[发明专利]基于生成对抗网络的视频超分辨率重建算法

说明书

本发明公开了一种基于生成对抗网络的视频超分辨率重建算法，该方法包括以下步骤：利用判别算法模型与生成算法模型以交替的方式进行训练，不断优化训练结果，以解决二元博弈问题。与现有技术相比，本发明通过含有残差网络的生成网络生成图像中的纹理信息，以实现现有技术难以达到的重建鲁棒性低的问题。

技术领域

本发明涉及视频重建技术领域，尤其涉及一种基于生成对抗网络的视频重建方法。

背景技术

视频超分辨率重建是计算机视觉领域中的一个重要研究课题。视频序列的超分辨率重建从图像退化模型出发，利用以图像间的亚像素偏移或高频互补特性和特定的先验知识对退化模型进行求解。其中主要包括迭代反投影法(Iterative Back Projection，IBP)、凸集投影法(Projection Onto Convex Sets，POCS)和概率论方法三类。Irani等于1991年提出的迭代反投影法通过反投影的方式模拟图像退化过程来逐步减少重建误差，完成超分辨率重建；Stark H等提出的凸集投影法可以通过将重建图像的可行解限制在若干闭合的凸集里的方法经过若干次迭代得到最终的解集；chultz开创的利用概率论进行超分辨率重建的先河，将超分辨率重建转化为统计数据的优化模型进行求解。我国学者苏秉华等提出了《基于Markov约束的Poisson-ML/MAP方法》。在序列图像与视频的配准研究方面，王素玉等发展了《一种多尺度最小二乘仿射块配准方法》，用于动态视频超分辨处理等。

传统的视频超分辨率处理方法一般处理的是较小的放大倍数，当图像的放大倍数在4倍以上时，很容易使得到的结果显得过于平滑，而缺少一些细节上的真实感，鲁棒性较低。因此本发明利用生成对抗网络来生成图像中的纹理信息，增加细节上的真实感，且效果优越。

发明内容

本发明提出了一种基于生成对抗网络的视频超分辨率重建算法，利用生成算法模型可以学习生成与实际图像高度相似的图像，从而难以通过D进行分类；交替执行利用判别算法模型来训练来区分超分辨率图像和真实图像。

本发明的一种基于生成对抗网络的视频超分辨率重建算法，该方法包括以下步骤：

利用判别算法模型与生成算法模型以交替的方式进行训练，不断优化训练结果，以解决二元博弈问题：