Page 305 - 《软件学报》2020年第12期

刘宇男 等:基于级联密集网络的轮廓波变换域图像复原 3971

于图像复原任务,虽然这些方法生成的图像包含了更多逼真的纹理细节,但训练的不稳性定给性能优化带来了
新的难题.此外,基于生成对抗网络方法生成的图像通常会出现比较严重的失真,导致这些方法通常提供了较差
的客观评估结果.作为一种简单的解决方案,小波变换与 CNN 结合的方法 [21−23] 被引入到图像复原任务中.小波
变换提供的高频子带可以稀疏地捕获到不同方向下的图像特征,借助这个优势,这些方法将空域的非线性映射
转换到小波变换域,简单有效地实现了图像复原在主观和客观评估结果上的同时优化.但是,小波变换的主要缺
陷在于:当处理二维图像及更高维信号时,小波变换并不能提供最优的稀疏表示 [24] ,高频子带用“点”拟合的边缘
和轮廓会出现不连续问题,各向同性的特点也限制了小波变换对图像的稀疏表示能力.
2 本文方法

为了更好地解决图像复原任务,本文提出了一种基于级联密集型的轮廓波域的图像复原方法.首先介绍级
联密集型卷积神经网络结构,然后对轮廓波变换及其与 CDCNN 结构结合进行详细阐述.

2.1 级联密集型卷积神经网络
如图 1 所示,CDCNN 包括两个部分,分别为浅层特征提取模块和深层特征提取模块:浅层特征提取模块中
包含了串联的两个卷积层;深层特征提取模块由若干个密集块(dense block,简称 DB)级联而成,每个密集块结构
如图 2 所示.图 2 的结构图中,每个 DB 包含 4 层卷积,与残差块(residual block,简称 RB) [36] 相比,每个 DB 中的卷
积层连接更加紧密,通过通道拼接操作,使其中每个卷积层的输出都作为后面卷积层的输入,实现了信息的最大
化流通 [38] .在 CDCNN 中,位于不同深度的 DB 可以充分地挖掘出不同层次的图像特征,而且每个 DB 的输入是
浅层特征提取模块以及前面所有 DB 输出特征图的拼接结果.这样的设计使得每个 DB 挖掘出来的不同层次特
征都会作用于后面 DB,不但为后面 DB 提供了更多的特征挖掘线索,而且解决了深度 CNN 中存在的长期依赖
问题.

Fig.1 Structure of the proposed cascading dense convolutional neural network (CDCNN)
图 1 级联密集型网络结构

Fig.2 Structure of the proposed dense block (DB)
图 2 密集块结构
HR
假设退化图像和重建的目标图像分别表示为 I LR 和 I ,我们 CDCNN 的目的是解决下面问题:
N
1
ˆ
θ = argmin ∑ ( L F CDN (I i LR ),I i HR ) (1)
θ N i= 1
LR
其中,N 表示训练样本个数,F CDN (I )表示通过 CDCNN 重建的复原图像,θ表示卷积的参数集合,L 表示目标函数.
Hui 等人 [29] 实验性地证明了:在图像复原任务上先用 L1 损失函数训练,再用 L2 损失函数优化参数,可以达到更
好的重建结果.为了避免引入额外的训练技巧,本文训练过程将只使用 L1 损失函数.