CN112163998A - 一种匹配自然降质条件的单图像超分辨率分析方法 - Google Patents

Abstract

本发明公开了一种匹配自然降质条件的单图像超分辨率分析方法，包括域学习网络和超分辨率分析学习网络，域学习网络包括生成器网络G_d和鉴别器网络D_x，超分辨率分析学习网络包括超分辨率分析网络G_SR和鉴别器网络D_y。基于深度学习训练下的生成器网络G_d，以生成低分辨率图像，使得该低分辨率图像和自然降质的低分辨率源域图像x相匹配，并通过超分辨率分析网络G_SR在生成对抗网络框架中通过使用生成的低分辨率

图像及其对应的高分辨率图像在干净的高分辨率目标域y中进行逐像素监督来训练，从生成的低分辨率对图像块在高分辨率域中，通过最小化能量损失函数进行残差学习，用像素级监督进行对抗训练，实现与现实匹配的的图像退化过程。

Description

一种匹配自然降质条件的单图像超分辨率分析方法

技术领域

本发明涉及图像处理技术领域，具体为一种匹配自然降质条件的单图像超分辨率分析方法。

背景技术

单图像超分辨率分析(SISR)的目标是从低分辨率(LR)观测图像恢复高分辨率(HR)图像。单图像超分辨率问题是基本的低级视觉和图像处理问题，在卫星成像，医学成像，天文学，显微镜成像，地震学，遥感，监视，生物识别，图像压缩等方面具有各种实际应用。近来，由于深层CNN具有强大的功能表示能力，许多作品都解决了单图超分辨率分析的任务。2017年Lim等提出了一种利用残差学习的增强型深度超分辨率分析网络(EDSR)。2018年Wang等人提出了增强超分辨率分析生成对抗网络模型(ESRGAN)来实现当时最先进的感知性能，该方法是通过HR/LR图像对在双三次下采样上进行训练的，因此在实际设置中的性能受到限制。2019年Fritsche等人提出了通过无监督的方式训练网络来学习退化机制，并且将增强超分辨率分析生成对抗网络修改为频率分离超分辨率分析(SR-FS)，以进一步提高其在实际环境中的性能[3]。这些基于深度学习的单图像超分辨率分析方法从大量成对的低分辨率/高分辨率(LR/HR)训练数据中学习低分辨率输入与高分辨率输出之间的非线性映射。高分辨率图像采用现实拍摄的高分辨率图像，成对的低分辨率图像一般由高分辨率图像的双三次降采样退化操作所获得，使用已知的双三次降采样退化模型不能很好地归纳自然图像特征。所以，这种退化过程和实际的图像受损相比较时，诸如面对固有的传感器噪声、随机噪声、压缩伪影时，该图像退化过程与这些自然降质条件不匹配，导致超分辨率分析的性能受限，为此我们提出一种匹配自然降质条件的单图像超分辨率分析方法用于解决上述问题。

发明内容

本发明的目的在于提供一种匹配自然降质条件的单图像超分辨率分析方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种匹配自然降质条件的单图像超分辨率分析方法，包括域学习网络和超分辨率分析学习网络，所述域学习网络包括生成器网络G_d和鉴别器网络D_x，所述超分辨率分析学习网络包括超分辨率分析网络G_SR和鉴别器网络D_y，基于深度学习训练下的生成器网络G_d作为采样网络，以生成低分辨率图像，使得该低分辨率图像和自然降质的低分辨率源域图像x相匹配，即具有相同特征，并通过超分辨率分析网络G_SR在生成对抗网络框架中通过使用生成的低分辨率

图像及其对应的高分辨率图像在干净的高分辨率目标域y中进行逐像素监督来训练，从而在学习从高分辨率图像y的双三次降采样图像z到源域图像x的映射，同时保留图像内容，从生成的低分辨率对图像块在高分辨率域中，通过最小化能量损失函数进行残差学习，用像素级监督进行对抗训练，实现与现实匹配的的图像退化过程。

优选的一种实施案例，所述退化过程的模型如下：

其中，

是退化得到的低分辨率图像，

是下采样运算符，该运算符通过缩放因子s和加性高斯白噪声η将高分辨率图像

重新调整大小，其中加性高斯白噪声的标准偏差为σ，N×N是图像中的像素总数。

优选的一种实施案例，所述退化过程的模型为训练过程，反之，应用过程中，Y是观测到的降质的低分辨率图像，以观测的低分辨率图像Y恢复高分辨率图像X使用结合观测和先验信息的变分方法，其相应的损失函数如下：

其中，其中

是数据保真度项，用于衡量解与观测值的接近度，R_W(X)是与图像先验信息相关联的正则化项，并且是权衡参数，控制数据保真度和正则化条件之间的折衷。

优选的一种实施案例，所述正则化项所使用的正则化器一般形式如下：

其中，L对应于一阶或更高阶微分线性算子，而ρ(·)表示作用于滤波输出的诸如l_p向量或矩阵范数的势函数，将正则化器R_W(X)植入深度卷积神经网络之中，其参数以W表示，即可获得强大的图像先验能力。

优选的一种实施案例，所述最小化能量损失函数采用适当的优化策略来找到W，最小化基于能量的损失函数，其方法步骤如下：

1)通过最小化方法恢复高分辨率图像X：

通过引用方程式(2)和(3)，将其写成：

2)需要限制图像强度，自然图像中的值要求为非负值，因此(5)须要以约束优化形式重写：

并通过近似梯度法求解公式(6)，以处理无法完全微分的函数的优化，将其分为平滑部分和非平滑部分，将公式(6)改写为：

其中，ι_c是凸集

上的指标函数，可训练的投影层为指标函数计算的近端映射：

其中

是参数化阈值，其中α是可训练的参数，σ是噪声水平，C×H×W是图像中的像素总数；

3)通过更新规则对(7)中问题进行能够迭代解决方案：

其中，γ^t是步长，

是与指标函数ι_c相关的近端算子，其定义为：

F(X)的梯度计算如下：

其中φ_k(·)是势函数ρ_k(·)的梯度；

4)通过结合等式(8)，(9)和(10)，最终形式为：

公式(11)是在起点Y和X⁽⁰⁾＝0处执行一个近端梯度下降推断步骤，其公式为：

其中α＝λγ对应于投影层可训练参数，L_k ^T是L_k的伴随滤波器，而H^T表示按比例放大操作

优选的一种实施案例，步骤4)中，所述公式(12)还用于设计生成器网路G_d，其中φ_k(·)对应应用于卷积特征映射的参数化整流线性单位(PReLU)。

优选的一种实施案例，所述生成器网络G_d采用损失函数进行训练，从而从源域x学习域分布层面的图像降质，生成对抗网络框架下，训练生成器网络G_d的损失函数如下：

其中，L_color表示色彩损失，L_tex表示纹理损失，L_per表示感知损失。

优选的一种实施案例，所述超分辨率分析网络G_SR网络具有以下损失函数：

其中，感知损失L_per关注于输出图像的感知质量，将其定义为：

其中，φ是从预训练的网络中提取的特征；

纹理损失L_GAN关注于输出图像的高频部分，将其定义为：

其中，E_y和

分别代表对小图像块中所有真实y和生成的

数据取平均值的操作，则真实高分辨率和重构高分辨率图像块的相对生成对抗网络得分可以定义为：

其中，C是原始鉴别器输出，并且是S型(sigmoid)函数；

内容损失L₁定义为：

其中N是小图像块的大小；

全变分损失L_tv：关注于使梯度差异最小化并在输出图像中产生清晰度，其定义为；

其中，

和

表示图像的水平和垂直渐变。

优选的一种实施案例，所述鉴别器网络D_x由三层卷积网络组成，它们在图像块级别运行，所述卷积层(Conv)具有64～256个支持5×5的特征映射内核，最后一个卷积层将256映射为1，其余每个卷积层之后都应用了归一化模块(BN)和Leak激活函数(LReLU)。

优选的一种实施案例，所述鉴别器网络D_y经过训练可以从生成的伪超分辨率分析图像中区分出真实的HR图像，原始的鉴别器网络包含10个卷积层，支持3x3和4x4特征映射的内核数量为512，其后连接归一化模块(BN)和Leak激活函数。

与现有技术相比，本发明的有益效果是：通过一个深层的超高分辨率残差卷积生成对抗网络，通过从生成的低分辨率对图像块在高分辨率域中，通过最小化能量损失函数进行残差学习，用像素级监督进行对抗训练，从而实现与现实匹配的的图像退化过程；该方法可用于提高此类现实环境中的图像质量，严格遵循图像观察(物理)模型，即匹配自然降质图像的超分辨率分析学习方法，以克服现实世界中超分辨率的挑战，使用了图像正则化和解决逆问题的大规模优化技术，在合成和自然降质图像的多个数据集上评估本方法，结果表明我们提出的方法在现实世界的自然降质条件下，优于其他方法。

附图说明

图1为本发明结构示意图；

图2为本发明中超分辨率分析网络G_SR结构示意图；

图3为本发明图鉴别器网络D_y结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-3，本发明提供一种技术方案：一种匹配自然降质条件的单图像超分辨率分析方法，包括域学习网络和超分辨率分析学习网络，域学习网络包括生成器网络G_d和鉴别器网络D_x，超分辨率分析学习网络包括超分辨率分析网络G_SR和鉴别器网络D_y，由于没有成对的(低分辨率/高分辨率)数据，首先基于深度学习训练下的生成器网络G_d作为采样网络，以生成低分辨率图像，使得该低分辨率图像和自然降质的低分辨率源域图像x相匹配，即具有相同特征，并通过超分辨率分析网络G_SR在生成对抗网络框架中通过使用生成的低分辨率

图像及其对应的高分辨率图像在干净的高分辨率目标域y中进行逐像素监督来训练，从而在学习从高分辨率图像y的双三次降采样图像z到源域图像x的映射，同时保留图像内容，从生成的低分辨率对图像块在高分辨率域中，通过最小化能量损失函数进行残差学习，用像素级监督进行对抗训练，实现与现实匹配的的图像退化过程。

从大量成对的低分辨率/高分辨率(LR/HR)训练数据中学习低分辨率输入与高分辨率输出之间的非线性映射，高分辨率图像采用现实拍摄的高分辨率图像，成对的低分辨率图像一般由高分辨率图像通过退化操作所获得，退化过程的模型如下：

其中，

是退化得到的低分辨率图像，

是下采样运算符，该运算符通过缩放因子s和加性高斯白噪声η将高分辨率图像

重新调整大小，其中加性高斯白噪声的标准偏差为σ，N×N是图像中的像素总数。

进一步的，退化过程的模型为训练过程，反之，应用过程中，Y是观测到的降质的低分辨率图像，以观测的低分辨率图像Y恢复高分辨率图像X使用结合观测和先验信息的变分方法，其相应的损失函数如下：

其中，其中

是数据保真度项，用于衡量解与观测值的接近度，R_W(X)是与图像先验信息相关联的正则化项，并且是权衡参数，控制数据保真度和正则化条件之间的折衷。

进一步的，正则化项所使用的正则化器一般形式如下：

其中，L对应于一阶或更高阶微分线性算子，而ρ(·)表示作用于滤波输出的诸如l_p向量或矩阵范数的势函数，将正则化器R_W(X)植入深度卷积神经网络之中，其参数以W表示，即可获得强大的图像先验能力。

进一步的，除了适当制定损失函数和正则化函数外，本方法所使用变分方法还需获得所需解的最小化策略，派生的解可以描述为惩罚最大似然估计或最大后验概率(MAP)估计，最小化能量损失函数采用适当的优化策略来找到W，最小化基于能量的损失函数，其方法步骤如下：

1)通过最小化方法恢复高分辨率图像X：

通过引用方程式(2)和(3)，将其写成：

2)需要限制图像强度，自然图像中的值要求为非负值，因此(5)须要以约束优化形式重写：

并通过近似梯度法求解公式(6)，以处理无法完全微分的函数的优化，将其分为平滑部分和非平滑部分，将公式(6)改写为：

其中，ι_c是凸集

上的指标函数，可训练的投影层为指标函数计算的近端映射：

其中

是参数化阈值，其中α是可训练的参数，σ是噪声水平，C×H×W是图像中的像素总数；

3)通过更新规则对(7)中问题进行能够迭代解决方案：

其中，γ^t是步长，

是与指标函数ι_c相关的近端算子，其定义为：

F(X)的梯度计算如下：

其中φk(·)是势函数ρ_k(·)的梯度；

4)通过结合等式(8)，(9)和(10)，最终形式为：

公式(11)是在起点Y和X⁽⁰⁾＝0处执行一个近端梯度下降推断步骤，其公式为：

其中α＝λγ对应于投影层可训练参数，L_k ^T是L_k的伴随滤波器，而H^T表示按比例放大操作

步骤4)中，公式(12)还用于设计生成器网路G_d，其中φ_k(·)对应应用于卷积特征映射的参数化整流线性单位(PReLU)。

进一步的，等式(12)中的大多数参数来自等式(2)的前项，这导致建议的生成器网络将其大部分参数表示为图像先验信息，为了学习正则化参数的有效权重，权重设定为零均值和固定比例约束，为了从源域x学习域分布层面的图像降质，生成器网络G_d采用损失函数进行训练，在生成对抗网络框架下，训练生成器网络G_d的损失函数如下：

其中，L_color表示色彩损失，L_tex表示纹理损失，L_per表示感知损失。

进一步的，生成器网络G_d由8个残差模块(两个卷积层和他们之间的PReLU激活组件)组成，它们夹在两个卷积层(Conv)之间。所有的卷积层(Conv)都有具有64个支持3×3的特征映射内核，同时将S形(sigmoid)非线性函数应用于G_d网络的输出。

鉴别器网络D_x由三层卷积网络组成，它们在图像块级别运行，卷积层(Conv)具有64～256个支持5×5的特征映射内核，最后一个卷积层将256映射为1，其余每个卷积层之后都应用了归一化模块(BN)和Leak激活函数(LReLU)。

使用512x512的图像块训练G_d网络，并对其进行二次降采样，随机裁剪源域图像(x)至128x128尺寸，具体的，使用参数为β₁＝0.5，β₂＝0.999，ε＝10^-8的Adam优化器训练网络。

超分辨率分析网络G_SR网络具有以下损失函数：

其中，感知损失L_per关注于输出图像的感知质量，将其定义为：

其中，φ是从预训练的网络中提取的特征；

纹理损失L_GAN关注于输出图像的高频部分，将其定义为：

其中，E_y和

分别代表对小图像块中所有真实y和生成的

数据取平均值的操作，则真实高分辨率和重构高分辨率图像块的相对生成对抗网络得分可以定义为：

其中，C是原始鉴别器输出，并且是S型(sigmoid)函数；

内容损失L₁定义为：

其中N是小图像块的大小；

全变分损失L_tv：关注于使梯度差异最小化并在输出图像中产生清晰度，其定义为；

其中，

和

表示图像的水平和垂直渐变。

进一步的，超分辨率分析网络G_SR的架构，编码器层(L_k滤波器)和解码器层(即L_k ^T滤波器)都有64个支持5×5的特征映射内核，具有C×H×W张量，其中C是输入图像的通道数，在编码器内部，LR图像Y由带有升采样层的双线性核进行升采样(相当于H^TY操作)，其中选用随机升采样内核，残差网络(Resnet)由5个残差模块和2个预激活卷积层组成，均有64个支持3×3的特征映射内核，预激活(φ_k(·))是指支持64个功能通道的参数化整流线性单位(PReLU)，解码器内部的可训练投影层(Proj，即近端算子P_C),使用估计的噪声标准偏差σ计算近端映射，并处理数据保真度和先验项，此外，在训练期间，通过投影层(Proj)参数进行了微调，在夹在编码器和解码器之间的残差网络(Resnet)中实现噪声估计，从LR输入图像中减去解码器之后的估计残留图像，最后，剪裁层结合了我们对图像强度有效范围的先验知识，并强制重构图像的像素值至[0，255]区间，在所有卷积层之前使用反射填充，以确保在输入图像的边界处缓慢变化。

鉴别器网络D_y经过训练可以从生成的伪超分辨率分析图像中区分出真实的HR图像，原始的鉴别器网络包含10个卷积层，支持3x3和4x4特征映射的内核数量为512，其后连接归一化模块(BN)和Leak激活函数。

进一步的，在训练时，将输入的LR图像块大小设置为32x32，使用参数为β₁＝0.9，β₂＝0.999，ε＝10^-8的Adam优化器网络进行51000次迭代训练，一次训练选区的样本数为16，发生器和鉴别器的权重均不减小以最小化公式(14)中的损失函数，学习率最初设置为10-4，然后在5K，10K，20K和30K次迭代后乘以0.5，从输入的LR图像估计投影层参数σ，在从α_max＝2到α_min＝1的对数刻度值上初始化投影层参数α，然后在训练过程中通过反向传播进一步微调。

进一步的，应用本发明方法进行实际测试应用，具体如下：

使用因未知降质而损坏的源域数据(X：2650张损坏的HR图像)，未知降质可能是传感器噪声、压缩伪像等，使用目标域数据(Y：800张清晰的HR图像)，使用这些数据通过随机的垂直和水平翻转以及90旋转来扩充的训练数据，在峰值信噪比(PSNR)，结构相似度(SSIM)和学习知觉图像补丁相似度(LPIPS)指标下评估训练的模型。PSNR和SSIM是基于失真的度量，与基于实际感知的相似性的关联性较差，而LPIPS与基于失真的度量相比，与人类感知的关联性更好，将本发明的方法与其他最先进的超分辨率分析方法进行了比较，包括增强型深层超分辨率网络(EDSR)，增强型超分辨率生成对抗网络(ESRGAN)和频率分离超分辨率分析(SR-FS)，其结果如下表所示，

对比结果

结果显示了本发明的方法在所选用数据集上的定量结果比较，分别在合成降质条件(σ＝8传感器噪声和质量quality＝30的JPEG压缩)和自然降质条件下进行测试。与其他方法相比，我们的方法在PSNR和SSIM指标上的性能均优于其他方法。而在LPIPS指标上，虽然在合成降质条件下不如SR-FS，但是在现实世界的自然降质条件下，优于其他方法。

综上所述，本发明通过一个深层的超高分辨率残差卷积生成对抗网络，通过从生成的低分辨率对图像块在高分辨率域中，通过最小化能量损失函数进行残差学习，用像素级监督进行对抗训练，从而实现与现实匹配的的图像退化过程，该方法可用于提高此类现实环境中的图像质量，严格遵循图像观察(物理)模型，即匹配自然降质图像的超分辨率分析学习方法，以克服现实世界中超分辨率的挑战，使用了图像正则化和解决逆问题的大规模优化技术，在合成和自然降质图像的多个数据集上评估本方法，结果表明我们提出的方法在现实世界的自然降质条件下，优于其他方法。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种匹配自然降质条件的单图像超分辨率分析方法，包括域学习网络和超分辨率分析学习网络，其特征在于：所述域学习网络包括生成器网络G_d和鉴别器网络D_x，所述超分辨率分析学习网络包括超分辨率分析网络G_SR和鉴别器网络D_y，基于深度学习训练下的生成器网络G_d作为采样网络，以生成低分辨率图像，使得该低分辨率图像和自然降质的低分辨率源域图像x相匹配，即具有相同特征，并通过超分辨率分析网络G_SR在生成对抗网络框架中通过使用生成的低分辨率

图像及其对应的高分辨率图像在干净的高分辨率目标域y中进行逐像素监督来训练，从而在学习从高分辨率图像y的双三次降采样图像z到源域图像x的映射，同时保留图像内容，从生成的低分辨率对图像块在高分辨率域中，通过最小化能量损失函数进行残差学习，用像素级监督进行对抗训练，实现与现实匹配的的图像退化过程。

2.根据权利要求1所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述退化过程的模型如下：

其中，

是退化得到的低分辨率图像，

是下采样运算符，该运算符通过缩放因子s和加性高斯白噪声η将高分辨率图像

重新调整大小，其中加性高斯白噪声的标准偏差为σ，N×N是图像中的像素总数。

3.根据权利要求2所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述退化过程的模型为训练过程，反之，应用过程中，Y是观测到的降质的低分辨率图像，以观测的低分辨率图像Y恢复高分辨率图像X使用结合观测和先验信息的变分方法，其相应的损失函数如下：

其中，其中

是数据保真度项，用于衡量解与观测值的接近度，R_W(X)是与图像先验信息相关联的正则化项，并且是权衡参数，控制数据保真度和正则化条件之间的折衷。

4.根据权利要求3所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述正则化项所使用的正则化器一般形式如下：

其中，L对应于一阶或更高阶微分线性算子，而ρ(·)表示作用于滤波输出的诸如l_p向量或矩阵范数的势函数，将正则化器R_W(X)植入深度卷积神经网络之中，其参数以W表示，即可获得强大的图像先验能力。

5.根据权利要求1所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述最小化能量损失函数采用适当的优化策略来找到W，最小化基于能量的损失函数，其方法步骤如下：

1)通过最小化方法恢复高分辨率图像X：

通过引用方程式(2)和(3)，将其写成：

2)需要限制图像强度，自然图像中的值要求为非负值，因此(5)须要以约束优化形式重写：

并通过近似梯度法求解公式(6)，以处理无法完全微分的函数的优化，将其分为平滑部分和非平滑部分，将公式(6)改写为：

其中，ι_c是凸集

上的指标函数，可训练的投影层为指标函数计算的近端映射：

其中

是参数化阈值，其中α是可训练的参数，σ是噪声水平，C×H×W是图像中的像素总数；

3)通过更新规则对(7)中问题进行能够迭代解决方案：

其中，γ^t是步长，

是与指标函数ι_c相关的近端算子，其定义为：

F(X)的梯度计算如下：

其中φ_k(·)是势函数ρ_k(·)的梯度；

4)通过结合等式(8)，(9)和(10)，最终形式为：

公式(11)是在起点Y和X⁽⁰⁾＝0处执行一个近端梯度下降推断步骤，其公式为：

其中α＝λγ对应于投影层可训练参数，L_k ^T是L_k的伴随滤波器，而H^T表示按比例放大操作。

6.根据权利要求5所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：步骤4)中，所述公式(12)还用于设计生成器网路G_d，其中φ_k(·)对应应用于卷积特征映射的参数化整流线性单位(PReLU)。

7.根据权利要求6所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述生成器网络G_d采用损失函数进行训练，从而从源域x学习域分布层面的图像降质，生成对抗网络框架下，训练生成器网络G_d的损失函数如下：

其中，L_color表示色彩损失，L_tex表示纹理损失，L_per表示感知损失。

8.根据权利要求1所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述超分辨率分析网络G_SR网络具有以下损失函数：

其中，感知损失L_per关注于输出图像的感知质量，将其定义为：

其中，φ是从预训练的网络中提取的特征；

纹理损失L_GAN关注于输出图像的高频部分，将其定义为：

其中，E_y和

分别代表对小图像块中所有真实y和生成的

数据取平均值的操作，则真实高分辨率和重构高分辨率图像块的相对生成对抗网络得分可以定义为：

其中，C是原始鉴别器输出，并且是S型(sigmoid)函数；

内容损失L₁定义为：

其中N是小图像块的大小；

全变分损失L_tv：关注于使梯度差异最小化并在输出图像中产生清晰度，其定义为；

其中，

和

表示图像的水平和垂直渐变。

9.根据权利要求1所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述鉴别器网络D_x由三层卷积网络组成，它们在图像块级别运行，所述卷积层(Conv)具有64～256个支持5×5的特征映射内核，最后一个卷积层将256映射为1，其余每个卷积层之后都应用了归一化模块(BN)和Leak激活函数(LReLU)。

10.根据权利要求1所述的一种匹配自然降质条件的单图像超分辨率分析方法，其特征在于：所述鉴别器网络D_y经过训练可以从生成的伪超分辨率分析图像中区分出真实的HR图像，原始的鉴别器网络包含10个卷积层，支持3x3和4x4特征映射的内核数量为512，其后连接归一化模块(BN)和Leak激活函数。

Images