第3期 曹锦纲，等：基于生成式对抗网络的道路交通模糊图像增强 ·495· 4)重复1)3)，直到生成网络G可以生成判别 n64 n64 n64 网络D分辨不出的图像。 10个循环 为证明本文提出的多尺度多路径模型的优越 性，设置了3个对照模型，命名为模型b、模型 c和模型d,模型主要区别在图3生成网络的A 和B两部分，A部分网络分为多尺度和非多尺度 n256 卷积，B部分网络分为多路径和链模式学习，用 “√表示模型中含此部分，模型分类如表1所示。 n256 表1模型分类 Table 1 Model classification 圆256 n256 多尺度卷积非多尺度卷积多路径模式链模式算法模型 提出模型 模型b 图6模型c生成网络框架 模型c Fig.6 Framework of model c generation network 模型d n64 5×5 模型b与本文提出的网络模型的不同点是： 10个循环 n64 模型b的A部分网络结构使用卷积核为5×5、 3×3 3×3、1×1的卷积依次卷积，B部分网络结构采用 链模式的局部残差学习，具体模型结构如图5 1×1 所示。 m64 256 10个循环 B 图7模型d生成网络框架 图n256 Fig.7 Framework of model d generation network n256 3.4结果讨论 首先使用本文自建的数据集分别对本文提出 的模型、模型b、模型c、模型d进行了对照实验， 实验结果如表2所示，图8是选取了测试集中的 图5模型b生成网络框架 Fig.5 Framework of model b generation network 4幅图像的实验效果图。 模型c与本文提出的网络模型的不同点是： 表2图像质量评价结果 模型c的A部分网络结构使用卷积核为5×5、 Table 2 Results of image quality evaluations 3×3、1×1的卷积依次卷积，B部分网络结构采用 模型 PSNR/dB SSIM 多路径模式的局部残差学习与全局残差学习相结 本文算法 27.27 0.8991 合，进行多权重的递归学习，具体不同点的模型 模型b 25.39 0.7253 结构如图6所示。 模型c 26.62 0.7483 模型d与本文提出的网络模型的不同点是： 模型d 25.45 0.7304 模型d的A部分网络结构使用卷积核为5×5、 3×3、1×1的多尺度卷积，B部分网络结构采用链 从图8中可以看到本文算法模型处理后的图 模式的局部残差学习，具体不同点的模型结构如 像更加细腻，边缘的细节较清晰。由表2的图像 图7所示。 质量评价结果的数据可以看出，本文算法模型的4) 重复 1)~3)，直到生成网络 G 可以生成判别 网络 D 分辨不出的图像。 为证明本文提出的多尺度多路径模型的优越 性，设置了 3 个对照模型，命名为模型 b、模型 c 和模型 d，模型主要区别在图 3 生成网络的 A 和 B 两部分，A 部分网络分为多尺度和非多尺度 卷积，B 部分网络分为多路径和链模式学习，用 “√”表示模型中含此部分，模型分类如表 1 所示。 表 1 模型分类 Table 1 Model classification 多尺度卷积 非多尺度卷积 多路径模式 链模式 算法模型 √ √ 提出模型 √ √ 模型b √ √ 模型c √ √ 模型d 模型 b 与本文提出的网络模型的不同点是： 模型 b 的 A 部分网络结构使用卷积核为 5×5、 3×3、1×1 的卷积依次卷积，B 部分网络结构采用 链模式的局部残差学习，具体模型结构如图 5 所示。 5×5 卷积 3×3 卷积 1×1 卷积 + … … … A n64 n64 n64 n256 10个循环 n256 B3×3 3×3 图 5 模型 b 生成网络框架 Fig. 5 Framework of model b generation network 模型 c 与本文提出的网络模型的不同点是： 模型 c 的 A 部分网络结构使用卷积核为 5×5、 3×3、1×1 的卷积依次卷积，B 部分网络结构采用 多路径模式的局部残差学习与全局残差学习相结 合，进行多权重的递归学习，具体不同点的模型 结构如图 6 所示。 模型 d 与本文提出的网络模型的不同点是： 模型 d 的 A 部分网络结构使用卷积核为 5×5、 3×3、1×1 的多尺度卷积，B 部分网络结构采用链 模式的局部残差学习，具体不同点的模型结构如 图 7 所示。 3.4 结果讨论 首先使用本文自建的数据集分别对本文提出 的模型、模型 b、模型 c、模型 d 进行了对照实验， 实验结果如表 2 所示，图 8 是选取了测试集中的 4 幅图像的实验效果图。 表 2 图像质量评价结果 Table 2 Results of image quality evaluations 模型 PSNR/dB SSIM 本文算法 27.27 0.899 1 模型b 25.39 0.725 3 模型c 26.62 0.748 3 模型d 25.45 0.730 4 从图 8 中可以看到本文算法模型处理后的图 像更加细腻，边缘的细节较清晰。由表 2 的图像 质量评价结果的数据可以看出，本文算法模型的 5×5 卷积 3×3 卷积 1×1 … 卷积 … … A B n64 n64 n64 n256 n256 n256 n256 10个循环 + + 3×3 3×3 3×3 3×3 图 6 模型 c 生成网络框架 Fig. 6 Framework of model c generation network … A 10个循环 B + … … 3×3 n256 n256 n64 n64 3×3 1×1 3×3 5×5 图 7 模型 d 生成网络框架 Fig. 7 Framework of model d generation network 第 3 期 曹锦纲，等：基于生成式对抗网络的道路交通模糊图像增强 ·495·