计算机论文哪里有？本文针对真实世界中的图像包含多种未知退化因素且分辨率低、现有方法大多假设退化已知导致其对于真实应用的效果不佳等问题，提出一种基于无监督退化表示和全局上下文信息注意网络的盲图像超分辨率方法。
1绪论
1.2国内外研究现状
随着图像处理领域的不断发展，图像复原作为该领域的一个重要分支，引发了国内外对于关键技术的持续关注和广泛研究。时至今日，针对图像复原问题的解决方案层出不穷，很多方法都已经取得了显著的成果。一般来说，图像复原可以分为传统方法与基于深度学习的方法两大类。传统图像复原方法在早期被使用较多，大多是基于传统图像处理，先对图像退化的过程进行建模，再利用图像特征、邻域信息、先验信息等知识进行求解，推理出图像中所包含的细节纹理，从而复原出清晰的图像。而基于深度学习的图像复原方法则是近年来才逐渐兴起的，大多通过堆叠海量的数据、以一种端到端的方式来直接学习出图像复原模型。无论是传统方法还是深度学习方法，都已被应用于多种图像复原任务，接下来，本章将结合最主要的三个图像复原任务，即图像去模糊、图像去噪以及图像超分辨率重建，对上述两大复原方法进行详述。
3基于无监督域转移的核磁共振图像复原以及边缘增强方法
3.2无监督域转移核磁共振图像复原以及边缘增强方法
3.2.1无监督域自适应网络整体架构
提出的方法通过去除核磁共振图像(之后均简称为MR图像)中的噪声和模糊来恢复出潜在的干净图像。在实践中，由于退化的MR图像难以获取到对应的干净图像，因此我们考虑使用无监督学习框架。受Du等人所提出的LIR[31]的启发，本章采用领域自适应来构建无监督框架，网络的整体结构如图3.1所示。
为了有效地生成共享潜在空间F，主流方法大多采用权值共享机制。但是a和b的实际概率分布有很大差异。如果仅使用权重共享机制，复原图像会出现背景信息不一致和边缘失真等问题。我们认为缺乏领域适应步骤是造成上述问题的根本原因，因此需要学习生成更普遍的底层语义信息。为了有效地提取低层次语义信息，采用了类似的领域自适应机制。然而，由于训练数据是无标签的，我们设计了一种无监督的方法来学习图像复原模型。
5基于无监督退化表示和全局上下文信息注意网络的盲图像超分辨率方法
5.1引言
受相机质量差、过度压缩、传输带宽等因素的限制，低分辨率图像普遍存在于人们的生活中，这些图像不仅分辨率低，且同时包含多种未知退化因素。大多数现有的方法往往假设退化模型是已知的，例如直接对高质量图像进行简单的双三次下采样来构造低分辨率(LR)和高分辨率(HR)对进行训练。然而，当假设的退化模型偏离真实图像中的退化模型，则难以取得较好的性能。因此，准确地学习图像中的退化信息是十分必要的。除此之外，许多基于CNN的方法试图通过增加网络深度来提高性能，但这并不是一个最好的方式。为了解决上述问题，本章利用无监督学习与有监督学习各自的优势以及特性，提出了一种包含无监督退化表示的全局上下文信息注意网络，旨在更好地感知真实世界的图像。通过学习特征空间的抽象表示来区分图像中的各种退化，并将其引入到一种可灵活适应各种退化的全局上下文注意网络中。我们采用跳过连接(skip-connection)将每个残差组的输出进行合并，来更好地融合浅层信息与深层信息。在每个残差组的末端加入了将自注意力应用于内核大小选择上的SK块，来更有效地建模全局上下文信息。在合成图像和真实图像上的实验结果表明，本章节的方法优于先进的方法，具有更好的视觉质量。
5.2图像超分辨率重建的问题描述以及现有方法存在的问题
5.2.2现有方法存在的问题
大多数现有的基于CNN的方法主要用于双三次降解，他们假设退化已知，并使用双三次操作进行下采样来构造训练数据对[74]。在测试阶段，通过双三次核降采样的输入图像被馈送到所设计的网络。虽然这类方法在PSNR和SSIM方面取得了显著改善，但当实际退化与其假设不同时，它们性能会严重下降，故此类方法通常在真实图像上表现不佳。还有一些方法针对未知退化的真实图像提供了解决方案，但往往需要进行退化估计。然而这样不仅会放大估计误差，还会导致明显的伪影。Wang等人[65]提出了一种基于学习表征的可灵活适应各种退化的退化感知网络(DASR)，通过准确地学习图像中的退化表示来提升SR的性能。然而，由于其SR网络忽略了各层结构之间的信息交流，因此该方法在性能上仍有很大的提升空间。
受益于ResNet[29]以及DenseNet[75]，为了进一步提高性能，基于CNN的方法一般都侧重于设计更深层次的网络架构。虽然这些方法证明了深度表示对SISR的重要性，然而，过深的网络可能也会带来梯度不稳定以及网络退化等问题，能够探索特征之间的相关性才更关键。
6总结与展望
6.1本文工作总结
近年来，随着互联网以及各种智能设备的兴起和发展，图像成为了人们日常生活中不可或缺的信息来源，人们对各类图像质量的要求也在不断提高。然而，图像在传播过程中常常会因为获取和传输设备不精以及保存机制不当等问题，造成图像在一定程度上的畸变和失真（如模糊、噪声、分辨率低等），使图像质量大幅降低，造成图像退化，不仅对人们获取信息造成影响，还会给一些视觉分析任务带来挑战。也正是因为如此，图像复原技术得以兴起。近年来，随着深度学习的的飞速发展，研究者们开始利用深度学习方法对图像进行复原，并在各类图像复原任务中都取得了不错的研究成果，其结果相对于传统方法来说也有着很大的提升。然而，大多数方法还存在一定的局限性，它们往往只考虑了单一退化因素对图像的干扰，而忽略了现实世界中普遍存在的混合退化因素，导致模型在真实图像上的应用效果不佳。除此之外，不同真实场景下数据的获取难易程度也不尽相同，能够根据不同数据的获取情况选择最佳的学习策略，也是十分重要的。为解决上述问题，本文以深度学习为背景，重点探究了真实应用场景下的混合退化图像复原任务，包括医学图像复原、自然图像复原以及图像超分辨率重建，结合不同真实场景下带标签数据的获取难度选择最适合的深度学习策略，针对现实世界图像中所存在的真实混合退化情况，提出面向真实混合退化因素的图像复原方法研究，包括以下三个算法。
(1)提出一种无监督域转移的核磁共振图像复原以及边缘增强方法
针对医学领域中很难获取成对的带标签数据、由于设备不精或病人与镜头发生相对位移导致图像存在噪声或模糊干扰、以及现有方法在真实的医学图像上表现不理想等问题，提出一种无监督域转移的核磁共振图像复原以及边缘增强方法。该方法提供了一种可以应用于真实医学图像复原的无监督域自适应框架，通过分别从来自干净域和退化域的样本中提取专属表示，通过域转移来生成邻域图像。再重复同样的操作来提取表示，重构原域的干净/退化图像。同时，在自编码器中加入拉普拉斯算子用于提取输出图像的边缘并利用1L loss构造损失函数来提高图像恢复的效果。整个过程无需带标签数据的参与，并且通过无监督域自适应的方式，可以更好地将模型应用到不同的真实图像中去。因此，该方法适用于此类情景，且可以在去除图像噪声干扰的同时恢复清晰的边缘纹理。最后，定性实验和视觉效果都证明了该算法的有效性。
参考文献（略）
