图像逆问题求解研究：基于深度神经网络的视角

　　近年来，研究人员的研究重点转向从学习的角度去学习图像先验，根据学习的图像统计特征来提升图像逆问题的求解性能。通过对超分辨卷积神经网络增加特征卷积层进一步增强特征提取的能力，通过低层特征和增强特征的串联操作，在取得优秀性能的同时，模型参数数量有效减少；通过对反卷积生成式网络可逆求解进行理论分析，证明采用梯度下降对反卷积生成式网络求逆的有效性，提出扩展生成式网络范围的图像逆问题求解算法，实现扩展生成式网络范围的表示能力，提升复原图像的保真度；提出显著性引导多尺度先验融合的水下图像逆问题求解方法，更为准确地估计介质透射率；提出对抗编码解码网络的水下图像逆问题求解模型，实现端到端的水下图像逆问题求解。

　　张墨华，1979年10月生，博士，河南财经政法大学副教授，毕业于战略支援部队信息工程大学软件工程专业，主要研究方向为机器学习、图像处理。

第1章 绪论
1．1 研究背景与意义
1．2 图像逆问题求解技术概述
1．3 图像逆问题求解学习模型研究现状
1．4 本书的主要研究内容和章节安排
第2章 深度神经网络图像逆问题求解的相关理论
2．1 机器学习任务
2．2 学习任务的正则化问题
2．3 人工神经网络
2．4 深度神经网络
2．5 图像逆问题求解模型
2．6 图像逆问题求解的深度学习方法
2．7 本章小结
第3章 特征增强超分辨卷积神经网络研究
3．1 图像超分辨率方法概述
3．2 超分辨率卷积神经网络SRCNN
3．3 特征增强超分辨卷积神经网络FELSRCNN
3．4 多层特征增强超分辨卷积神经网络架构MFELSRCNN
3．5 性能评估
3．6 本章小结
第4章 基于深度生成式先验模型的图像逆问题求解
4．1 引言
4．2 生成式网络隐向量求解分析
4．3 生成式网络范围内图像逆问题求解方法
4．4 扩展生成式网络范围的图像逆问题求解方法
4．5 实验结果及分析
4．6 本章小结
第5章 基于对抗编码解码网络的水下图像逆问题求解
5．1 引言
5．2 显著性引导多尺度先验融合的水下图像逆问题求解方法
5．3 对抗编码解码网络的水下图像逆问题求解模型
5．4 实验及结果分析
5．5 本章小结
第6章 总结与展望
6．1 主要成果
6．2 后续工作展望
符号定义
英文缩略语表
参考文献