提高分辨率的基礎(chǔ)上還保持了原圖像的真實(shí)性。

參考文獻(xiàn)：

[1]Goodfellow I J，Pouget-Abadie J，Mirza M，et al.Generative Adversarial Networks[J].Advances in Neural Information Processing Systems，2014，3：2672-2680.