在语义分割模型结构不变的前提下, 为提升模型对图像分割的精确度, 引入生成对抗网络结构用于训练语义分割模型(SS-GAN)。SS-GAN包含 3个设计环节: 构建全卷积网络(FCN)结构的生成模型, 进行初步的图像分割; 设计具备像素间高阶关系学习能力的对抗模型, 提高生成模型的学习能力; 加入对抗损失辅助生成模型学习, 进一步促进生成网络自主学习像素间关系。在计算机视觉竞赛数据集 (PASCAL VOC)和城市景观数据集 (Cityscapes)上的实验结果表明, 引入生成对抗网络后取得了更好的效果, 2个数据集的交并比 (IoU)指标分别提高了 1.56%/1.17%和1.93%/1.55%。

与以往两类单帧图像的超分辨率重建方法相比，卷积神经网络超分辨率(SRCNN)技术以其端对端的映射架构大幅提高了运行效率与复原精准度，然而网络的层数限制以及收敛性能使得部分图像的恢复效果不及基于样例的重建方法。针对网络优化问题，提出了一种将粒子群优化(PSO)算法与SRCNN相结合的方法，利用PSO算法对网络权重进行初始化，同时结合梯度下降(GD)算法对权值进行修正，使得PSO算法的全局搜索能力与GD算法的局部寻优能力相融合。分别对set5、set14数据集和雾霾天气下模糊图片进行对比实验，结果表明，所提算法不仅能以较少参数来获得较高性能的网络，其重建效果优于已有的4种算法，而且对边缘的锐化能力更强。