合肥工业大学计算机与信息学院，安徽 合肥 230601
为获得更优的深度图像超分辨率重建结果，本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导，有益于恢复图像细节信息。在对LR深度图像提取特征的过程中，构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征，然后将每一个MRFRB输出的特征连接、融合，得到全局融合特征。最后，通过亚像素卷积层和全局融合特征，得到HR深度图像。实验结果表明，该算法得到的超分辨率图像缓解了边缘失真和伪影问题，有较好的视觉效果。
深度图像 超分辨率重建 卷积神经网络 多尺度引导 多感受野特征 depth image super-resolution convolutional neural network multi-scale guidance multiple receptive field characteristics
合肥工业大学计算机与信息学院, 安徽合肥 230601
由于成像设备的限制, 深度图往往分辨率较低。对低分辨率深度图进行上采样时, 通常会造成深度图的边缘模糊。当上采样因子较大时, 这种问题尤为明显。本文提出金字塔密集残差网络, 实现深度图超分辨率重建。整个网络以残差网络为主框架, 采用级联的金字塔结构对深度图分阶段上采样。在每一阶段, 采用简化的密集连接块获取图像的高频残差信息, 尤其是底层的边缘信息, 同时残差结构中的跳跃连接分支获取图像的低频信息。网络直接以原始低分辨率深度图作为输入, 以亚像素卷积层进行上采样操作, 减少了运算复杂度。实验结果表明, 该方法有效地解决了图像深度边缘的模糊问题, 在定性和定量评价上优于现有方法。
深度图 超分辨率 金字塔 密集残差 depth map super-resolution pyramid dense residual
