• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    雙回歸網(wǎng)絡(luò)的單圖像超分辨率重建

    2022-09-21 05:38:24永,呂
    關(guān)鍵詞:方法模型

    張 永,呂 庚

    蘭州理工大學(xué) 計(jì)算機(jī)與通信學(xué)院,蘭州730050

    圖片的超分辨率(super resolution,SR)是從低分辨率(low resolution,LR)圖像中恢復(fù)高分辨率(high resolution,HR)圖像的過程,是計(jì)算機(jī)視覺和圖像處理領(lǐng)域中一種重要的圖像處理技術(shù)。得益于深度學(xué)習(xí)的發(fā)展,深度神經(jīng)網(wǎng)絡(luò)(DNN)被應(yīng)用于包括圖像分類、視頻理解和許多其他應(yīng)用?;谏疃壬窠?jīng)網(wǎng)絡(luò)的超分辨率模型通過學(xué)習(xí)從LR圖像到HR圖像的非線性映射函數(shù),在圖像超分辨率方面表現(xiàn)出了良好的性能,使基于深度學(xué)習(xí)的圖像超分辨率成為研究從LR 圖像中重建HR圖像的一項(xiàng)重要應(yīng)用。

    Dong 等人[1]首先提出了一種三層卷積神經(jīng)網(wǎng)絡(luò),稱為SRCNN(super-resolution convolutional neural network)。SRCNN采用雙三次插值將LR圖像放大到目標(biāo)倍數(shù),然后再輸入三層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)LR圖像和HR圖像之間的映射關(guān)系,成功使用CNN 解決超分辨率問題。在此之后,基于卷積神經(jīng)網(wǎng)絡(luò),提出了許多方法來提高SR性能。Kim等人[2]第一次將殘差學(xué)習(xí)融入CNN網(wǎng)絡(luò)并提出一種深度卷積神經(jīng)網(wǎng)絡(luò),He等人[3]在殘差學(xué)習(xí)基礎(chǔ)上針對(duì)超分辨率問題首次提出了殘差網(wǎng)絡(luò)結(jié)構(gòu),通過恒等連接構(gòu)建深度殘差網(wǎng)絡(luò)來克服退化問題。Haris 等人[4]提出了一個(gè)反饋網(wǎng)絡(luò)(DBPN),該網(wǎng)絡(luò)由多個(gè)上、下采樣層組成,迭代式生成LR 和HR 圖像,通過迭代上下交替采樣的糾正反饋機(jī)制,重建出具有豐富紋理細(xì)節(jié)的圖像,在高倍數(shù)重建上表現(xiàn)出良好的質(zhì)量。Zhang 等人[5]提出建立通道注意力機(jī)制,通過通道間的相互依賴性來自適應(yīng)地調(diào)整不同通道的權(quán)重,構(gòu)建了RCAN的深度模型,RCAN允許豐富的低頻信息通過多個(gè)跳躍連接直接進(jìn)行傳播,使主網(wǎng)絡(luò)專注于學(xué)習(xí)高頻信息,從而使模型更好地學(xué)習(xí)圖像的紋理細(xì)節(jié)特征,進(jìn)一步提高SR 的性能。使用在HR 圖像上應(yīng)用理想的降采樣核(如:雙三次插值)獲得LR 圖像作為訓(xùn)練集訓(xùn)練的模型在應(yīng)用到現(xiàn)實(shí)數(shù)據(jù)時(shí),模型性能會(huì)急劇下降?;诖藛栴},Zhou 等人[6]提出用于學(xué)習(xí)未知下采樣的SR方法解決模型在實(shí)際應(yīng)用中的適應(yīng)性問題,但由于感知質(zhì)量問題和訓(xùn)練不穩(wěn)定問題造成輸出圖片缺乏高頻紋理細(xì)節(jié)。為了解決使用特定方法下采樣配對(duì)數(shù)據(jù)造成的模型適應(yīng)性問題,Guo等人[7]在U-net的基礎(chǔ)上引入對(duì)偶回歸方法,使模型不依賴于HR 圖像,可以直接在LR圖像中學(xué)習(xí)。席志紅等人[8]在原始低分辨率圖像上直接進(jìn)行特征映射,只在網(wǎng)絡(luò)的末端引入子像素卷積層,將像素進(jìn)行重新排列,得到高分辨率圖像,能夠恢復(fù)更多的圖像細(xì)節(jié),圖像邊緣也更加完整且收斂速度更快。Li等人[9]提出深度遞歸上下采樣網(wǎng)絡(luò)DRUDN。在DRUDN中,原始LR 圖像直接饋送,無需額外插值,然后使用復(fù)雜的遞歸上下采樣塊來學(xué)習(xí)LR圖像HR圖像之間的復(fù)雜映射。彭晏飛等人[10]首先遷移支持向量機(jī)中的hinge損失作為目標(biāo)函數(shù),其次使用更加穩(wěn)定、抗噪性更強(qiáng)的Charbonnier 損失代替L2 損失函數(shù),最后去掉了殘差塊和判別器中對(duì)圖像超分辨率不利的批規(guī)范化層,并在生成器和判別器中使用譜歸一化來減小計(jì)算開銷,穩(wěn)定模型訓(xùn)練。

    對(duì)偶學(xué)習(xí)方法[11-14]包含原始模型和對(duì)偶模型,同時(shí)學(xué)習(xí)兩個(gè)相反的映射。對(duì)偶學(xué)習(xí)最關(guān)鍵的一點(diǎn)在于,給定一個(gè)原始任務(wù)模型,其對(duì)偶任務(wù)的模型可以給其提供反饋;同樣的,給定一個(gè)對(duì)偶任務(wù)的模型,其原始任務(wù)的模型也可以給該對(duì)偶任務(wù)的模型提供反饋;從而這兩個(gè)互為對(duì)偶的任務(wù)可以相互提供反饋,相互學(xué)習(xí)、相互提高。在新的研究中,此方案被用于在沒有配對(duì)訓(xùn)練數(shù)據(jù)的情況下進(jìn)行圖像轉(zhuǎn)換?;趯?duì)偶學(xué)習(xí)方法,CycleGAN[15]和DualGAN[16]提出循環(huán)一致性損失以避免GAN方法的模式崩潰問題從而幫助最大限度地減少分布差異。但是,CycleGAN是將一類圖片轉(zhuǎn)換成另一類圖片,不能直接應(yīng)用于標(biāo)準(zhǔn)SR 問題?;贑ycleGAN 模型,Yuan 等人[17]提出CinCGAN 模型,放棄使用特定方法下采樣配對(duì)合成數(shù)據(jù),在沒有配對(duì)數(shù)據(jù)的情況下生成HR圖像,減少特定方法配對(duì)數(shù)據(jù)對(duì)模型適應(yīng)性的影響。

    對(duì)偶學(xué)習(xí)和已有的學(xué)習(xí)范式有很大的不同。首先,監(jiān)督學(xué)習(xí)(supervised learning)只能從標(biāo)注的數(shù)據(jù)進(jìn)行學(xué)習(xí),只涉及一個(gè)學(xué)習(xí)任務(wù);而對(duì)偶學(xué)習(xí)涉及至少兩個(gè)學(xué)習(xí)任務(wù),可以從未標(biāo)注的數(shù)據(jù)進(jìn)行學(xué)習(xí)。其次,半監(jiān)督學(xué)習(xí)(semi-supervised learning)盡管可以對(duì)未標(biāo)注的樣本生成偽標(biāo)簽,但無法知道這些偽標(biāo)簽的好壞,而對(duì)偶學(xué)習(xí)通過對(duì)偶游戲生成的反饋(例如對(duì)偶翻譯中x和x1的相似性)能知道中間過程產(chǎn)生的偽標(biāo)簽(y1)的好壞,因而可以更有效地利用未標(biāo)注的數(shù)據(jù)。第三,對(duì)偶學(xué)習(xí)和多任務(wù)學(xué)習(xí)(multi-task learning)也不相同。盡管多任務(wù)學(xué)習(xí)也是同時(shí)學(xué)習(xí)多個(gè)任務(wù)的模型,但這些任務(wù)必須共享相同的輸入空間,而對(duì)偶學(xué)習(xí)對(duì)輸入空間沒有要求,只要這些任務(wù)能形成一個(gè)閉環(huán)系統(tǒng)即可。第四,對(duì)偶學(xué)習(xí)和遷移學(xué)習(xí)(transfer learning)也很不一樣。遷移學(xué)習(xí)用一個(gè)或多個(gè)相關(guān)的任務(wù)來輔助主要任務(wù)的學(xué)習(xí),而在對(duì)偶學(xué)習(xí)中,多個(gè)任務(wù)是相互幫助、相互提高,并沒有主次之分。

    盡管上述方法在圖像超分辨率任務(wù)中表現(xiàn)出了良好的性能,然而這些方法仍然存在不足之處。首先,由于LR→HR可能的函數(shù)映射空間非常大,采用特定方法配對(duì)的數(shù)據(jù)集模型泛化能力受限,學(xué)習(xí)好的模型通常需要更深的網(wǎng)絡(luò)和更多的參數(shù)。此外,殘差結(jié)構(gòu)沒有充分利用結(jié)構(gòu)上的層次特征。針對(duì)上述問題,提出了一種雙回歸方案,主要貢獻(xiàn)點(diǎn)如下:

    (1)在原始回歸任務(wù)基礎(chǔ)上引入對(duì)偶回歸,形成閉環(huán)對(duì)重建圖像引入額外的約束來減少LR→HR 的可能映射空間。

    (2)在殘差結(jié)構(gòu)中引入傅里葉變換得到圖像的不同層次的高頻信息。利用殘差結(jié)構(gòu)中的高頻層次信息,增強(qiáng)模型對(duì)高頻細(xì)節(jié)的復(fù)原能力。

    (3)采用配對(duì)的LR→HR 數(shù)據(jù)和未配對(duì)的LR 數(shù)據(jù)作為訓(xùn)練集,減少特定方法配對(duì)數(shù)據(jù)集對(duì)模型泛化能力的影響。

    1 模型設(shè)計(jì)

    1.1 模型網(wǎng)絡(luò)架構(gòu)

    如圖1 所示,雙回歸模型由兩部分組成:原始回歸網(wǎng)絡(luò)和對(duì)偶回歸網(wǎng)絡(luò)。原始回歸網(wǎng)絡(luò)包含特征提取模塊和重建模塊。對(duì)偶回歸網(wǎng)絡(luò)由兩個(gè)下采樣模塊組成。定義輸入圖像為X,輸出圖像為Y。

    圖1 雙回歸網(wǎng)絡(luò)模型架構(gòu)Fig.1 Architecture of dual regression network model

    特征提取模塊由N個(gè)殘差塊和一個(gè)特征融合模塊組成。殘差塊進(jìn)行特征提取,特征融合塊對(duì)所有殘差塊的輸出做特征融合。

    式(1)為全局特征融合式,其中[H0,H1,…,Hn]表示全局特征的級(jí)聯(lián)操作,Hi表示第i(i=1,2,…,N)個(gè)殘差塊的輸出(H0為輸入圖像X),G(?)表示1×1 卷積操作,F(xiàn)GF為全局特征融合式輸出。重建模塊由兩個(gè)卷積層和一個(gè)亞像素重建塊組成。全局特征融合輸出經(jīng)過一個(gè)卷積層后作為亞像素重建模塊的輸入,亞像素重建模塊的輸出經(jīng)過一個(gè)卷積層得到輸出Y。

    對(duì)偶回歸網(wǎng)絡(luò)是對(duì)下采樣核的估計(jì),通過下采樣模塊通過卷積實(shí)現(xiàn)對(duì)Y的下采樣,得到和輸入一樣大小的圖像X′。

    1.2 雙回歸網(wǎng)絡(luò)閉環(huán)

    設(shè)x∈X為LR圖像,y∈Y為HR圖像。

    定義1(原始回歸任務(wù)):尋求一個(gè)函數(shù)P:X→Y,使預(yù)測(cè)P(x)接近于其相應(yīng)的HR圖像y。

    定義2(對(duì)偶回歸任務(wù)):尋求一個(gè)函數(shù)D:Y→X,使D(y)的預(yù)測(cè)接近于輸入的LR圖像x。

    雙回歸網(wǎng)絡(luò)模型學(xué)習(xí)原始映射P來重建HR圖像,并學(xué)習(xí)對(duì)偶映射D來重建LR 圖像,如圖2 所示。原始和對(duì)偶學(xué)習(xí)任務(wù)可以形成一個(gè)封閉的環(huán),訓(xùn)練模型P和D以提供額外的監(jiān)督。如果P(x)是正確的HR 圖像,則其下采樣得到的圖像D(P(x))應(yīng)非常接近輸入的LR圖像x。

    圖2 原始回歸任務(wù)和對(duì)偶回歸任務(wù)形成閉環(huán)Fig.2 Original regression task and dual re-gression task form closed loop

    提出的雙回歸方案超分辨率模型表示如下:

    給定M個(gè)未配對(duì)LR 樣本和N個(gè)配對(duì)樣本,模型訓(xùn)練損失可以寫成:

    設(shè)P∈P,D∈D,其中P、D 分別表示原始回歸和對(duì)偶回歸映射函數(shù)空間。對(duì)于本文的雙回歸方案,對(duì)于?P∈P,?D∈D,其泛化誤差(期望損失)為:

    其經(jīng)驗(yàn)損失為:

    對(duì)于樣本空間Z=(z1,z2,…,zN),其中zi=(xi,yi),雙回歸方案的Rademacher復(fù)雜度為:

    設(shè)Lp(P(x),y)+λLD(D(P(x)),x)為X×Y到[ ]0,C的映射,上界為C,映射函數(shù)空間Hdual為無窮,Hdual∈P×D。且對(duì)于任意δ>0,至少有1-δ的概率使以下不等式成立:

    根據(jù)Rademacher復(fù)雜度的推論3.1[18]得:

    設(shè)B(P,D)為雙回歸方案的泛化界,則:

    對(duì)于原始回歸方案,即當(dāng)泛化誤差式(3)中λ=0時(shí),其泛化界為:

    其中為原始回歸的經(jīng)驗(yàn)Rademacher復(fù)雜度。

    由于Hdual∈P×D的函數(shù)空間小于Hdual∈P 的函數(shù)空間,根據(jù)Rademacher復(fù)雜度原理:

    則:

    上述結(jié)果證明了引入對(duì)偶回歸方案后模型的泛化界依賴于函數(shù)空間的復(fù)雜性,加入對(duì)偶回歸的雙回歸SR 方案比未加入對(duì)偶回歸的SR 方法具有更小的泛化界,即在原始回歸基礎(chǔ)上加入對(duì)偶回歸有助于減少LR→HR 的可能映射空間,使模型實(shí)現(xiàn)更準(zhǔn)確的SR 預(yù)測(cè),并且當(dāng)訓(xùn)練數(shù)據(jù)足夠多時(shí),雙回歸模型的泛化界越精確。

    1.3 殘差塊結(jié)構(gòu)

    殘差塊結(jié)構(gòu)如圖3。輸入通過傅里葉變換得到其頻譜圖,提取高頻部分,通過反傅里葉變換得到圖像對(duì)應(yīng)的高頻部分。殘差塊有三個(gè)并行的特征提取塊,每個(gè)特征提取塊有兩個(gè)卷積層和一個(gè)ReLU激活層,激活層位于兩個(gè)卷積層中間。特征提取塊對(duì)輸入及其兩個(gè)不同層次的高頻部分進(jìn)行特征提取,特征提取塊輸出級(jí)聯(lián)經(jīng)過局部特征融合后結(jié)合殘差作為殘差塊的輸出。

    圖3 殘差塊結(jié)構(gòu)Fig.3 Architecture of residual block

    定義Hn為第n個(gè)殘差塊的輸出,則第n個(gè)殘差塊的結(jié)構(gòu)表示如下:

    其中[f0,f1,f2] 表示局部特征的級(jí)聯(lián)操作,f0表示殘差塊的輸入Hn-1的特征,f1表示Hn-1經(jīng)過第一次傅里葉變換后的高頻部分特征,f2表示Hn-1經(jīng)過第二次傅里葉變換后的高頻部分的特征,G(?)表示1×1卷積操作。

    殘差結(jié)構(gòu)的特征提取過程表示如下:

    輸入Hn-1的特征提?。?/p>

    其中φi(?)(i=1,2)表示卷積操作。

    輸入Hn-1的高頻特征提?。?/p>

    輸入Hn-1并行經(jīng)過兩個(gè)高通濾波器,輸出其不同層次的高頻部分,高通濾波器輸出表示如下所示:

    其中FFFT(?)表示快速傅里葉變換,ψi(i=1,2)為高通濾波操作,gi為Hn-1經(jīng)過高通濾波器后的高頻譜圖,gi進(jìn)行反傅里葉變換FIFFT(?)后作為特征提取塊的輸入。

    則對(duì)應(yīng)特征可以表示為:

    其中(?)(i,j=1,2)表示卷積操作。與全局特征融合類似,每個(gè)殘差塊內(nèi)部對(duì)輸入及其不同層次的高頻部分的特征進(jìn)行局部特征融合。

    每個(gè)殘差塊的輸出表示為:

    LR 圖像與HR 圖像的差別主要表現(xiàn)在圖像的高頻區(qū)域,表現(xiàn)為圖像的紋理細(xì)節(jié)等。而圖像的高頻特征通常在網(wǎng)絡(luò)的深層才開始學(xué)習(xí)的到。

    對(duì)圖像進(jìn)行傅里葉變換時(shí)選取不同的濾波器可以得到不同層次的高頻部分如圖4,通過在殘差結(jié)構(gòu)中加入傅里葉變換提取輸入的高頻區(qū)域,可以使模型在淺層網(wǎng)絡(luò)就能學(xué)習(xí)通常需要深層網(wǎng)絡(luò)才能學(xué)習(xí)到的高頻信息,使模型通過較少的層數(shù)和參數(shù)達(dá)到深層模型的性能。

    圖4 通過不同濾波器得到的圖像高頻部分Fig.4 High-frequency part of image obtained by different filters

    2 實(shí)驗(yàn)

    2.1 實(shí)驗(yàn)設(shè)置

    (1)參數(shù)設(shè)置。網(wǎng)絡(luò)中基本塊的卷積核大小均設(shè)置為3×3,邊緣補(bǔ)0 確保輸入和輸出的大小一致。在下采樣模塊中,輸出尺寸變?yōu)檩斎氲囊话?。網(wǎng)絡(luò)殘差組數(shù)量設(shè)置為16。

    (2)訓(xùn)練設(shè)置。采用DIV2K+Flickr2K[19]作為訓(xùn)練數(shù)據(jù)集,從訓(xùn)練集中隨選擇100 個(gè)圖像,并使用不同的下采樣方法獲取LR圖像。通過對(duì)訓(xùn)練集圖像進(jìn)行下采樣來獲取配對(duì)合成數(shù)據(jù)??紤]到現(xiàn)實(shí)世界中的SR 應(yīng)用,所有配對(duì)數(shù)據(jù)都屬于未配對(duì)數(shù)據(jù)不同的區(qū)域。圖像塊的尺寸設(shè)為64×64,即訓(xùn)練模型時(shí)低分辨率圖像X及高分辨率圖像Y尺寸為64×64。使用L1 型損失函數(shù),初始學(xué)習(xí)率設(shè)置為1E-4,優(yōu)化器在SGD 基礎(chǔ)上使用指數(shù)衰減學(xué)習(xí)率。

    對(duì)于合成配對(duì)數(shù)據(jù),采用有監(jiān)督的SR 方法的訓(xùn)練方式。使用配對(duì)數(shù)據(jù)集時(shí),損失函數(shù)式(2)中的指示函數(shù)1SP(xi)等于1。使用未配對(duì)數(shù)據(jù)時(shí),損失函數(shù)式(2)中1SP(xi)等于0。對(duì)于每個(gè)迭代,分別從數(shù)據(jù)集中取樣m對(duì)未配對(duì)的真實(shí)世界數(shù)據(jù)和n對(duì)配對(duì)合成數(shù)據(jù),將未配對(duì)數(shù)據(jù)的比例定義為ρ=m/(m+n)。

    (3)測(cè)試設(shè)置。在3個(gè)基準(zhǔn)數(shù)據(jù)集上比較了多個(gè)方法的效果,包括SET5[20]、SET14[21]和MANGA109[22]。模型結(jié)果測(cè)試使用每個(gè)測(cè)試數(shù)據(jù)集的所有圖像。其中SET5有圖像5 幅,SET14 有圖像14 幅,MANGA109 有圖像109幅。采用了峰值信噪比(peak signal-to-noise ratio,PSNR)和結(jié)構(gòu)相似度(structural similarity,SSIM)作為評(píng)價(jià)指標(biāo)。

    2.2 與先進(jìn)方法的比較

    2.2.1 主觀質(zhì)量比較

    比較提出的方法與最先進(jìn)的SR 方法的主觀評(píng)價(jià)。從圖4可以看出,Bicubic為下采樣后的圖像,相比于HR圖像,SRCNN算法的紋理細(xì)節(jié)重建效果較差,重建結(jié)果紋理模糊且出現(xiàn)重疊,沒有重建出清晰的邊緣。SRGAN算法的重建結(jié)果相比SRCNN算法區(qū)域更清晰,但出現(xiàn)模糊邊緣和重影。RCAN 算法的重建結(jié)果和雙回歸算法重建結(jié)果相近。RCAN 算法和雙回歸算法的重建結(jié)果有豐富的紋理細(xì)節(jié),且雙回歸算法邊緣更清晰,出現(xiàn)更少的重影和模糊。圖5 的對(duì)比結(jié)果表明:雙回歸算法重建的圖像擁有豐富的紋理細(xì)節(jié)和清晰邊緣,重建圖像出現(xiàn)更少的模糊和重影。表明提出的雙回歸網(wǎng)絡(luò)超分辨率算法具有良好的重建效果。

    圖5 不同方法在測(cè)試集上4×SR重建效果對(duì)比Fig.5 Comparison of 4×SR reconstruction on test sets by different methods

    2.2.2 客觀質(zhì)量比較

    比較提出的方法與先進(jìn)的SR 方法的數(shù)據(jù)對(duì)比結(jié)果。在此比較了多種方法在4×SR 下的PSNR 和SSIM值,比較結(jié)果如表1所示。

    表1 與先進(jìn)的4×SR算法的性能比較Table 1 Performance comparison with advanced algorithms on 4×SR

    從表1 來看,SRGAN 方法只有90 000 的參數(shù)量,可能是由于對(duì)抗生成網(wǎng)絡(luò)在參數(shù)量方面的優(yōu)越性;DBPN、RCAN和SAN的參數(shù)量都在16 000 000左右,而本文提出的模型因?yàn)槭褂昧烁道锶~變換,使用了相比于其他模型更少的網(wǎng)絡(luò)層數(shù)使得模型的參數(shù)量只有10 000 000。通過表1 可以看出:本文提出的雙回歸模型雖然只有大約10 000 000的參數(shù),卻產(chǎn)生了更好的性能,表明了本文所提出的雙回歸方案的優(yōu)越性。

    通過表2可以發(fā)現(xiàn),在測(cè)試集Set5和Set14上,ESPCN方法的測(cè)試時(shí)間要快得多,可能是因?yàn)樵摲椒P蜕疃认鄬?duì)較少;SAN 比ESPCN、SEGAN 慢很多可能是因?yàn)镾AN方法網(wǎng)絡(luò)層數(shù)較深;本文方法要比SRGAN快1 s左右,比SAN快2 s多,表明本文方法的優(yōu)越性。

    表2 不同超分辨率重建方法4×SR測(cè)試時(shí)間對(duì)比Table 2 Comparison of testing time for eachsuper-resolution reconstruction method on 4×SR s

    2.3 消融實(shí)驗(yàn)

    為了驗(yàn)證對(duì)偶回歸網(wǎng)絡(luò)對(duì)原始回歸的約束作用,去除雙回歸模型的對(duì)偶下采樣部分,只使用原始回歸網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以PSNR作為評(píng)價(jià)指標(biāo),在測(cè)試數(shù)據(jù)集Set5、Set14、Managa109上與雙回歸方法進(jìn)行比較,表3為4×SR的結(jié)果。

    表3 加入對(duì)偶回歸對(duì)4×SR的影響Table 3 Effect of adding dual regression on 4×SR

    結(jié)合表1、表3的對(duì)比結(jié)果可以看出:在去除對(duì)偶回歸部分時(shí),模型在Set5 測(cè)試集上擁有和SAN 方法相近的性能且優(yōu)于其他方法;在測(cè)試集Set14上,模型優(yōu)于大多數(shù)方法,SAN方法表現(xiàn)最優(yōu);在測(cè)試集Managa109上,模型表現(xiàn)優(yōu)于其他方法1 dB 左右,但SAN 最優(yōu)。加入對(duì)偶回歸之后,相比于沒有加入對(duì)偶回歸時(shí),在測(cè)試集Set5、Set14 和Managa109 上性能均有提升。在Set5 上,本文優(yōu)于所有對(duì)比方法;在Set14上,SAN方法有最好的重建性能,但本文的雙回歸方法只比SAN 方法低0.05 dB;在Managa109 上,本文的雙回歸方法擁有最好的性能且優(yōu)于其他方法0.7 dB以上。

    對(duì)比結(jié)果表明,配備了雙回歸方案的模型相比沒有配備對(duì)偶回歸的模型在所有測(cè)試數(shù)據(jù)集上都有更好的性能。說明通過引入額外的約束來減少映射函數(shù)的空間的方案是有效的,可以幫助改善HR圖像的重建質(zhì)量。

    為了評(píng)估模型對(duì)未配對(duì)數(shù)據(jù)的自適應(yīng)性能,比較了4×SR時(shí)不同方法采用Nearest(最鄰近插值)和BD(bicubic degradation,雙線性三次插值)下采樣方法的PSRN 和SSIM 值。從表4 中可以看出,模型在所有數(shù)據(jù)集上的性能優(yōu)于有監(jiān)督方法。

    表4 模型對(duì)不同下采樣方法圖像的自適應(yīng)性能Table 4 Adaptive performance of model to images of different downsampling methods

    2.4 λ 對(duì)模型的影響

    λ控制雙回歸網(wǎng)絡(luò)中原始回歸網(wǎng)絡(luò)和對(duì)偶回歸網(wǎng)絡(luò)的權(quán)重。對(duì)表5 可以看出,在雙回歸網(wǎng)絡(luò)上,當(dāng)λ從0.001增加到0.1時(shí),網(wǎng)絡(luò)的對(duì)偶回歸損失逐漸變得越來越重要。進(jìn)一步將λ增加到1或10,對(duì)偶回歸損失將壓倒原始回歸損失,最終阻礙模型的性能。為了在原始回歸和對(duì)偶回歸之間得到良好的權(quán)衡,在具體實(shí)踐中將其設(shè)置為λ=0.1。

    表5 超參數(shù)λ 對(duì)4×SR的影響(測(cè)試集:Set5)Table 5 Effect of hyperparameter λ on 4×SR(Test set:Set5)

    2.5 ρ 對(duì)自適應(yīng)算法的影響

    在引入對(duì)偶回歸后,因?yàn)槟P涂梢圆灰蕾囉贖R 圖像,所以模型可以使用監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)或無監(jiān)督方式對(duì)模型進(jìn)行訓(xùn)練??紤]到未配對(duì)數(shù)據(jù)主導(dǎo)實(shí)際應(yīng)用中的超分辨率任務(wù),本文使用半監(jiān)督學(xué)習(xí)方法訓(xùn)練模型,同時(shí)對(duì)比了使用無監(jiān)督和監(jiān)督學(xué)習(xí)方式訓(xùn)練的模型在測(cè)試集Set5上的性能表現(xiàn)。

    使用ρ表示未配對(duì)數(shù)據(jù)的比例,ρ=m/(m+n),其中m為未配對(duì)數(shù)據(jù)數(shù)量,n為配對(duì)數(shù)據(jù)數(shù)量。圖6中顯示了當(dāng)改變未配對(duì)數(shù)據(jù)的數(shù)據(jù)比率ρ時(shí)相應(yīng)的訓(xùn)練曲線。

    圖6 不同數(shù)據(jù)比例下模型的性能Fig.6 Performance of model at different data scales

    通過圖6 可以看出:當(dāng)ρ為0 即使用監(jiān)督訓(xùn)練方式時(shí),雙回歸方案的性能隨著迭代次數(shù)的增加無明顯變化,表明雙回歸方案不適合使用監(jiān)督學(xué)習(xí)方式訓(xùn)練。當(dāng)ρ為100%即無監(jiān)督訓(xùn)練方式時(shí),雙回歸方案的性能隨著迭代次數(shù)的增加逐漸下降,表明雙回歸方案不適合監(jiān)督學(xué)習(xí)方式訓(xùn)練。因此本文使用半監(jiān)督學(xué)習(xí)方式訓(xùn)練模型。從圖6可以看出,當(dāng)設(shè)置ρ∈{30%,50%,70%}時(shí),所得到的模型獲得更好的性能。在具體實(shí)驗(yàn)中,本文設(shè)置ρ=30%以獲得最佳性能。

    2.6 傅里葉變換的作用分析

    為了分析在殘差結(jié)構(gòu)中引入傅里葉變換對(duì)模型提取高頻信息的提升作用。本文對(duì)比了在相同網(wǎng)絡(luò)架構(gòu)下,殘差結(jié)構(gòu)引入傅里葉變換與不引入傅里葉變換時(shí)殘差塊對(duì)高頻細(xì)節(jié)的提取能力。

    從圖7和圖8可以看出,在相同的網(wǎng)絡(luò)深度上,使用傅里葉變換的殘差塊輸出的特征相比于沒有傅里葉變換的殘差塊擁有更豐富的紋理細(xì)節(jié)特征。而且在未加入傅里葉而變換時(shí),隨著網(wǎng)絡(luò)層數(shù)的加深,網(wǎng)絡(luò)會(huì)逐漸丟失高頻信息,導(dǎo)致特征融合的結(jié)果缺乏一部分紋理的信息,而加入傅里葉變換時(shí)網(wǎng)絡(luò)中的高頻信息可以在網(wǎng)絡(luò)層數(shù)加深時(shí)保留更多的高頻信息,特征融合結(jié)果可以表明該方法提取和傳遞高頻信息的有效性。

    圖7 殘差塊中未加入傅里葉變換的特征Fig.7 Features without Fourier transform

    圖8 殘差塊中加入傅里葉變換的特征Fig.8 Features with Fourier transform

    3 總結(jié)

    提出一種使用配對(duì)數(shù)據(jù)和未配對(duì)數(shù)據(jù)共同訓(xùn)練的雙回歸網(wǎng)絡(luò)方案。對(duì)于配對(duì)數(shù)據(jù),通過重構(gòu)LR 圖像對(duì)其引入一個(gè)額外的約束,以減少可能的映射函數(shù)的空間,可以顯著提高SR 模型的性能。使用未配對(duì)數(shù)據(jù)訓(xùn)練解除了特定方法配對(duì)數(shù)據(jù)對(duì)模型的限制,使模型更好地適用于實(shí)際應(yīng)用中的超分辨率任務(wù)。在配對(duì)和非配對(duì)數(shù)據(jù)上的實(shí)驗(yàn)表明,提出的方法對(duì)圖像紋理細(xì)節(jié)重建具有良好的效果,且比同類方法擁有更少的參數(shù)量。

    猜你喜歡
    方法模型
    一半模型
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    學(xué)習(xí)方法
    可能是方法不對(duì)
    3D打印中的模型分割與打包
    用對(duì)方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    賺錢方法
    两个人看的免费小视频| www.自偷自拍.com| 窝窝影院91人妻| 国产单亲对白刺激| 男男h啪啪无遮挡| av一本久久久久| 校园春色视频在线观看| 久久久久视频综合| 狂野欧美激情性xxxx| 国产区一区二久久| 日本vs欧美在线观看视频| 十分钟在线观看高清视频www| а√天堂www在线а√下载 | 91麻豆av在线| 波多野结衣一区麻豆| 欧美精品人与动牲交sv欧美| 国产成人精品无人区| 大陆偷拍与自拍| 大香蕉久久网| 一二三四社区在线视频社区8| 好男人电影高清在线观看| 亚洲中文字幕日韩| 欧美精品啪啪一区二区三区| 精品国产国语对白av| 一边摸一边抽搐一进一出视频| 色婷婷久久久亚洲欧美| 热99国产精品久久久久久7| 精品卡一卡二卡四卡免费| 丁香六月欧美| 淫妇啪啪啪对白视频| 国精品久久久久久国模美| 久久人人爽av亚洲精品天堂| 国产高清videossex| 可以免费在线观看a视频的电影网站| e午夜精品久久久久久久| 日本wwww免费看| 欧美日韩成人在线一区二区| 最近最新中文字幕大全免费视频| 国产一区二区三区在线臀色熟女 | av有码第一页| 狠狠婷婷综合久久久久久88av| 天天添夜夜摸| 国产一区二区三区在线臀色熟女 | 国产欧美日韩一区二区三| 一a级毛片在线观看| 老熟女久久久| 九色亚洲精品在线播放| 曰老女人黄片| 国产亚洲精品一区二区www | 午夜福利,免费看| 亚洲精品美女久久久久99蜜臀| 久久久国产精品麻豆| 欧美日本中文国产一区发布| 亚洲男人天堂网一区| 亚洲精品粉嫩美女一区| 人人妻人人爽人人添夜夜欢视频| 人妻 亚洲 视频| 久久久国产欧美日韩av| 999久久久精品免费观看国产| 水蜜桃什么品种好| 欧美国产精品va在线观看不卡| 国产成+人综合+亚洲专区| 一边摸一边抽搐一进一出视频| 亚洲成人免费电影在线观看| 精品人妻1区二区| 91字幕亚洲| 亚洲熟女毛片儿| 日韩免费av在线播放| 99久久人妻综合| 美女视频免费永久观看网站| 91成人精品电影| 午夜福利视频在线观看免费| 国产xxxxx性猛交| 成年动漫av网址| 人人妻人人爽人人添夜夜欢视频| 老汉色av国产亚洲站长工具| 女性生殖器流出的白浆| 欧美日本中文国产一区发布| 一本一本久久a久久精品综合妖精| 亚洲精品粉嫩美女一区| 少妇裸体淫交视频免费看高清 | 热99re8久久精品国产| 成人三级做爰电影| 亚洲第一欧美日韩一区二区三区| 中文字幕色久视频| 91麻豆av在线| 最新在线观看一区二区三区| 黄色片一级片一级黄色片| 国产欧美日韩综合在线一区二区| 国产国语露脸激情在线看| 国产麻豆69| 波多野结衣一区麻豆| 亚洲五月婷婷丁香| 99精品久久久久人妻精品| 黄色片一级片一级黄色片| 老司机午夜福利在线观看视频| 久久精品国产99精品国产亚洲性色 | 国产精品九九99| 极品教师在线免费播放| 国产欧美日韩一区二区精品| 黑人猛操日本美女一级片| 黄色毛片三级朝国网站| 王馨瑶露胸无遮挡在线观看| 亚洲精品成人av观看孕妇| 欧美日韩亚洲高清精品| 老熟女久久久| 天堂动漫精品| 日韩大码丰满熟妇| 国产亚洲欧美精品永久| 9191精品国产免费久久| 欧美国产精品va在线观看不卡| 国产免费男女视频| 建设人人有责人人尽责人人享有的| 亚洲精品国产区一区二| 国产深夜福利视频在线观看| 男女午夜视频在线观看| 亚洲成人免费av在线播放| 欧美在线黄色| 一二三四社区在线视频社区8| 免费在线观看完整版高清| 免费观看人在逋| 亚洲国产中文字幕在线视频| 欧美日韩亚洲高清精品| cao死你这个sao货| 精品少妇久久久久久888优播| 久久久久久人人人人人| 俄罗斯特黄特色一大片| 成人18禁高潮啪啪吃奶动态图| 身体一侧抽搐| 国产av精品麻豆| 中出人妻视频一区二区| 美女视频免费永久观看网站| 久久人妻福利社区极品人妻图片| 亚洲精品国产色婷婷电影| 妹子高潮喷水视频| 欧美+亚洲+日韩+国产| 久久亚洲精品不卡| 男女床上黄色一级片免费看| 欧美精品人与动牲交sv欧美| 在线观看免费午夜福利视频| 国产国语露脸激情在线看| 人妻久久中文字幕网| 免费一级毛片在线播放高清视频 | 亚洲精品久久成人aⅴ小说| av视频免费观看在线观看| 午夜免费观看网址| 午夜福利免费观看在线| 久久精品成人免费网站| 久久久久久亚洲精品国产蜜桃av| 精品欧美一区二区三区在线| 少妇猛男粗大的猛烈进出视频| 欧美乱色亚洲激情| 麻豆成人av在线观看| 动漫黄色视频在线观看| 成人国产一区最新在线观看| 亚洲美女黄片视频| 国产精品久久久人人做人人爽| 岛国毛片在线播放| av网站免费在线观看视频| 午夜精品在线福利| 多毛熟女@视频| 国产1区2区3区精品| 亚洲自偷自拍图片 自拍| 中文字幕制服av| 免费在线观看完整版高清| 免费观看人在逋| 国产成人av教育| 国产精品久久电影中文字幕 | 757午夜福利合集在线观看| 少妇 在线观看| 999久久久国产精品视频| 国产成人系列免费观看| 黄色女人牲交| 女人久久www免费人成看片| 18禁美女被吸乳视频| 高清毛片免费观看视频网站 | 国内毛片毛片毛片毛片毛片| 亚洲一区二区三区欧美精品| 黄色片一级片一级黄色片| 成人18禁高潮啪啪吃奶动态图| 99国产精品99久久久久| 午夜91福利影院| 777久久人妻少妇嫩草av网站| 国产深夜福利视频在线观看| 午夜福利乱码中文字幕| 男女床上黄色一级片免费看| 黄色视频,在线免费观看| 超色免费av| 自拍欧美九色日韩亚洲蝌蚪91| 免费观看精品视频网站| 超碰成人久久| 婷婷精品国产亚洲av在线 | 欧美另类亚洲清纯唯美| 夜夜躁狠狠躁天天躁| 国产精品99久久99久久久不卡| 精品国产亚洲在线| avwww免费| 成在线人永久免费视频| 19禁男女啪啪无遮挡网站| 一边摸一边抽搐一进一小说 | 真人做人爱边吃奶动态| 亚洲中文字幕日韩| 久久久精品免费免费高清| 女性生殖器流出的白浆| 亚洲国产精品合色在线| 777久久人妻少妇嫩草av网站| 亚洲 国产 在线| 19禁男女啪啪无遮挡网站| 自拍欧美九色日韩亚洲蝌蚪91| 999精品在线视频| 一夜夜www| 亚洲情色 制服丝袜| 国产男靠女视频免费网站| a在线观看视频网站| 精品久久久精品久久久| 亚洲av成人av| 正在播放国产对白刺激| 天天躁狠狠躁夜夜躁狠狠躁| 久99久视频精品免费| 水蜜桃什么品种好| 色94色欧美一区二区| 法律面前人人平等表现在哪些方面| 伊人久久大香线蕉亚洲五| 色精品久久人妻99蜜桃| 757午夜福利合集在线观看| 啦啦啦 在线观看视频| 色综合欧美亚洲国产小说| 亚洲国产欧美日韩在线播放| av网站免费在线观看视频| 一区二区三区国产精品乱码| 欧美激情 高清一区二区三区| 18禁裸乳无遮挡动漫免费视频| 午夜91福利影院| 一进一出抽搐gif免费好疼 | 日韩 欧美 亚洲 中文字幕| 久久中文字幕一级| 亚洲一卡2卡3卡4卡5卡精品中文| 成人18禁高潮啪啪吃奶动态图| 欧美国产精品va在线观看不卡| 91成人精品电影| 欧美激情高清一区二区三区| 国产av又大| 校园春色视频在线观看| 黑人操中国人逼视频| 天天躁夜夜躁狠狠躁躁| 亚洲久久久国产精品| 欧美在线一区亚洲| 国产成人啪精品午夜网站| 色老头精品视频在线观看| 大型黄色视频在线免费观看| videosex国产| 亚洲欧美激情综合另类| 丝袜美足系列| 亚洲精品国产区一区二| 人人妻人人澡人人爽人人夜夜| av福利片在线| 国产精品欧美亚洲77777| 超碰成人久久| 久久亚洲精品不卡| 十八禁人妻一区二区| 中文字幕色久视频| 丝袜美足系列| 女人高潮潮喷娇喘18禁视频| 18禁国产床啪视频网站| 麻豆av在线久日| 两个人看的免费小视频| 麻豆乱淫一区二区| 99国产精品免费福利视频| 18在线观看网站| 亚洲精品乱久久久久久| 午夜日韩欧美国产| 999久久久国产精品视频| 久久久国产精品麻豆| 国产国语露脸激情在线看| 午夜福利影视在线免费观看| www.自偷自拍.com| 日韩三级视频一区二区三区| 一进一出抽搐动态| 一级毛片精品| 免费看a级黄色片| 久久久久久久精品吃奶| 黄色a级毛片大全视频| 看黄色毛片网站| 亚洲精品在线观看二区| 精品国产一区二区三区久久久樱花| 亚洲免费av在线视频| 高清欧美精品videossex| 精品亚洲成国产av| 中文字幕另类日韩欧美亚洲嫩草| 女警被强在线播放| 国产精品电影一区二区三区 | 亚洲国产精品一区二区三区在线| 法律面前人人平等表现在哪些方面| 一边摸一边做爽爽视频免费| 亚洲男人天堂网一区| 亚洲熟女精品中文字幕| 日日摸夜夜添夜夜添小说| 免费在线观看影片大全网站| 亚洲精品美女久久久久99蜜臀| 国产熟女午夜一区二区三区| 久久 成人 亚洲| 亚洲全国av大片| 91成年电影在线观看| 别揉我奶头~嗯~啊~动态视频| 美国免费a级毛片| 国产高清激情床上av| 最近最新免费中文字幕在线| 成人18禁高潮啪啪吃奶动态图| 免费黄频网站在线观看国产| aaaaa片日本免费| 婷婷成人精品国产| 亚洲人成电影观看| 国产亚洲精品久久久久久毛片 | 亚洲欧美精品综合一区二区三区| 久久国产精品男人的天堂亚洲| 久久国产精品大桥未久av| 777米奇影视久久| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品av久久久久免费| 成熟少妇高潮喷水视频| 国产精品免费视频内射| 啦啦啦 在线观看视频| 国产成人欧美在线观看 | av有码第一页| 两人在一起打扑克的视频| 9191精品国产免费久久| 亚洲国产精品sss在线观看 | 两个人免费观看高清视频| 99香蕉大伊视频| 午夜福利影视在线免费观看| 日韩 欧美 亚洲 中文字幕| 欧洲精品卡2卡3卡4卡5卡区| 不卡av一区二区三区| 国产精品久久久av美女十八| 亚洲精华国产精华精| 我的亚洲天堂| 久久婷婷成人综合色麻豆| 免费高清在线观看日韩| 国产精品欧美亚洲77777| ponron亚洲| 久久人妻熟女aⅴ| 欧美国产精品一级二级三级| 亚洲熟女毛片儿| av有码第一页| 久久久国产成人精品二区 | 亚洲av片天天在线观看| 日本欧美视频一区| 亚洲一区二区三区欧美精品| 亚洲av片天天在线观看| 久久亚洲精品不卡| 久久九九热精品免费| 亚洲中文日韩欧美视频| 国产主播在线观看一区二区| 精品熟女少妇八av免费久了| 香蕉久久夜色| 午夜福利一区二区在线看| av福利片在线| 国产亚洲精品一区二区www | 女人精品久久久久毛片| 欧美日韩精品网址| 亚洲熟妇中文字幕五十中出 | 亚洲国产中文字幕在线视频| 女同久久另类99精品国产91| 90打野战视频偷拍视频| 久久精品国产99精品国产亚洲性色 | 一级a爱视频在线免费观看| 日本精品一区二区三区蜜桃| 女警被强在线播放| 精品国产国语对白av| 国产高清激情床上av| 在线观看免费午夜福利视频| 美女国产高潮福利片在线看| 亚洲,欧美精品.| 无人区码免费观看不卡| 国产精品1区2区在线观看. | 两性夫妻黄色片| 曰老女人黄片| 在线天堂中文资源库| 操美女的视频在线观看| 亚洲精品成人av观看孕妇| 国产男女超爽视频在线观看| 久久国产精品人妻蜜桃| av天堂在线播放| 国产成人影院久久av| 啦啦啦在线免费观看视频4| 新久久久久国产一级毛片| 嫁个100分男人电影在线观看| 国产1区2区3区精品| 日本欧美视频一区| 日韩有码中文字幕| a级毛片黄视频| 一本一本久久a久久精品综合妖精| x7x7x7水蜜桃| 黄网站色视频无遮挡免费观看| 一夜夜www| 国产片内射在线| www.自偷自拍.com| 十八禁人妻一区二区| 色婷婷久久久亚洲欧美| 国产三级黄色录像| 热99re8久久精品国产| 97人妻天天添夜夜摸| 国产一区二区三区综合在线观看| 欧美丝袜亚洲另类 | av网站在线播放免费| 丝袜在线中文字幕| 亚洲欧美一区二区三区黑人| 欧美久久黑人一区二区| 无遮挡黄片免费观看| 亚洲五月婷婷丁香| 男男h啪啪无遮挡| 一进一出好大好爽视频| 国产成人免费观看mmmm| 在线观看66精品国产| 一夜夜www| 啦啦啦视频在线资源免费观看| 亚洲精品一二三| 大码成人一级视频| 欧美日韩亚洲高清精品| 狠狠狠狠99中文字幕| 一级毛片女人18水好多| 欧美午夜高清在线| 99久久综合精品五月天人人| 老司机靠b影院| 69av精品久久久久久| 精品国产国语对白av| 天堂动漫精品| svipshipincom国产片| 久久婷婷成人综合色麻豆| 亚洲av第一区精品v没综合| 真人做人爱边吃奶动态| avwww免费| 久久久精品国产亚洲av高清涩受| 一二三四在线观看免费中文在| 人人妻人人澡人人爽人人夜夜| 国产亚洲欧美精品永久| 91字幕亚洲| 日韩大码丰满熟妇| 中文字幕高清在线视频| 精品一品国产午夜福利视频| 99精品久久久久人妻精品| 国产亚洲一区二区精品| 一夜夜www| 亚洲精品av麻豆狂野| 亚洲,欧美精品.| 熟女少妇亚洲综合色aaa.| 亚洲欧美色中文字幕在线| 成人黄色视频免费在线看| 亚洲一区中文字幕在线| 99国产综合亚洲精品| 国产成人av激情在线播放| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲精品自拍成人| 99久久99久久久精品蜜桃| 亚洲男人天堂网一区| 成人三级做爰电影| 高清视频免费观看一区二区| 十八禁人妻一区二区| 久久 成人 亚洲| 一区二区日韩欧美中文字幕| 女警被强在线播放| 黄色成人免费大全| 亚洲七黄色美女视频| 丝袜美足系列| 国产91精品成人一区二区三区| 色婷婷av一区二区三区视频| 欧美亚洲日本最大视频资源| 夜夜爽天天搞| 精品卡一卡二卡四卡免费| 在线免费观看的www视频| 精品久久蜜臀av无| 亚洲国产欧美日韩在线播放| 久久精品91无色码中文字幕| 757午夜福利合集在线观看| 亚洲精品粉嫩美女一区| 久久人妻av系列| 一进一出好大好爽视频| 成年女人毛片免费观看观看9 | 丁香欧美五月| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久精品区二区三区| 亚洲av欧美aⅴ国产| 欧美乱色亚洲激情| 人人妻人人澡人人爽人人夜夜| svipshipincom国产片| 18禁观看日本| 女警被强在线播放| 亚洲三区欧美一区| 亚洲av欧美aⅴ国产| 日韩免费高清中文字幕av| 啦啦啦 在线观看视频| 99久久综合精品五月天人人| 午夜精品国产一区二区电影| 日韩大码丰满熟妇| 色老头精品视频在线观看| 久久中文字幕一级| 免费一级毛片在线播放高清视频 | 亚洲avbb在线观看| 婷婷成人精品国产| 91国产中文字幕| 欧美人与性动交α欧美软件| 国产成人精品在线电影| 一级毛片女人18水好多| 人人妻人人爽人人添夜夜欢视频| 欧美中文综合在线视频| 日本五十路高清| 性少妇av在线| 国产精品综合久久久久久久免费 | 91在线观看av| 欧美激情 高清一区二区三区| 99久久综合精品五月天人人| 亚洲国产精品sss在线观看 | 咕卡用的链子| 亚洲av熟女| 国产精品1区2区在线观看. | 久久久久视频综合| 大型黄色视频在线免费观看| a在线观看视频网站| 国产精品免费视频内射| 叶爱在线成人免费视频播放| 91在线观看av| 19禁男女啪啪无遮挡网站| 欧美大码av| 国产高清激情床上av| 国产精品亚洲av一区麻豆| av线在线观看网站| 中文字幕人妻熟女乱码| 亚洲五月色婷婷综合| 亚洲av欧美aⅴ国产| 亚洲va日本ⅴa欧美va伊人久久| 精品国产一区二区三区久久久樱花| 看片在线看免费视频| 亚洲,欧美精品.| 久久国产精品人妻蜜桃| 国产一卡二卡三卡精品| 国产成人啪精品午夜网站| 日韩 欧美 亚洲 中文字幕| 日韩欧美在线二视频 | 国产国语露脸激情在线看| 黑人巨大精品欧美一区二区蜜桃| 国产精品 欧美亚洲| 亚洲精品国产精品久久久不卡| 黑人操中国人逼视频| 欧美日韩乱码在线| 一区二区三区国产精品乱码| 美女高潮到喷水免费观看| 国产成人免费无遮挡视频| 国产精品九九99| 国产成人免费无遮挡视频| 老司机影院毛片| 国产精品乱码一区二三区的特点 | 色婷婷久久久亚洲欧美| 丝袜美腿诱惑在线| 老司机亚洲免费影院| 亚洲精华国产精华精| 亚洲中文字幕日韩| 69精品国产乱码久久久| 午夜精品国产一区二区电影| 夜夜夜夜夜久久久久| 搡老岳熟女国产| 男女高潮啪啪啪动态图| 在线观看免费视频网站a站| 亚洲国产中文字幕在线视频| 精品视频人人做人人爽| 成熟少妇高潮喷水视频| 80岁老熟妇乱子伦牲交| 黄片播放在线免费| 成人亚洲精品一区在线观看| 99久久99久久久精品蜜桃| 国产视频一区二区在线看| 大香蕉久久成人网| 成人av一区二区三区在线看| 如日韩欧美国产精品一区二区三区| 久久香蕉精品热| 成人黄色视频免费在线看| 亚洲专区中文字幕在线| 亚洲人成电影免费在线| 999久久久精品免费观看国产| 国产av又大| 亚洲全国av大片| 亚洲欧美激情综合另类| 国产深夜福利视频在线观看| 久久这里只有精品19| 亚洲国产精品sss在线观看 | a级毛片在线看网站| 欧美日韩瑟瑟在线播放| 久久久久久久精品吃奶| 777久久人妻少妇嫩草av网站| 亚洲一区二区三区欧美精品| 国产精品久久久久久精品古装| 日本wwww免费看| 99re在线观看精品视频| 亚洲欧洲精品一区二区精品久久久| 亚洲成av片中文字幕在线观看| 在线国产一区二区在线| 亚洲av日韩在线播放| 在线观看免费视频日本深夜| 国产色视频综合| 亚洲 国产 在线| 亚洲综合色网址| 99精品欧美一区二区三区四区| 美女福利国产在线| 久久国产精品大桥未久av| 91精品国产国语对白视频| 欧美日韩亚洲综合一区二区三区_| 757午夜福利合集在线观看| av超薄肉色丝袜交足视频| 亚洲欧美激情在线| 精品一区二区三区四区五区乱码| 久久中文看片网| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品电影一区二区三区 | 欧美乱码精品一区二区三区| 电影成人av| 亚洲精品中文字幕在线视频|