第2期 王凡超，等：基于广泛激活深度残差网络的图像超分辨率重建 ·445· SSIM(,x),SSIM∈[0,1]，SSIM与输出图像和无失 式证明了本文提出的模型改进能优于其他模型。 真图像的差距成反比，SSIM越大图像质量越好。 3.3.1客观评价结果 当两幅图像一模一样时，SSM=1。 本文在3个公开数据集上测试了WDSR-A、 3.3实验结果及分析 WDSR-B以及本文模型，分别计算在不同数据集 本实验从客观评价结果和主观评价结果两方 上采用不同算法进行上采样2、3、4倍时的PSNR 面来表现改进模型的超分辨率能力，通过不同方 和SSM,对比结果如表1所示。 表1在不同数据集上对比放大倍数为2、3、4的重构图像的PSNR和SSIM Table 1 Comparison of PSNR and SSIM of 2,3,and 4 times reconstructed images on different datasets WDSR-A WDSR-B PWDSR 数据集 放大倍数 PSNR/dB SSIM t/min PSNR/dB SSIM t/min PSNR/dB SSIM /min 2 33.8613 0.8040 1054.0 34.8217 0.8357 1055.0 35.0280 0.8521 1056.5 DIV2K 3 31.0211 0.7084 1332.8 31.0644 0.7145 1335.0 31.1129 0.7202 1337.5 4 28.7837 0.6321 1695.5 28.9369 0.6367 1697.5 29.0079 0.6524 1702.5 2 35.0688 0.9002 89.4 35.1157 0.9020 89.5 35.3112 0.9084 89.6 Set5 3 31.0657 0.7165 107.9 31.3806 0.7345 108.0 31.7262 0.7465 109.1 29.3180 0.6730 144.2 29.3658 0.6851 144.7 29.5172 0.6964 145.6 2 31.0615 0.7131 262.5 31.1140 0.7252 264.6 31.1448 0.7308 266.0 Set14 3 27.8946 0.6180 328.1 28.0032 0.6225 329.7 28.9950 0.6434 331.9 4 26.2087 0.6043 420.8 26.3112 0.6087 422.1 27.2699 0.6176 424.4 注：粗体字代表最好结果 从实验结果不难发现，更换不同数据集，本文 提出的方法在2、3、4倍重建任务中，都能够取得 原图 WDSR-A 较好的PSNR和SSIM值，相较于其他模型，在客 WDSR-B本文方 法 31.066/ 31.381/ 31.726 观指标上有所提升。 0.717 0.735 0.747 Baby (set5) 3.3.2主观评价结果 本文分别选取了DIV2K、Set5、Setl4数据集 图8baby(Set5)3倍重建视觉比较 Fig.8 Visual comparison of SR results of "baby"(Set5) 中的3张高分辨率图像进行放大倍数为2、3、4的 with scale factor 3 重构对比，为了更好地体现对比结果，本文将选 取不同图片的不同细节进行放大对比：图7选取 DIV2K数据集中图像绿叶的右端枝叶部分进行 4倍重建对比，图8选取Set5数据集中图像婴儿 原图 WDSR-A WDSR-B 本文方法 26.209/ 26.311/ 27.270/ 的左眼及上方部分进行3倍重建对比，图9选取 0.604 0.609 0.618 Setl4数据集中图像女孩的左眼及下方部分进行 Comic (set14) 4倍重建对比。 图9 comic(Set14)4倍重建视觉比较 Fig.9 Visual comparison of SR results of "comic"(Set14) with scale factor 4 从视觉对比结果可以看出，3种模型在2、3、 原图 WDSR-A WDSR-B本文方法 4倍的重建任务中都可以完成重建高分辨率图 28.784/ 28937/ 29008 0632 0637 0803(DV2K) 0.652 像，但本文提出模型在不同倍数重建任务中，能 够重建出更好的纹理细节，达到更好的视觉效 图7编号0803DIV2K4倍重建视觉比较 Fig.7 Visual comparison of SR results of "0803"(DIV2K) 果，说明重新构建出的图像更接近原始高分辨率 with scale factor 4 图像。SSIM(y, x)，SSIM∈[0, 1]，SSIM 与输出图像和无失 真图像的差距成反比，SSIM 越大图像质量越好。 当两幅图像一模一样时，SSIM=1。 3.3 实验结果及分析 本实验从客观评价结果和主观评价结果两方 面来表现改进模型的超分辨率能力，通过不同方 式证明了本文提出的模型改进能优于其他模型。 3.3.1 客观评价结果 本文在 3 个公开数据集上测试了 WDSR-A、 WDSR-B 以及本文模型，分别计算在不同数据集 上采用不同算法进行上采样 2、3、4 倍时的 PSNR 和 SSIM，对比结果如表 1 所示。 表 1 在不同数据集上对比放大倍数为 2、3、4 的重构图像的 PSNR 和 SSIM Table 1 Comparison of PSNR and SSIM of 2, 3, and 4 times reconstructed images on different datasets 数据集 放大倍数 WDSR-A WDSR-B PWDSR PSNR/dB SSIM t/min PSNR/dB SSIM t/min PSNR/dB SSIM t/min DIV2K 2 33.861 3 0.8040 1054.0 34.8217 0.8357 1 055.0 35.028 0 0.852 1 1056.5 3 31.021 1 0.7084 1332.8 31.0644 0.7145 1 335.0 31.112 9 0.720 2 1337.5 4 28.783 7 0.6321 1695.5 28.9369 0.6367 1 697.5 29.007 9 0.652 4 1702.5 Set5 2 35.068 8 0.9002 89.4 35.1157 0.9020 89.5 35.311 2 0.908 4 89.6 3 31.065 7 0.7165 107.9 31.3806 0.7345 108.0 31.726 2 0.746 5 109.1 4 29.318 0 0.6730 144.2 29.3658 0.6851 144.7 29.517 2 0.696 4 145.6 Set14 2 31.061 5 0.7131 262.5 31.1140 0.7252 264.6 31.144 8 0.730 8 266.0 3 27.894 6 0.6180 328.1 28.0032 0.6225 329.7 28.995 0 0.643 4 331.9 4 26.208 7 0.6043 420.8 26.3112 0.6087 422.1 27.269 9 0.617 6 424.4 注：粗体字代表最好结果 从实验结果不难发现，更换不同数据集，本文 提出的方法在 2、3、4 倍重建任务中，都能够取得 较好的 PSNR 和 SSIM 值，相较于其他模型，在客 观指标上有所提升。 3.3.2 主观评价结果 本文分别选取了 DIV2K、Set5、Set14 数据集 中的 3 张高分辨率图像进行放大倍数为 2、3、4 的 重构对比，为了更好地体现对比结果，本文将选 取不同图片的不同细节进行放大对比：图 7 选取 DIV2K 数据集中图像绿叶的右端枝叶部分进行 4 倍重建对比，图 8 选取 Set5 数据集中图像婴儿 的左眼及上方部分进行 3 倍重建对比，图 9 选取 Set14 数据集中图像女孩的左眼及下方部分进行 4 倍重建对比。 0803 (DIV2K) 原图 WDSR-A 28.784/ 0.632 WDSR-B 28.937/ 0.637 本文方法 29.008/ 0.652 图 7 编号 0803(DIV2K) 4 倍重建视觉比较 Fig. 7 Visual comparison of SR results of “0803” (DIV2K) with scale factor 4 Baby (set5) 原图 WDSR-A 31.066/ 0.717 WDSR-B 31.381/ 0.735 本文方法 31.726/ 0.747 图 8 baby(Set5) 3 倍重建视觉比较 Fig. 8 Visual comparison of SR results of “baby” (Set5) with scale factor 3 Comic (set14) 原图 WDSR-A 26.209/ 0.604 WDSR-B 26.311/ 0.609 本文方法 27.270/ 0.618 图 9 comic(Set14) 4 倍重建视觉比较 Fig. 9 Visual comparison of SR results of “comic” (Set14) with scale factor 4 从视觉对比结果可以看出，3 种模型在 2、3、 4 倍的重建任务中都可以完成重建高分辨率图 像，但本文提出模型在不同倍数重建任务中，能 够重建出更好的纹理细节，达到更好的视觉效 果，说明重新构建出的图像更接近原始高分辨率 图像。 第 2 期 王凡超，等：基于广泛激活深度残差网络的图像超分辨率重建 ·445·