• <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 ?

    基于梯度感知的單幅圖像超分辨

    2022-09-28 08:59:38周樂(lè)徐龍劉孝艷張?chǎng)螡?/span>張選德
    液晶與顯示 2022年10期
    關(guān)鍵詞:特征實(shí)驗(yàn)模型

    周樂(lè),徐龍,劉孝艷,張?chǎng)螡桑瑥堖x德*

    (1.陜西科技大學(xué) 電子信息與人工智能學(xué)院,陜西 西安710021;2.中國(guó)科學(xué)院 國(guó)家天文臺(tái),北京100101;3.西安石油大學(xué) 理學(xué)院,陜西 西安710065)

    1 引 言

    圖像超分辨(Super Resolution,SR)與圖像去噪、圖像去霧等問(wèn)題同為圖像恢復(fù)領(lǐng)域的研究?jī)?nèi)容,它們的共同目標(biāo)是提升圖像質(zhì)量。圖像超分辨的特定目標(biāo)是從低分辨率(Low Resolution,LR)圖像恢復(fù)得到具有清晰紋理與邊緣的高分辨率(High Resolution,HR)圖像。根據(jù)輸入的LR圖像個(gè)數(shù)可以將圖像超分辨分為單幀圖像超分辨(Single Image Super Resolution,SISR)與多幀圖像超分辨(Multiple Image Super Resolution,MISR),本文主要研究SISR,簡(jiǎn)稱(chēng)SR。在SR中,由于可能會(huì)有多幅不同的HR圖像退化得到同樣的LR圖像,因此SR問(wèn)題是一個(gè)難解的病態(tài)問(wèn)題。如今,圖像超分辨已經(jīng)廣泛應(yīng)用于遙感圖像[1]、醫(yī)學(xué)圖像等領(lǐng)域,隨著智能邊緣設(shè)備的普及,比如智能手機(jī)、VR眼鏡等,在這些設(shè)備上部署高性能的SR算法已成為實(shí)際生產(chǎn)的關(guān)鍵一環(huán)。

    從SRCNN[2]首 次 將CNN引 入 圖 像 超 分 辨領(lǐng)域至今,SR性能相較于傳統(tǒng)的對(duì)自然圖像的先驗(yàn)信息進(jìn)行建模的SR方法有了很大的提升,但已有的高性能SR算法仍然存在兩個(gè)方面的缺陷:(1)大多數(shù)方法以峰值信噪比(PSNR)為主導(dǎo),僅以像素?fù)p失訓(xùn)練網(wǎng)絡(luò),會(huì)導(dǎo)致得到的SR圖像趨于平滑,難以恢復(fù)出精細(xì)的紋理與尖銳的邊緣;(2)模型的計(jì)算量與參數(shù)量呈現(xiàn)隨性能增長(zhǎng)的趨勢(shì)。SR網(wǎng)絡(luò)模型近些年不斷地向更深更寬的方向發(fā)展。比如最早將生成對(duì)抗網(wǎng)絡(luò)(GANs)引入圖像超分辨的SRGAN[3],其參數(shù)量與每秒浮點(diǎn)運(yùn)算次數(shù)(Floating-Number Operations,F(xiàn)LOPs)分別為0.73M與7.05G,發(fā)展到近期參數(shù)量與FLOPs分 別 為24.80M與265.14G的SPSR[4],可以看出,參數(shù)量和計(jì)算量均是成倍增長(zhǎng)的。其中FLOPs以100×100的LR圖像為輸入計(jì)算得來(lái),參數(shù)量與計(jì)算量的增長(zhǎng)極大地限制了高性能SR算法在智能邊緣設(shè)備上的應(yīng)用。

    為了解決PSNR主導(dǎo)的SR方法恢復(fù)的高分辨圖像趨于平滑的問(wèn)題,Justin等人[5]將內(nèi)容損失引入到訓(xùn)練SR網(wǎng)絡(luò)的損失函數(shù)中,使用含有語(yǔ)義信息的特征圖計(jì)算損失,使得超分辨圖像的感知質(zhì)量得到改善,有效減少了人工偽影。在生成對(duì)抗網(wǎng)絡(luò)(GAN)提出之后,Ledig等人[3]又將對(duì)抗損失引入訓(xùn)練SR網(wǎng)絡(luò)的損失函數(shù)中,提出SRGAN,得到了更加逼真的重建圖像。近期提出的SPSR利用LR圖像的梯度圖為重建過(guò)程提供豐富的結(jié)構(gòu)信息,得到了具有更好感知質(zhì)量的SR圖像。雖然SPSR的性能優(yōu)于先前的感知驅(qū)動(dòng)的SR方法,但其存在參數(shù)量與計(jì)算量過(guò)大的問(wèn)題。

    為了緩解SR領(lǐng)域存在的問(wèn)題,本文利用圖像梯度信息,構(gòu)建較輕量的雙分支SR網(wǎng)絡(luò),其中包括SR分支與梯度分支。梯度分支為SR分支提供梯度信息,幫助SR分支重建出具有更好感知質(zhì)量的SR圖像。同時(shí),為了更充分、準(zhǔn)確地利用圖像的梯度信息,首先要避免SPSR中將圖像域特征圖與梯度域特征圖串聯(lián)所帶來(lái)的域沖突問(wèn)題。本文將梯度域特征圖作為作用在圖像域特征圖上的卷積核使用,如此可以有效避免域沖突所帶來(lái)的性能損失;其次,為了使得用作卷積核的梯度域特征圖更加符合卷積核特性,在SR分支與梯度分支之間添加了兩個(gè)過(guò)渡卷積層;最后,通過(guò)調(diào)整網(wǎng)絡(luò)中的卷積核大小,使得兩個(gè)分支對(duì)應(yīng)位置所輸出的圖像域和梯度域特征圖的感受野一致,達(dá)到更準(zhǔn)確地利用梯度信息的目的。通過(guò)有效的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì),本文所提出的SR算法在感知質(zhì)量與PSNR之間取得了一個(gè)比較好的平衡。除了性能提升之外,本文利用梯度感知獲得了性能優(yōu)勢(shì),通過(guò)減少網(wǎng)絡(luò)通道數(shù)與基礎(chǔ)構(gòu)建塊數(shù)目有效減少了SR網(wǎng)絡(luò)的計(jì)算量與參數(shù)量,與SPSR相比,以將近1/6的計(jì)算量與1/10的參數(shù)量取得了與SPSR相近的性能。

    2 相關(guān)工作

    相比于傳統(tǒng)的對(duì)先驗(yàn)信息進(jìn)行建模的SR方法,基于深度學(xué)習(xí)的SR方法在性能上有了很大的提升。SRCNN[2]使用3層卷積層首次將CNN引入SR領(lǐng)域,并使用傳統(tǒng)的稀疏表示的思想對(duì)這3層CNN的原理進(jìn)行了解釋?zhuān)瑢?shí)現(xiàn)了從傳統(tǒng)SR方法到基于深度學(xué)習(xí)的SR方法的過(guò)渡。之后,Kim等人[6]結(jié)合殘差網(wǎng)絡(luò)提出了更深的超分辨網(wǎng)絡(luò)VDSR,得到了更好的SR結(jié)果。Zhang等人[7]指出CNN主要是對(duì)圖像的先驗(yàn)信息進(jìn)行建模,并論證了單一的模型可以處理圖像去塊、去噪以及超分辨問(wèn)題。上述基于深度學(xué)習(xí)的圖像超分辨模型的輸入都是LR圖像經(jīng)過(guò)雙三次插值之后的粗糙SR圖像,再通過(guò)后續(xù)的網(wǎng)絡(luò)細(xì)化,得到具有較好紋理細(xì)節(jié)的SR圖像,稱(chēng)之為預(yù)上采樣框架。然而,這樣的預(yù)上采樣框架不僅會(huì)導(dǎo)致網(wǎng)絡(luò)內(nèi)部計(jì)算量的成倍增加,并且還不利于感受野的有效擴(kuò)充。

    為了解決上述問(wèn)題,Dong等人[8]提出了加速的SRCNN,稱(chēng)之為FSRCNN,直接將未插值的LR圖像作為網(wǎng)絡(luò)的輸入,在網(wǎng)絡(luò)末端使用一個(gè)反卷積層執(zhí)行圖像的上采樣,稱(chēng)之為后上采樣框架。后上采樣框架不僅可以減少計(jì)算量,擴(kuò)充感受野,還可以充分利用CNN端到端學(xué)習(xí)精度高的優(yōu)勢(shì),提高SR性能。使用此框架的性能優(yōu)越的SR方法還有很多。RCAN[9]使用通道注意力機(jī)制構(gòu)建了超過(guò)400層的SR網(wǎng)絡(luò),RDN[10]使用密集連接策略構(gòu)建SR網(wǎng)絡(luò),均獲得了較高的PSNR值。RFANet[11]利用殘差特征融合與增強(qiáng)的空間注意力模塊再次提升了PSNR值。然而,以提升PSNR為目標(biāo)的SR方法會(huì)產(chǎn)生趨于平滑的SR圖像,難以恢復(fù)出復(fù)雜的紋理與尖銳的邊緣,影響了SR圖像的視覺(jué)感知質(zhì)量。為此,Justin等人[5]在將內(nèi)容損失引入到訓(xùn)練SR網(wǎng)絡(luò)的損失函數(shù)中,使得超分辨圖像的感知質(zhì)量得到改善,有效減少了人工偽影。在生成對(duì)抗網(wǎng)絡(luò)(GAN)[12]提出之后,Ledig等人[3]又將對(duì)抗損失引入訓(xùn)練SR網(wǎng)絡(luò)的損失函數(shù)中,得到了更加逼真的重建圖 像。之 后,Wang等 人[13]使 用 殘 差 密 集 塊 對(duì)SRGAN加以改進(jìn),提出了ESRGAN,獲得了具有更好視覺(jué)質(zhì)量的SR結(jié)果。Cheng等人提出的SPSR[4]利用梯度信息為重建過(guò)程提供了豐富的結(jié)構(gòu)信息,使得SR網(wǎng)絡(luò)可以更好地恢復(fù)出圖像的細(xì)節(jié)紋理。然而,SPSR將圖像域的特征圖與梯度域的特征圖相串聯(lián),會(huì)帶來(lái)域沖突的問(wèn)題,從而導(dǎo)致性能的損失。本文提出梯度感知的圖像超分辨重建,將梯度域的特征圖作為作用在圖像域特征圖上的卷積核,以此避免域沖突所帶來(lái)的性能損失,實(shí)驗(yàn)論證了此策略的有效性。

    近些年的SR研究除了注重性能的提升之外,為了將高性能的算法部署在智能邊緣設(shè)備上,也逐漸開(kāi)始關(guān)注模型的輕量化問(wèn)題。ClassSR[14]將LR圖像分塊處理,按照恢復(fù)難度將其分為3個(gè)類(lèi),分別使用具有不同容量的模型處理這3類(lèi)圖像塊,有效地減少了已有模型的計(jì)算量。AdderSR[15]利用在圖像識(shí)別領(lǐng)域非常有效的AdderNet優(yōu)化SR模型,使用能量消耗較小的加法器替代已有網(wǎng)絡(luò)中的乘法操作,達(dá)到節(jié)省計(jì)算資源的目的。SMSR[16]利用稀疏表示理論減少SR模型在圖像的平滑區(qū)域所消耗的計(jì)算量。從近年來(lái)SR領(lǐng)域的研究趨勢(shì)可以看出,模型的輕量也是評(píng)估SR算法不可忽視的重要因素之一,因此,GASR不僅關(guān)注所重建出的SR圖像的感知質(zhì)量,同時(shí)關(guān)注模型的輕量化。

    3 梯度感知圖像超分辨重建

    3.1 GASR框架

    本文構(gòu)建相對(duì)輕量的雙分支圖像超分辨網(wǎng)絡(luò),SR分支用于提取LR圖像的深度特征,梯度分支用于提取LR圖像梯度圖的深度特征。SR分支是圖像超分辨的主分支,梯度分支作為圖像超分辨的輔助分支,為SR分支提供梯度信息,幫助SR分支重建出更準(zhǔn)確的紋理信息。GASR整體結(jié)構(gòu)如圖1所示。

    圖1 GASR的總體框架Fig.1 Overall framework of GASR

    首先,提取LR圖像及其梯度圖的淺層特征:

    其中HI(·)與HG(·)分別表示SR分支與梯度分支的淺層特征提取函數(shù),均為一個(gè)3×3的卷積層;X(·)是計(jì)算梯度圖的函數(shù)。將提取的LR圖像的淺層特征及其梯度圖的淺層特征作為主干網(wǎng)絡(luò)的兩個(gè)輸入。SR分支與梯度分支的主干網(wǎng)絡(luò)分別由M個(gè)殘差梯度感知組(Residual Gradient Aware Group,RGAG)和M個(gè)RCAN中的 殘差組(Residual Group,RG)組成,而RGAG與RG分別由N個(gè)RGAB與N個(gè)RCAB組成。此 外,在主干網(wǎng)絡(luò)中還存在一條全局跳躍連接。LR圖像及其梯度圖的深層特征提取可以表示為:

    其 中,BIm(·,·)與BGm(·,·)為 第m個(gè)RGAG和RG的函數(shù) 表示;FIm是第m個(gè)RGAG的 輸出;HGm表示第m個(gè)RG中每個(gè)RCAB的輸出特征圖,此特征圖是RGAG的輸入之一;FG(m-1)和FGm分別是第m個(gè)RG的輸入和輸出。式(3)表明,GASR的兩個(gè)分支并不相互獨(dú)立,即BIm需要以第m個(gè)RG的中間特征圖HGm為另一個(gè)輸入以融合梯度信息。最后,將深層特征FIM和FGM分別作為SR分支和梯度分支重建層的輸入:

    其 中,RI(·)和RG(·)分 別 表 示SR分 支 和梯 度 分 支的重建函數(shù),ΛI(xiàn)(·)和ΛG(·)分別表示SR分支與梯度分支。

    與SPSR類(lèi)似,本文采用像素?fù)p失、感知損失和對(duì)抗損失相結(jié)合的方式訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)能夠重建出具有更好視覺(jué)質(zhì)量的SR圖像。其中,像素?fù)p失可以有效地提升PSNR,但會(huì)導(dǎo)致SR圖像趨于平滑,難以恢復(fù)出尖銳的邊緣以及復(fù)雜的紋理。典型的像素?fù)p失有L1損失與L2損失,研究表明,L1損失相較于L2損失具有更好的收斂性,并且恢復(fù)出的SR圖像視覺(jué)質(zhì)量更好,因此選用L1損失作為像素?fù)p失:

    其中,與分別是作用在SR分支輸出的SR圖像及其梯度圖上的損失是作用在梯度分支輸出的SR梯度圖上的損失。

    為了提升圖像的感知質(zhì)量,Justin等人[5]使用預(yù)訓(xùn)練的VGG網(wǎng)絡(luò)提取SR圖像和HR圖像含有語(yǔ)義信息的中間層特征,計(jì)算它們之間的L1損失:

    其 中,Φi(·)表 示 預(yù) 訓(xùn) 練 的VGG模 型 第i層 的輸出。

    為了在放大因子較大時(shí)能夠恢復(fù)出逼真的紋理細(xì)節(jié),Ledig等人將生成對(duì)抗網(wǎng)絡(luò)(GANs)引入到SR任務(wù)中,判別器DI也作為優(yōu)化的目標(biāo)之一。受到SPSR的啟發(fā),本文不僅使用判別器DI對(duì)SR分支輸出的SR圖像進(jìn)行判別,也使用判別器DG判別其梯度圖。優(yōu)化DI、DG與ΛI(xiàn)的損失函數(shù)分別是:

    其中,與是作用在SR分支輸出的SR圖像上的損失,與是作用其的梯度圖上的損失。GASR是一個(gè)高度對(duì)稱(chēng)的雙分支網(wǎng)絡(luò)結(jié)構(gòu),即RGAG與RG在數(shù)量上保持一致、結(jié)構(gòu)上保持相似,如此使得梯度圖的深層特征與同樣位置處LR圖像的深度特征在深度上一致,以便于主分支更好地利用梯度信息。此外,梯度分支輸出梯度圖上的L1損失也更好地保證了這一點(diǎn)。

    3.2 殘差梯度感知塊(RGAB)

    在闡述RGAB結(jié)構(gòu)之前,首先介紹RCAN中殘差通道注意力塊(Residual Channel Attention Block,RCAB)的結(jié)構(gòu)。RCAB是對(duì)基礎(chǔ)殘差塊的改進(jìn),在基礎(chǔ)殘差塊的殘差分支尾端添加了通道注意力(Channel Attention,CA),促使網(wǎng)絡(luò)可以根據(jù)各通道之間的依賴(lài)自適應(yīng)地為不同通道的特征圖賦予不同的權(quán)重。如圖2所示,CA首先通過(guò)全局平均池化將輸入的大小為c×w×h的特征圖轉(zhuǎn)化為一個(gè)c維向量,即將特征在空間維度壓縮,然后通過(guò)兩個(gè)1×1的卷積層對(duì)其進(jìn)行通道降維與升維操作,最后經(jīng)過(guò)Sigmoid函數(shù)得到每個(gè)通道的權(quán)重,將其與輸入特征圖按通道相乘得到加權(quán)的輸出特征圖。

    RGAB是對(duì)RCAB的改進(jìn),具體地,就是在RCAB的第一個(gè)“卷積層+ReLU”與CA之間插入了梯度感知卷積層(Gradient Aware Convolution,GAConv)。如圖2所示,GAConv由兩個(gè)子分支組成。第一個(gè)子分支保留原有RCAB的卷積層;第二個(gè)子分支為梯度感知分支,以梯度分支的特征圖(圖中綠色長(zhǎng)方體)為輸入,其尺寸為k2×w×h。輸入的梯度特征圖每個(gè)位置可以組成一個(gè)k×k的卷積核(圖中橙色),使用此卷積核在SR分支特征圖(圖中淺灰色)的對(duì)應(yīng)位置進(jìn)行卷積,得到此位置的梯度感知結(jié)果。最后將兩個(gè)子分支的輸出特征圖串聯(lián),通過(guò)1×1的卷積層恢復(fù)通道數(shù)后輸入到CA中,得到一個(gè)RGAB的輸出。

    圖2 殘差梯度感知塊結(jié)構(gòu)圖Fig.2 Residual gradient aware block structure

    RGAB的設(shè)計(jì)既保留了原有的RCAB結(jié)構(gòu),同時(shí)避免了直接將梯度域特征圖與圖像域特征圖串聯(lián)而帶來(lái)的域沖突問(wèn)題,也就是將梯度域的特征圖作為卷積核作用在圖像域的特征圖上。實(shí)驗(yàn)證明,將梯度域的特征圖作為SR分支卷積核的策略可以有效避免域沖突所帶來(lái)的性能損失。

    3.3 梯度融合模塊(GFM)

    如圖1所示,梯度融合模塊(Gradient Fusion Module,GFM)由兩個(gè)分支對(duì)應(yīng)位置的RGAB與RCAB以及兩個(gè)過(guò)渡卷積層組成。GFM的輸入輸出均有兩個(gè),分別是梯度域的特征圖與感知梯度的圖像域特征圖。為了盡可能地確保GFM的兩個(gè)輸出深度一致,RGAB和RCAB是結(jié)構(gòu)相似且數(shù)量相同的。此外,為了促使RGAB更準(zhǔn)確地利用梯度的深度特征,在不考慮CA層的前提下,GFM兩個(gè)輸出特征圖的感受野也是一致的。假設(shè)輸入特征圖的感受野為x,除了特定的1×1卷積層之外,RGAB和RCAB中其余卷積層的核大小均為k×k,則RCAB輸出的梯度域特征圖的感受野為x+2(k-1),即圖2中綠色長(zhǎng)方體所代表的特征圖的感受野為x+2(k-1)。由于圖2中淺灰色所表示的特征圖感受野為x+(k-1),因此,GAConv的輸出特征圖感受野則為x+2(k-1),與梯度域的輸出特征圖感受野一致。

    此外,GASR并不直接將梯度分支的特征圖作為卷積核參數(shù),而是在梯度分支的RCAB與SR分支的RGAB之間添加了兩個(gè)過(guò)渡卷積層。經(jīng)過(guò)大量的有監(jiān)督訓(xùn)練,GFM中的兩個(gè)過(guò)渡卷積層可以使得最終作為卷積核的梯度域特征圖更加滿(mǎn)足卷積核特性,獲得性能上的提升。實(shí)驗(yàn)證明,直接地將梯度分支的特征圖作為SR分支的卷積核參數(shù)會(huì)使性能有一定的損失。

    4 實(shí)驗(yàn)設(shè)置及結(jié)果分析

    4.1 數(shù)據(jù)集與細(xì)節(jié)實(shí)現(xiàn)

    實(shí)驗(yàn)中使用的訓(xùn)練數(shù)據(jù)集為DIV2K[17],其中訓(xùn)練集包含800幅2K的高清圖像。在圖像超分辨常用的測(cè)試數(shù)據(jù)集上測(cè)試模型性能,如Set5[6]、Set14[18]、BSD100[19]、General100[8]等。參考SPSR,選用感知指數(shù)(PI)[20]、學(xué)習(xí)的感知圖像塊相似度(LPIPS)[21]、峰值信噪比(PSNR)和結(jié)構(gòu)相似性(SSIM)[22]為主要評(píng)價(jià)指標(biāo),其中LPIPS與PI越低表示SR圖像的感知質(zhì)量越好。

    在訓(xùn)練過(guò)程中,首先在DIV2K的800個(gè)LRHR圖像對(duì)中隨機(jī)裁剪16個(gè)對(duì)應(yīng)的LR圖像塊與HR圖像塊,其中LR圖像塊大小為48×48,對(duì)其進(jìn)行隨機(jī)旋轉(zhuǎn)與水平翻轉(zhuǎn),以變換后的16個(gè)圖像對(duì)為一批對(duì)網(wǎng)絡(luò)中參數(shù)進(jìn)行更新。具體訓(xùn)練步驟有3步:(1)訓(xùn)練放大因子為2的SR模型,即裁剪的HR圖像塊大小為96×96,損失函數(shù)僅保留SR圖像上的L1損失;(2)以損失收斂后的2倍的模型為預(yù)訓(xùn)練模型訓(xùn)練放大因子為4的SR模型,即裁剪的HR圖像塊大小為192×192,同樣地僅保留L1損失;(3)結(jié)合內(nèi)容損失與對(duì)抗損失對(duì)4倍的模型進(jìn)行微調(diào)得到可以生成具有更好感知質(zhì)量的SR模型。其中第(1)、(2)步是為了保證SR圖像中圖像內(nèi)容的正確性,第(3)步可以達(dá)到提升SR圖像感知質(zhì)量的目的。損失函數(shù)如式(7)~(14)所示,最后一步訓(xùn)練所采用的損失函數(shù)為:

    其中:a1=1,a2=0.01,a3=0.005,b1=0.01,b2=0.005,c=0.5。優(yōu) 化 器 使 用ADAM優(yōu) 化器[23],參數(shù)設(shè)置為β1=0.9,β2=0.999,ε=10-8。由于2倍的SR模型是隨機(jī)初始化的,因此初始學(xué)習(xí)率設(shè)置為10-4,4倍的SR模型與最終的SR模型均設(shè)置初始學(xué)習(xí)率為6-5,每2×105次迭代學(xué)習(xí)率衰減為原來(lái)的1 2。此外,每1 000次迭代在Set14數(shù)據(jù)集上測(cè)試一次,可以直觀地觀察當(dāng)前的訓(xùn)練效果。經(jīng)過(guò)反復(fù)實(shí)驗(yàn),最終確定RGAG與RG的數(shù) 目M=7,每個(gè)RGAG中的RGAB與RG中 的RCAB的數(shù)目N=14,未進(jìn)行特殊說(shuō)明的卷積核尺寸均為3×3,網(wǎng)絡(luò)通道數(shù)為32。所有實(shí)驗(yàn)均使用PyTorch實(shí) 現(xiàn),在GeForce RTX 2080 Ti GPUs上運(yùn)行。

    4.2 消融實(shí)驗(yàn)

    本文對(duì)GASR所提出的改進(jìn)點(diǎn)做消融實(shí)驗(yàn),以支撐本文論點(diǎn)的正確性,消融實(shí)驗(yàn)的結(jié)果如表1所示,均為Set14上測(cè)試結(jié)果的平均值。

    (1)梯度分支的有效性。本文構(gòu)建了雙分支網(wǎng)絡(luò)模型GASR,其中梯度分支作為SR分支的輔助分支,為L(zhǎng)R圖像的超分辨過(guò)程提供梯度信息。為了證明梯度分支的有效性,在對(duì)比實(shí)驗(yàn)中,我們構(gòu)建了減少通道數(shù)與基礎(chǔ)構(gòu)建塊數(shù)目的RCAN模型,相當(dāng)于去除GASR中的梯度分支,記為RCAN_sub。對(duì)比表1中RCAN_sub與GASR的實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn),GASR的LPIPS優(yōu)于RCAN_sub,并且RCAN_sub在PSNR上也遜色于有梯度分支的GASR。這有效地驗(yàn)證了梯度分支的存在對(duì)于更準(zhǔn)確地重建高分辨圖像的邊緣結(jié)構(gòu)起著積極的作用,有助于提升SR圖像的視覺(jué)質(zhì)量。

    (2)域沖突的影響。為了證明本文所提出的避免不同域特征圖串聯(lián)來(lái)緩解域沖突問(wèn)題策略的有效性,本實(shí)驗(yàn)構(gòu)建了直接將圖像域與梯度域特征圖在通道維度串聯(lián)的網(wǎng)絡(luò)模型,記為Model_1。Model_1模型的上下分支均以RCAB為基礎(chǔ)構(gòu)建塊,梯度分支的每個(gè)RCAB輸出不僅作為下一個(gè)RCAB的輸入,同時(shí)要與SR分支對(duì)應(yīng)位置的RCAB的輸出在通道維度串聯(lián),再經(jīng)過(guò)一個(gè)1×1卷積層恢復(fù)通道數(shù),此輸出作為SR分支下一個(gè)RCAB的輸入。從表1的實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn),不同域的特征圖直接串聯(lián)造成了LPIPS與PSNR不同程度的惡化,表明直接將圖像域與梯度域的特征圖串聯(lián)所造成的域沖突問(wèn)題會(huì)導(dǎo)致圖像超分辨性能的下降。

    表1 消融實(shí)驗(yàn)各評(píng)價(jià)指標(biāo)結(jié)果(Set14×4)Tab.1 Evaluation index of ablation experiment(Set14×4)

    (3)過(guò)渡卷積層的必要性。本實(shí)驗(yàn)將GASR中RGAB與RCAB之間的兩個(gè)過(guò)渡卷積層移至梯度分支的相鄰RCAB之間,以證明過(guò)渡卷積層的有效性。首先在GASR中去除兩個(gè)過(guò)渡卷積層,接下來(lái)在梯度分支的相鄰RCAB之間添加兩個(gè)1×1卷積層。第一個(gè)卷積層將上一個(gè)RCAB輸出的梯度域特征圖的通道數(shù)轉(zhuǎn)換為3×3=9個(gè)通道,此卷積層所輸出的特征圖不僅用于下一個(gè)卷積層的輸入,同時(shí)也要作為對(duì)應(yīng)位置RGAB中卷積層的卷積核參數(shù)。第二個(gè)卷積層起到恢復(fù)通道數(shù)的作用,記此網(wǎng)絡(luò)為Model_2。由表1的實(shí)驗(yàn)結(jié)果可知,去除了過(guò)渡卷積層的Model_2在LPIPS和PSNR指標(biāo)上均遜色于GASR,此結(jié)果驗(yàn)證了過(guò)渡卷積層可以起到使得梯度域特征圖更加符合卷積核特性的作用。

    4.3 基準(zhǔn)數(shù)據(jù)集的對(duì)比實(shí)驗(yàn)

    本文將GASR的實(shí)驗(yàn)結(jié)果與之前性能較好的感知驅(qū)動(dòng)的SR算法做定量與定性上的比較,對(duì)比算法包括SFTGAN[24]、SRGAN[3]、ESRGAN[13]、EnhenceNet[25]與SPSR[4]。定 量 比 較 結(jié) 果 如 表2所示,定性比較結(jié)果如圖3所示。

    (1)定量對(duì)比。從表2可以看出,雖然SPSR達(dá)到了比較好的LPIPS與PI,但其參數(shù)量與計(jì)算量較大,其中參數(shù)量是GASR的5.7倍,F(xiàn)LOPs是GASR的10.2倍,GASR以絕 對(duì) 的 參 數(shù) 量 與計(jì)算量?jī)?yōu)勢(shì)達(dá)到了與SPSR相近的性能。與ESRGAN相比,GASR也以更少的參數(shù)量與計(jì)算量取得了更好的性能,其中ESRGAN的參數(shù)量是GASR的3.9倍,F(xiàn)LOPs是GASR的3.4倍。雖然SFTGAN與SRGAN參數(shù)量與計(jì)算量較少,但其性能上遜色于其余的對(duì)比算法。此外,與感知驅(qū)動(dòng)的對(duì)比SR算法相比,GASR在所有數(shù)據(jù)集上取得了最好的PSNR與SSIM,表明其在感知質(zhì)量與平滑度之間取得了更好的平衡。表2中的結(jié)果表明,本文所提出的GASR相較于其余感知驅(qū)動(dòng)的SR算法以較少的參數(shù)量達(dá)到了優(yōu)越的性能。

    表2 與先進(jìn)的感知驅(qū)動(dòng)的SR方法的比較結(jié)果(×4)Tab.2 Results compared with advanced perception-driven SR method(×4)

    (2)定性對(duì)比。圖3展示了GASR與其余感知驅(qū)動(dòng)的SR算法在視覺(jué)效果上的對(duì)比。從第1組對(duì)比圖可以看出,SRGAN所恢復(fù)的圖像趨于平滑,難以恢復(fù)塔尖的細(xì)節(jié);EnhenceNet、SFTGAN與ESRGAN雖然能夠恢復(fù)出塔尖的大體結(jié)構(gòu),但對(duì)于細(xì)節(jié)的恢復(fù)還有待提升;SPSR雖然能夠恢復(fù)出部分塔尖的細(xì)節(jié),但GASR的細(xì)節(jié)更為準(zhǔn)確,與HR圖像更為貼合。觀察第2、3、4組對(duì)比結(jié)果可知,SRGAN均會(huì)產(chǎn)生過(guò)度平滑的SR結(jié)果,EnhenceNet、SFTGAN、ESRGAN與SPSR會(huì)產(chǎn)生一些雜亂的紋理,導(dǎo)致SR圖像嚴(yán)重失真,而GASR在平滑度與紋理生成之間取得了更好的平衡,獲得了更好的視覺(jué)效果。這有效地驗(yàn)證了GASR可以更準(zhǔn)確地恢復(fù)圖像的結(jié)構(gòu)信息,產(chǎn)生視覺(jué)質(zhì)量更優(yōu)的SR圖像的結(jié)論。

    圖3 與先進(jìn)的感知驅(qū)動(dòng)的SR方法的視覺(jué)比較結(jié)果(×4)Fig.3 Results compared visually with perceptual-driven SR methods(×4)

    4.4 真實(shí)圖像的對(duì)比實(shí)驗(yàn)

    除了在基準(zhǔn)數(shù)據(jù)集上對(duì)GASR做定量與定性分析之外,也在真實(shí)圖像上分析了GASR的有效性。本實(shí)驗(yàn)選取感知驅(qū)動(dòng)的SR算法如SFTGAN[24]、SRGAN[3]、ESRGAN[13]、USRGAN[26]、SPSR[4]與GASR做比對(duì)。

    RealSR[27]是通過(guò)調(diào)節(jié)相機(jī)焦距并利用圖像配準(zhǔn)算法獲得的真實(shí)LR-HR圖像對(duì)的數(shù)據(jù)集。本實(shí)驗(yàn)隨機(jī)選取RealSR中的46對(duì)LR-HR圖像對(duì)作為測(cè)試圖像,將GASR與雙三次(Bibubic)插值、ESRGAN與USRGAN進(jìn)行比較,定量比較結(jié)果如表3所示。與計(jì)算復(fù)雜度更高的ESRGAN相比,GASR以復(fù)雜度低的優(yōu)勢(shì)在各個(gè)評(píng)價(jià)指標(biāo)上均勝出,而USRGAN雖然取得了更高的PSNR與SSIM,但其所得SR圖像的感知質(zhì)量不及GASR。定性比較結(jié)果如圖4所示。SFTGAN與ESRGAN均會(huì)產(chǎn)生不同程度的雜亂紋理或失真現(xiàn)象,SRGAN難以恢復(fù)圖像的邊緣,而GASR雖然有少量人工偽影,但其相較于上述3種算法所恢復(fù)出的圖像邊緣更加清晰。雖然SPSR可以構(gòu)建出更清晰的圖像邊緣,但從圖4括號(hào)中所標(biāo)注的FLOPs看出,SPSR的計(jì)算量是GASR的10倍左右,這極大地限制了SPSR在真實(shí)場(chǎng)景中的應(yīng)用。

    表3 RealSR數(shù)據(jù)集上的比較結(jié)果(×4)Tab.3 Comparison results on RealSR datasets(×4)

    圖4 真實(shí)圖像上的對(duì)比實(shí)驗(yàn)結(jié)果(×4)Fig.4 Comparison of experimental results on real images(×4)

    5 結(jié) 論

    本文提出了一種較輕量的梯度感知圖像超分辨(GASR)算法,可以更準(zhǔn)確地利用圖像的梯度域信息,產(chǎn)生具有更好感知質(zhì)量的SR圖像。GASR主要從以下兩個(gè)方面達(dá)到準(zhǔn)確利用梯度域信息的目的:首先,將梯度域的特征圖作為作用在圖像域特征圖上的卷積核,如此可以有效地避免不同域特征圖串聯(lián)所帶來(lái)的域沖突問(wèn)題;其次,為了保證梯度域特征圖和圖像域特征圖在對(duì)應(yīng)位置的感受野一致,在卷積核尺寸等模型細(xì)節(jié)上進(jìn)行了一定設(shè)計(jì)。最終GASR以4.3M的參數(shù)量與26.6G FLOPs的計(jì)算量達(dá)到了比其他感知驅(qū)動(dòng)的SR算法更好的性能,在紋理生成與平滑度之間取得了更好的平衡。

    猜你喜歡
    特征實(shí)驗(yàn)模型
    一半模型
    記一次有趣的實(shí)驗(yàn)
    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
    如何表達(dá)“特征”
    做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    3D打印中的模型分割與打包
    NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)
    我的亚洲天堂| tube8黄色片| 亚洲,欧美精品.| 一级毛片黄色毛片免费观看视频| 免费在线观看黄色视频的| 中国国产av一级| 下体分泌物呈黄色| 另类亚洲欧美激情| 亚洲精品自拍成人| 制服人妻中文乱码| 亚洲av综合色区一区| 午夜免费男女啪啪视频观看| 超色免费av| 亚洲精品国产一区二区精华液| 国产1区2区3区精品| 蜜桃国产av成人99| 高清视频免费观看一区二区| 日韩av在线免费看完整版不卡| 在线观看三级黄色| 一本大道久久a久久精品| 韩国精品一区二区三区| 国产av码专区亚洲av| 亚洲国产av新网站| 亚洲精品av麻豆狂野| 999精品在线视频| 国产不卡av网站在线观看| 欧美精品一区二区大全| 男女边吃奶边做爰视频| 在线免费观看不下载黄p国产| 国产免费又黄又爽又色| 男女啪啪激烈高潮av片| 有码 亚洲区| av女优亚洲男人天堂| 日本欧美视频一区| 亚洲第一区二区三区不卡| 国产精品秋霞免费鲁丝片| 国产免费视频播放在线视频| 中文字幕亚洲精品专区| 大陆偷拍与自拍| 极品人妻少妇av视频| 国产精品久久久久久av不卡| 高清在线视频一区二区三区| 精品国产一区二区三区久久久樱花| 人妻一区二区av| 亚洲一码二码三码区别大吗| 激情五月婷婷亚洲| 欧美成人午夜精品| 亚洲国产日韩一区二区| 亚洲av成人精品一二三区| 高清不卡的av网站| 新久久久久国产一级毛片| 亚洲经典国产精华液单| 少妇人妻 视频| 国产人伦9x9x在线观看 | 岛国毛片在线播放| 男的添女的下面高潮视频| 久久久久精品久久久久真实原创| 国产精品久久久久久av不卡| 午夜影院在线不卡| 一级片免费观看大全| 国产精品 欧美亚洲| 欧美精品亚洲一区二区| 国产又色又爽无遮挡免| 亚洲色图 男人天堂 中文字幕| 丰满迷人的少妇在线观看| 国产乱来视频区| 亚洲,欧美精品.| 日产精品乱码卡一卡2卡三| 亚洲精品国产色婷婷电影| 久久精品夜色国产| 亚洲男人天堂网一区| 国产精品偷伦视频观看了| 久久久久久久久免费视频了| 亚洲国产欧美日韩在线播放| 国产男女超爽视频在线观看| 国产麻豆69| 性色avwww在线观看| 在线观看人妻少妇| a级毛片在线看网站| 一级毛片电影观看| 久久久精品区二区三区| 亚洲经典国产精华液单| 国产亚洲欧美精品永久| 麻豆乱淫一区二区| 五月开心婷婷网| 99热国产这里只有精品6| 国产1区2区3区精品| 久久精品国产a三级三级三级| 午夜福利在线免费观看网站| 日日撸夜夜添| 国产老妇伦熟女老妇高清| 国产男人的电影天堂91| 精品少妇一区二区三区视频日本电影 | 中文字幕亚洲精品专区| 亚洲欧美精品自产自拍| 2018国产大陆天天弄谢| 亚洲成人一二三区av| 99国产精品免费福利视频| 五月伊人婷婷丁香| 热re99久久国产66热| 亚洲伊人色综图| 国产熟女欧美一区二区| 午夜激情久久久久久久| 成人二区视频| 99国产综合亚洲精品| 国产一区亚洲一区在线观看| 久久久久国产精品人妻一区二区| 赤兔流量卡办理| 黄片无遮挡物在线观看| 一本久久精品| 热99久久久久精品小说推荐| 国产欧美日韩综合在线一区二区| 又黄又粗又硬又大视频| 国产成人午夜福利电影在线观看| 日本色播在线视频| 国产精品熟女久久久久浪| 日韩电影二区| 国产 一区精品| 在线观看免费高清a一片| 97在线人人人人妻| 汤姆久久久久久久影院中文字幕| 午夜福利视频精品| 国产淫语在线视频| 亚洲一区二区三区欧美精品| 国产精品久久久久久av不卡| 两个人免费观看高清视频| 在线观看免费日韩欧美大片| 99久久综合免费| av在线老鸭窝| 欧美精品一区二区免费开放| 热re99久久国产66热| 午夜影院在线不卡| 日本色播在线视频| 五月天丁香电影| 宅男免费午夜| 十分钟在线观看高清视频www| 国产精品嫩草影院av在线观看| av视频免费观看在线观看| 中文欧美无线码| 精品卡一卡二卡四卡免费| 精品亚洲成国产av| 国产极品天堂在线| 久久精品国产综合久久久| 欧美97在线视频| 亚洲人成电影观看| 国产精品久久久久成人av| 日韩精品免费视频一区二区三区| 欧美精品一区二区免费开放| 亚洲av免费高清在线观看| 另类亚洲欧美激情| 精品国产乱码久久久久久小说| 精品卡一卡二卡四卡免费| 美女中出高潮动态图| 亚洲av国产av综合av卡| 国产免费视频播放在线视频| 欧美变态另类bdsm刘玥| 亚洲伊人久久精品综合| 欧美精品亚洲一区二区| 99精国产麻豆久久婷婷| 黄片播放在线免费| 精品亚洲成国产av| 欧美日韩成人在线一区二区| 我要看黄色一级片免费的| 久热这里只有精品99| 制服诱惑二区| 午夜老司机福利剧场| 国产av一区二区精品久久| 国产黄频视频在线观看| 毛片一级片免费看久久久久| 亚洲精华国产精华液的使用体验| 桃花免费在线播放| 一二三四在线观看免费中文在| 老汉色av国产亚洲站长工具| 亚洲精品国产一区二区精华液| 国产无遮挡羞羞视频在线观看| 国产男女超爽视频在线观看| 人人澡人人妻人| 99久久人妻综合| 永久免费av网站大全| 人人妻人人添人人爽欧美一区卜| 男女无遮挡免费网站观看| 亚洲av中文av极速乱| 91精品国产国语对白视频| 精品一区二区三卡| 亚洲av成人精品一二三区| 丝袜脚勾引网站| 亚洲精品美女久久av网站| 一本色道久久久久久精品综合| 欧美亚洲日本最大视频资源| 国产日韩一区二区三区精品不卡| 韩国av在线不卡| 人妻系列 视频| 亚洲久久久国产精品| 国产精品成人在线| 在线观看美女被高潮喷水网站| 纯流量卡能插随身wifi吗| 九草在线视频观看| 国产男人的电影天堂91| 亚洲精品国产av蜜桃| 久久久久久久久久人人人人人人| 国产亚洲最大av| 久久精品久久久久久久性| 日韩,欧美,国产一区二区三区| 色婷婷av一区二区三区视频| 精品国产超薄肉色丝袜足j| 亚洲人成77777在线视频| 国产男女内射视频| 国产精品免费视频内射| 国产av一区二区精品久久| 青草久久国产| 啦啦啦视频在线资源免费观看| 成人二区视频| 伊人亚洲综合成人网| 免费观看性生交大片5| tube8黄色片| av在线观看视频网站免费| av卡一久久| 日韩一区二区视频免费看| 观看av在线不卡| 热99国产精品久久久久久7| 国产伦理片在线播放av一区| 爱豆传媒免费全集在线观看| 建设人人有责人人尽责人人享有的| 亚洲av电影在线进入| 色哟哟·www| 三上悠亚av全集在线观看| 国产免费福利视频在线观看| 亚洲婷婷狠狠爱综合网| 人妻 亚洲 视频| 亚洲欧洲国产日韩| 久久精品久久久久久久性| 久久人妻熟女aⅴ| 国产综合精华液| 丁香六月天网| 少妇被粗大猛烈的视频| 美女国产高潮福利片在线看| 国产精品一区二区在线观看99| 国产精品三级大全| 在线观看人妻少妇| 精品国产乱码久久久久久小说| 在线 av 中文字幕| 午夜福利在线免费观看网站| 人人妻人人添人人爽欧美一区卜| 一区二区日韩欧美中文字幕| 最近最新中文字幕免费大全7| 黄网站色视频无遮挡免费观看| 久久久久久久久久人人人人人人| 国产av国产精品国产| 男女无遮挡免费网站观看| 99热国产这里只有精品6| 久久久久精品性色| 国产熟女欧美一区二区| 国产1区2区3区精品| 秋霞伦理黄片| 免费不卡的大黄色大毛片视频在线观看| 国产日韩欧美视频二区| 男女下面插进去视频免费观看| 久久青草综合色| 秋霞伦理黄片| av网站在线播放免费| 精品99又大又爽又粗少妇毛片| 一级片免费观看大全| 亚洲国产欧美网| 亚洲精华国产精华液的使用体验| 亚洲国产欧美在线一区| 亚洲国产精品国产精品| 国产欧美日韩综合在线一区二区| 黄网站色视频无遮挡免费观看| 国产成人精品久久久久久| 国产免费视频播放在线视频| 国产毛片在线视频| www.精华液| 亚洲伊人色综图| 只有这里有精品99| 九色亚洲精品在线播放| 成年美女黄网站色视频大全免费| 精品少妇内射三级| 国产一区二区三区综合在线观看| 中文字幕最新亚洲高清| 赤兔流量卡办理| 日韩大片免费观看网站| 熟妇人妻不卡中文字幕| 如日韩欧美国产精品一区二区三区| 亚洲精品日本国产第一区| 五月开心婷婷网| 久久久久人妻精品一区果冻| 午夜福利乱码中文字幕| 高清av免费在线| 精品人妻一区二区三区麻豆| 99热国产这里只有精品6| 三级国产精品片| 最近最新中文字幕大全免费视频 | 国产精品熟女久久久久浪| 国产白丝娇喘喷水9色精品| 搡老乐熟女国产| 国产成人精品一,二区| 最新中文字幕久久久久| 国产欧美日韩一区二区三区在线| 黄片无遮挡物在线观看| 一级黄片播放器| 永久网站在线| 午夜福利影视在线免费观看| 夫妻性生交免费视频一级片| 啦啦啦视频在线资源免费观看| 尾随美女入室| 亚洲欧洲精品一区二区精品久久久 | 午夜免费鲁丝| 蜜桃在线观看..| 久久久久国产一级毛片高清牌| 成年av动漫网址| 免费高清在线观看视频在线观看| 午夜激情av网站| 国产亚洲av片在线观看秒播厂| 大香蕉久久成人网| 久久人人爽人人片av| 亚洲欧美一区二区三区黑人 | 在线看a的网站| 精品少妇内射三级| 波野结衣二区三区在线| 高清不卡的av网站| 日韩,欧美,国产一区二区三区| 在线观看国产h片| 青春草视频在线免费观看| 久久久久久伊人网av| 免费黄网站久久成人精品| 街头女战士在线观看网站| 丝袜脚勾引网站| 一级毛片黄色毛片免费观看视频| 9191精品国产免费久久| 亚洲成色77777| 日本爱情动作片www.在线观看| 尾随美女入室| 欧美日韩视频高清一区二区三区二| 人妻 亚洲 视频| 亚洲内射少妇av| tube8黄色片| 七月丁香在线播放| 涩涩av久久男人的天堂| 桃花免费在线播放| 男女午夜视频在线观看| 中国三级夫妇交换| 免费黄频网站在线观看国产| 女人精品久久久久毛片| 91成人精品电影| 精品一区二区免费观看| 亚洲伊人色综图| 搡女人真爽免费视频火全软件| 如何舔出高潮| 又大又黄又爽视频免费| 男人舔女人的私密视频| 免费播放大片免费观看视频在线观看| 国产欧美日韩一区二区三区在线| 视频区图区小说| 欧美 日韩 精品 国产| 大香蕉久久成人网| 丝袜在线中文字幕| 五月伊人婷婷丁香| 久久久久久人人人人人| 少妇被粗大猛烈的视频| 亚洲图色成人| 久久这里只有精品19| 午夜精品国产一区二区电影| 最新中文字幕久久久久| 亚洲图色成人| 成人国产av品久久久| 精品国产一区二区三区四区第35| 亚洲av福利一区| 欧美av亚洲av综合av国产av | 99久国产av精品国产电影| 欧美最新免费一区二区三区| 午夜91福利影院| 亚洲经典国产精华液单| 国产免费一区二区三区四区乱码| 黑丝袜美女国产一区| 日韩欧美精品免费久久| 一级毛片黄色毛片免费观看视频| www日本在线高清视频| 黄频高清免费视频| 国产精品嫩草影院av在线观看| 中文字幕人妻丝袜制服| 免费日韩欧美在线观看| 纵有疾风起免费观看全集完整版| 国产 精品1| av网站免费在线观看视频| 国产 精品1| 日韩av在线免费看完整版不卡| a 毛片基地| 亚洲av欧美aⅴ国产| 亚洲国产精品成人久久小说| 日韩一本色道免费dvd| 免费黄色在线免费观看| 亚洲色图 男人天堂 中文字幕| 香蕉精品网在线| 69精品国产乱码久久久| 久久人人97超碰香蕉20202| 又大又黄又爽视频免费| 老女人水多毛片| 最近最新中文字幕免费大全7| 国产野战对白在线观看| 777米奇影视久久| 日韩视频在线欧美| 欧美精品av麻豆av| 国产一区二区三区综合在线观看| 91精品伊人久久大香线蕉| 色网站视频免费| av电影中文网址| 肉色欧美久久久久久久蜜桃| 中文乱码字字幕精品一区二区三区| 久久人妻熟女aⅴ| 美女国产高潮福利片在线看| 日产精品乱码卡一卡2卡三| 亚洲av综合色区一区| 欧美bdsm另类| 一个人免费看片子| 亚洲成国产人片在线观看| 天天影视国产精品| 国产精品欧美亚洲77777| 午夜福利一区二区在线看| 成人影院久久| 欧美日本中文国产一区发布| 天天躁日日躁夜夜躁夜夜| 久久精品国产亚洲av高清一级| 女性被躁到高潮视频| 成人毛片a级毛片在线播放| 亚洲欧美一区二区三区国产| 国产精品偷伦视频观看了| 国产精品久久久久久精品古装| 观看av在线不卡| 伊人久久国产一区二区| 亚洲精品国产一区二区精华液| 免费看不卡的av| 久久久久久久精品精品| 成人亚洲精品一区在线观看| 色婷婷久久久亚洲欧美| 麻豆av在线久日| 成人二区视频| 色婷婷av一区二区三区视频| 在线观看免费视频网站a站| 亚洲av电影在线观看一区二区三区| 亚洲成av片中文字幕在线观看 | 免费在线观看完整版高清| 国产av国产精品国产| 最近中文字幕2019免费版| 99久国产av精品国产电影| 男女啪啪激烈高潮av片| 如何舔出高潮| 爱豆传媒免费全集在线观看| 蜜桃在线观看..| av在线播放精品| 国产男女超爽视频在线观看| 2021少妇久久久久久久久久久| 交换朋友夫妻互换小说| 久久精品久久久久久久性| 亚洲欧洲国产日韩| 美女中出高潮动态图| 亚洲国产精品一区三区| 亚洲av电影在线进入| 在现免费观看毛片| 美国免费a级毛片| 肉色欧美久久久久久久蜜桃| 国产精品免费视频内射| 欧美bdsm另类| 国产免费又黄又爽又色| 久久午夜综合久久蜜桃| 国产精品一区二区在线观看99| 老司机影院成人| 一区二区三区精品91| 欧美 日韩 精品 国产| 一级毛片 在线播放| 美女中出高潮动态图| 国产高清国产精品国产三级| 国产免费现黄频在线看| 国产精品熟女久久久久浪| 2022亚洲国产成人精品| 久久久久久久国产电影| 欧美精品国产亚洲| 尾随美女入室| 日韩欧美精品免费久久| 亚洲av国产av综合av卡| 如何舔出高潮| 精品午夜福利在线看| 久久亚洲国产成人精品v| 国产av国产精品国产| 天堂中文最新版在线下载| 人妻系列 视频| 亚洲美女视频黄频| 人妻 亚洲 视频| 国产成人精品久久久久久| 一边摸一边做爽爽视频免费| 看非洲黑人一级黄片| 国产亚洲av片在线观看秒播厂| 男女国产视频网站| 亚洲中文av在线| 欧美 亚洲 国产 日韩一| 亚洲人成电影观看| 韩国精品一区二区三区| av网站在线播放免费| 国产精品二区激情视频| 99九九在线精品视频| 男女下面插进去视频免费观看| 国产无遮挡羞羞视频在线观看| 日韩制服骚丝袜av| 亚洲人成网站在线观看播放| 久久 成人 亚洲| 欧美xxⅹ黑人| 韩国高清视频一区二区三区| 十分钟在线观看高清视频www| kizo精华| 丝袜美足系列| 一级片免费观看大全| 三上悠亚av全集在线观看| av网站在线播放免费| 亚洲精品美女久久久久99蜜臀 | 国产免费视频播放在线视频| 成人毛片60女人毛片免费| 久热久热在线精品观看| 少妇的丰满在线观看| 日韩在线高清观看一区二区三区| 亚洲欧美一区二区三区久久| 亚洲精品视频女| 晚上一个人看的免费电影| 成人国语在线视频| 蜜桃在线观看..| 午夜日韩欧美国产| 精品福利永久在线观看| 亚洲成人一二三区av| 亚洲综合色惰| 国产成人午夜福利电影在线观看| 亚洲国产最新在线播放| 一区二区三区精品91| 新久久久久国产一级毛片| 久久午夜综合久久蜜桃| 香蕉丝袜av| 欧美成人午夜精品| 成人国语在线视频| 99国产精品免费福利视频| 精品久久久精品久久久| 久久99蜜桃精品久久| 男女午夜视频在线观看| 人人澡人人妻人| 美女脱内裤让男人舔精品视频| 麻豆精品久久久久久蜜桃| 亚洲综合色惰| 人妻一区二区av| 不卡av一区二区三区| 91国产中文字幕| 日日啪夜夜爽| 久久综合国产亚洲精品| 男女免费视频国产| 香蕉精品网在线| 国产精品免费大片| 久久精品人人爽人人爽视色| 亚洲欧美一区二区三区国产| 极品人妻少妇av视频| 亚洲,欧美精品.| av电影中文网址| 中文欧美无线码| 国产一区有黄有色的免费视频| 在线观看美女被高潮喷水网站| 男女免费视频国产| 成人二区视频| 亚洲精品国产一区二区精华液| 成人免费观看视频高清| 欧美日韩av久久| 国产一区二区在线观看av| 热99久久久久精品小说推荐| 最近手机中文字幕大全| 亚洲美女黄色视频免费看| 欧美97在线视频| 啦啦啦在线免费观看视频4| 国产福利在线免费观看视频| 飞空精品影院首页| 国产成人精品婷婷| 女人久久www免费人成看片| 亚洲五月色婷婷综合| 最新中文字幕久久久久| 80岁老熟妇乱子伦牲交| 精品国产国语对白av| 国产精品国产三级专区第一集| 国产乱人偷精品视频| 久久影院123| av.在线天堂| 久热久热在线精品观看| 欧美少妇被猛烈插入视频| 亚洲人成77777在线视频| 黄网站色视频无遮挡免费观看| 久久久久国产一级毛片高清牌| 精品酒店卫生间| 久久久久国产精品人妻一区二区| 性少妇av在线| 在线精品无人区一区二区三| 亚洲精品日本国产第一区| 视频区图区小说| 亚洲,欧美精品.| 亚洲国产精品成人久久小说| 日韩一卡2卡3卡4卡2021年| 亚洲久久久国产精品| 下体分泌物呈黄色| 日韩制服骚丝袜av| 欧美+日韩+精品| 色婷婷久久久亚洲欧美| 亚洲美女视频黄频| 高清视频免费观看一区二区| 久久久久网色| 日韩伦理黄色片| 18禁国产床啪视频网站| 超碰成人久久| 亚洲美女视频黄频| 亚洲成av片中文字幕在线观看 | 精品国产乱码久久久久久男人| 国产精品蜜桃在线观看| 欧美国产精品一级二级三级| 一级毛片黄色毛片免费观看视频| 中文字幕亚洲精品专区| 国产亚洲最大av|