IEEE-NSENS将定期关注对全球社会至关重要的特殊主题。例如,AI传感器,合成传感器,柔性、可穿戴传感器和电子产品,医疗保健生物传感器以及机器人微惯性传感器等。此次论坛将对人工智能,医疗保健和机器人技术中应用的智能微米和纳米级传感系统的最新研究成果进行传播。

以下为Sheng Chen在“IEEE传感器理论及产业应用论坛”上的精彩致辞实录,由云现场整理。

    大家下午好,我非常高兴又来了。我今天的演讲是基于图像质量评估网络重建单幅图像的超分辨率。

    今天的演讲包括5个部分,我们的背景是之前展示了的,我不会赘述了。首先介绍一下数据集,我们培训和测试我们的网络,我们运用IQA的方式,通过291个影像集提取出来了SISR,通过伯克利的BSD,数据得到了进一步聚合和加强,我们培训的子集3128个影像。因为有这样的结果,每个结果都是有一个比较好的分数,这是来自培训的志愿者,他们是有128个测试结果。

    接下来会来看一下网络的结构,你可以看到,我们的结构可以提高SISR成像准确率,我们可以得到两个值,然后通过这两个值,我们可以反馈到我们的纳米层的结构反馈当中。大家可以看到,上面的图片,就是我们整个网络结构图,我们的网络结构是有64个单元组成的,它们是一个结构,我们可以看到这个网络结构是主要运用到SISR的方法当中,我们提出的SISR方法是采用了一个LR的成型,它的输入和输出还有它的SISR的结果都可以通过几个不同的跨界的单元来获得。SR的输出是存在于接触层当中,这些传输层会把信息传到底层。这可以极大地减少整个王浪的故障,我们也可以打造一个更好的网络,这个分解是会在这个网络结构当中出现的。最后,我们使用3×5×3来打造一个高分辨率的成像。

    这是我们缺失的数学方式,我们可以看到上面主要是用3种不同的数学方式,为了能够让整个训练方式更加快,我们在不断完善整个运营。我们设计了自己的损失方程,这跟之前的算法是不一样的,之前最主要的算法是使用了安诺曼缺失的方程,但是应用效果不是特别好,我们会把它运用到MOS的场景当中,我们可以得到整个反馈,比如我们可以得到它的一些质量和特性的数据。我们设计了一些自己损失的方程式,因此,不仅仅是察觉部分,同时客观部分我们也会设计出这样的方程。我们同时也提出了SISR的网络,GT与PR连接在一起,那么这个算法主要是用来计算它的色彩分布,然后我们的L1的方式是让算法能够更精准地算出不同的区域缺失。

    在表1当中,我们可以给大家分享一下IQA算法在PLCC和SROCC和其他算法中的对比,我们可以看到,我们研究的话可以达到0.988,比现有的其他算法更加高,对比几个算法,这些算法质量会形成不同的值,在准确度的衡量下,我们可以达到一个非常好的结果。在SQA当中,我们可以达到非常好的结果,相反我们也可以看到我们提出的算法效果是非常好的,为了能够更好地展示出我们的结果,我会把不同的方式呈现出来的图像展示在图表4当中,我们可以看到现在的算法会比已有的算法更加好。

    现在我们来总结一下,我们提出了一种图像质量的评估方法,这种评估方法是根据单一图像超高分辨率的方法来建立的,我们同时还提出了一种超高的分辨率的算法。

    谢谢。