超分辨率作为一种经典的视觉任务,在多个领域有着广泛的应用。 随着深度学习中无监督学习的发展,以及生成对 抗网络(generative adversarial network,GAN)的提出,超分辨率技术又得到了进一步的提高,但是相关网络仍旧存在过拟合、泛 化性弱等诸多问题。 以超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN)为基础,受研究 Dropout 在经典超分辨率网络中影响的相关论文启发,在 SRGAN 中加入 Dropout 层并研究其对生成图像质量的影响,采用峰值信噪比 (peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)评估图像质量。 实验结果表明在合适的 Dropout 参 数下,网络重建图像具有更好的视觉效果,PSNR 能够达到 0. 4 左右的提升同时 SSIM 也有提高,从训练过程中不同迭代次数 生成图像的比较发现改进后网络缓解了训练不稳定问题。 将 Dropout 层加入超分辨率网络不同于以往的方法,为改进此类网 络提供了一个新的思路。 [ABSTRACT FROM AUTHOR]