• <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 ?

    回環(huán)結(jié)構(gòu)與PAM結(jié)合的雙目圖像超分辨率網(wǎng)絡(luò)

    2022-09-06 11:09:22張紅英吳亞東廉煒雯
    關(guān)鍵詞:視差雙目殘差

    李 雪,張紅英,吳亞東,廉煒雯

    1.西南科技大學(xué) 信息工程學(xué)院,四川 綿陽 621010

    2.西南科技大學(xué) 特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室,四川 綿陽 621010

    3.四川輕化工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,四川 宜賓 644000

    視覺信息是人類獲取萬物信息的主要來源,通過軟件的方法提高原始圖像分辨率的過程稱為圖像超分辨率(super resolution,SR)重建,圖像超分辨率技術(shù)滿足了人們觀感所需,在計(jì)算機(jī)視覺領(lǐng)域蓬勃發(fā)展。雙目圖像超分辨率旨在由同一場景下不同視角的兩張低分辨率(low resolution,LR)圖像重建出高分辨率(high resolution,HR)圖像,隨著雙攝系統(tǒng)在大眾生活中的出現(xiàn),雙目圖像超分辨率在計(jì)算機(jī)視覺領(lǐng)域日益廣泛應(yīng)用。由于輸入為左右視角的兩張LR 圖像,使得輸入圖像之間存在視覺、特征、景深和分辨率等差異,解決這些差異性問題,并充分利用雙目圖像間有效細(xì)節(jié)信息優(yōu)勢可以提高超分辨率性能,所以豐富的上下文特征提取與表示研究成為了雙目圖像超分辨率重建的研究重點(diǎn)。

    圖像超分辨率的研究從最開始基于插值的方法到現(xiàn)在基于學(xué)習(xí)的方法經(jīng)歷了飛躍性成就,從人工處理到人工智能、從淺層網(wǎng)絡(luò)到深層網(wǎng)絡(luò)、再從深層網(wǎng)絡(luò)到輕量級網(wǎng)絡(luò),圖像超分辨率技術(shù)為人類科技發(fā)展做出了卓越貢獻(xiàn)。傳統(tǒng)插值方法[1-3]得到的SR 圖像過于平滑,丟失了高頻細(xì)節(jié)信息的同時(shí)重建出虛假的人工痕跡?;谥貥?gòu)的方法[4-6]研究圖像退化模型,圖像退化的過程本就是SR 成像的病態(tài)逆問題,采樣因子的隨意性也使得重建的SR圖像不能滿足人眼視覺需求?;趯W(xué)習(xí)的方法[7-8]是圖像超分辨率領(lǐng)域的巨大飛躍,近年來,深度學(xué)習(xí)的方法成為圖像處理研究的代表性方法。SRCNN(super resolution convolutional neural network)的問世也給圖像超分辨率研究者奠定了基礎(chǔ);Dong 等[9-10]在SRCNN 的基礎(chǔ)上改進(jìn)得到了FSRCNN(accelerating the super-resolution convolutional neural network),F(xiàn)SRCNN 中的擴(kuò)張塊與收縮塊提升了模型的性能與速度。Shi等[11]在ESPCN(efficient sub-pixel convolutional neural network)中提出的亞像素卷積層廣泛用于超分辨率網(wǎng)絡(luò)的重建部分。Tai 等[12]提出的DRRN(deep recursive residual network)結(jié)合了Resnet[13(]deep residual network)的多重路徑局部殘差學(xué)習(xí)、VDSR[14(]accurate image super-resolution using very deep convolutional networks)的全局殘差學(xué)習(xí)和DRCN[15(]deeply recursive convolutional network for image super-resolution)的多權(quán)重遞歸學(xué)習(xí),增加網(wǎng)絡(luò)深度的同時(shí)減少訓(xùn)練參數(shù),達(dá)到了理想的SR 性能。SRGAN[16(]super-resolution using generative adversarial network)采用無監(jiān)督學(xué)習(xí)方法為LR圖像生成更多具有真實(shí)感的細(xì)節(jié)。單幅圖像超分辨率在圖像超分辨率領(lǐng)域取得了重要成果,但輸入為單幀圖像也導(dǎo)致重建過程中特征張量缺乏更多的細(xì)節(jié)信息。

    為解決單幅圖像超分辨率輸入圖像細(xì)節(jié)缺乏的問題,雙目圖像超分辨率應(yīng)運(yùn)而生。雙目圖像超分辨率在網(wǎng)絡(luò)輸入上比單幅圖像超分辨率擁有更多的細(xì)節(jié),由于輸入是同一場景左右目的圖像信息,所以相比視頻超分辨率的多輸入也能夠避免運(yùn)動模糊和壓縮影響等問題。雙目圖像超分辨率進(jìn)入深度學(xué)習(xí)時(shí)代是由Jeon等[17]提出的StereoSR(enhancing the spatial resolution of stereo images using a parallax prior)開始的,StereoSR 參照立體匹配的思想,也只是圖像像素級別上的位移對齊,并沒有充分利用好左右圖的信息。Wang等[18-19]提出的PASSRnet(learning parallax attention for stereo image super-resolution)采用視差注意力機(jī)制,利用對極幾何極線約束提取左右圖的特征,并取得優(yōu)異的成果,次年,他們改進(jìn)了PASSRnet得到了一個(gè)通用的模塊SAM(stereo attention module for stereo image superresolution),將其放入單圖超分辨率的網(wǎng)絡(luò)中,有利于提高單圖SR 性能。PASSRnet 和SAM 使用3 個(gè)卷積核為3×3的具有不同膨脹率的卷積來提取特征,能夠很好提取到不同的大特征,當(dāng)特征映射小于或等于采樣率時(shí),3×3卷積核不能很好地捕獲上下文的信息,只有濾波器中心用于特征提取工作。

    針對雙目圖像重建網(wǎng)絡(luò)中特征提取不完整問題,本文提出一種基于深度學(xué)習(xí)的回環(huán)結(jié)構(gòu)與PAM相結(jié)合的雙目圖像超分辨率網(wǎng)絡(luò)。該網(wǎng)絡(luò)在特征提取上提出一種MJR-ASPP+(mixed jumping residuals-atrous spatial pyramid pooling+)構(gòu)成的回環(huán)結(jié)構(gòu),能很好地提取圖像中的高低頻細(xì)節(jié)特征,混合跳躍式殘差連接相結(jié)合的首尾呼應(yīng)結(jié)構(gòu)可獲取最小損耗的同時(shí)得到較高精度,從不同的深度操作捕獲網(wǎng)絡(luò)多尺度信息;在特征提取與視差注意力模塊中采用擴(kuò)張殘差(expanded residuals,ERes)網(wǎng)絡(luò)作為過渡塊,用來學(xué)習(xí)雙目立體匹配特征的網(wǎng)絡(luò)能力,以此來緩解其在共享網(wǎng)絡(luò)ERes與MJR-ASPP+塊中的競爭;在雙目立體視覺的四個(gè)公開數(shù)據(jù)集中,都取得了優(yōu)異的SR性能,特別是在Middlebury測試集中,×2放大倍數(shù)的PSNR 達(dá)到34.67 dB,×4 放大倍數(shù)的PSNR 達(dá)到28.75 dB。

    1 本文網(wǎng)絡(luò)結(jié)構(gòu)

    回環(huán)結(jié)構(gòu)與PAM結(jié)合的雙目圖像超分辨率網(wǎng)絡(luò)由雙目立體視覺LR圖像對作為輸入,并重建出左圖(或右圖)SR圖像。整體網(wǎng)絡(luò)框架如圖1所示,所提網(wǎng)絡(luò)由特征提取、視差注意力機(jī)制和超分辨率重建三部分構(gòu)成。首先利用權(quán)值共享的卷積操作初步提取LR 的淺層特征,通過交替級聯(lián)的MJR-ASPP+與擴(kuò)張殘差Res1 塊進(jìn)一步提取圖像的深層特征;接著將提取的特征張量輸入PAM 計(jì)算視差圖并融合所有特征張量信息;最后利用四個(gè)殘差塊對融合后的特征張量進(jìn)行卷積操作,經(jīng)反卷積處理后得到高維張量并通過卷積映射到RGB 空間,得到最終的SR圖像。整體網(wǎng)絡(luò)框架參數(shù)設(shè)置如表1所示,表中介紹了網(wǎng)絡(luò)中各模塊參數(shù)的設(shè)置及特征張量輸入與輸出的通道變換。下面將對網(wǎng)絡(luò)設(shè)計(jì)中的各模塊及損失函數(shù)進(jìn)行詳細(xì)說明。

    表1 整體網(wǎng)絡(luò)參數(shù)設(shè)置說明Table 1 Description of overall network parameter setting

    圖1 整體網(wǎng)絡(luò)框架Fig.1 Overall network framework

    1.1 特征提取

    利用權(quán)值共享的卷積網(wǎng)絡(luò)提取輸入LR圖像的淺層特征,獲取圖像中大致概貌和輪廓,得到圖像的近似信息。第一層卷積層與第二層殘差塊的卷積核都為3×3,用每個(gè)卷積核去遍歷輸入雙目圖像時(shí),卷積核的大小是固定不變的,每個(gè)卷積核都會去掃描整張輸入的LR 圖像,輸入圖像中所有特征都共享了相同的權(quán)值。在卷積神經(jīng)網(wǎng)絡(luò)中,利用權(quán)值共享卷積網(wǎng)絡(luò)不僅可以減少神經(jīng)網(wǎng)絡(luò)中需要訓(xùn)練的參數(shù)個(gè)數(shù),使深度學(xué)習(xí)網(wǎng)絡(luò)運(yùn)算簡潔高效,也能使網(wǎng)絡(luò)在大規(guī)模的數(shù)據(jù)集上靈活運(yùn)算。

    在淺層特征的基礎(chǔ)上進(jìn)一步提取輸入圖像的深層特征,得到圖像的邊緣、輪廓和細(xì)節(jié)信息。如圖1 整體網(wǎng)絡(luò)框架所示,本文通過交替級聯(lián)的回環(huán)結(jié)構(gòu)MJR-ASPP+與擴(kuò)張殘差Res1 塊進(jìn)一步提取圖像的深層特征,輸入特征首先進(jìn)入回環(huán)結(jié)構(gòu)MJR-ASPP+中以生成多尺度特征,接著,這些多尺度特征經(jīng)過擴(kuò)張殘差塊Res1進(jìn)行特征融合,最后,將回環(huán)結(jié)構(gòu)與擴(kuò)張殘差塊相結(jié)合操作重復(fù)兩次以生成最終左右圖的特征張量。下面對回環(huán)結(jié)構(gòu)進(jìn)行詳細(xì)介紹。

    1.1.1 回環(huán)結(jié)構(gòu)MJR-ASPP+

    豐富上下文的圖像特征提取與表示對超分辨率任務(wù)有著重大意義,本文在特征提取部分提出一種混合跳躍式殘差空洞空間金字塔池化(mixed jump residualsatrous spatial pyramid pooling+,MJR-ASPP+)的回環(huán)結(jié)構(gòu)用于多尺度特征表達(dá),MJR-ASPP+是將ASPP+采用回環(huán)結(jié)構(gòu)的方式連接而成,如圖2 所示,將三組ASPP+塊使用長短跳躍連接的方式,每一塊的輸出與輸入相連,首尾緊扣,形成回環(huán)式結(jié)構(gòu)?;丨h(huán)結(jié)構(gòu)能有效捕獲圖像多尺度特征,相比傳統(tǒng)多尺度特征提取網(wǎng)絡(luò),回環(huán)結(jié)構(gòu)具有以下三個(gè)優(yōu)點(diǎn):第一,回環(huán)結(jié)構(gòu)采用不同卷積核和不同膨脹率的卷積層提取圖片中不同層次細(xì)節(jié)特征的同時(shí),采用全局平均池化層可以有效保留圖像背景信息,在整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)上做正則化防止過擬合,賦予每個(gè)通道實(shí)際的類別意義;第二,回環(huán)結(jié)構(gòu)中ASPP+采用殘差連接的方式,加深網(wǎng)絡(luò)深度,使得網(wǎng)絡(luò)每一條通路都有一個(gè)感受野,形成不同感受野和不同膨脹率的卷積集合,從而獲取更多細(xì)節(jié)紋理信息;第三,在殘差連接網(wǎng)絡(luò)中,采用長跳躍連接,將不同層次的特征拼接在一起,達(dá)到增加特征多樣性、加快訓(xùn)練的目的。下面將具體介紹每一模塊的作用。

    圖2 MJR-ASPP+模塊Fig.2 MJR-ASPP+ module

    (1)改進(jìn)空間空洞金字塔池化模ASPP+

    圖像超分辨率任務(wù)的核心是重建出高頻細(xì)節(jié)信息的同時(shí)保留低頻細(xì)節(jié)信息,DeepLabV3 工作中Chen等[20]對ASPP(atrous spatial pyramid pooling)進(jìn)行了改進(jìn),改進(jìn)的ASPP 很好地處理特征映射過大或過小的情況,而在所有的超分辨網(wǎng)絡(luò)中,第一步是提取LR圖像特征,本文將改進(jìn)的ASPP 思路運(yùn)用在雙目圖像超分辨率特征提取與表示這一步驟中,可以使網(wǎng)絡(luò)獲得多尺度的特征表達(dá)。本文所提的MJR-ASPP+模塊中,ASPP+模塊包含一個(gè)核為1×1的卷積層、三個(gè)核為3×3的卷積層(膨脹率分別為1、4、8)和一個(gè)池化層。其中1×1卷積負(fù)責(zé)提取大范圍的圖像信息,也能避免因3×3卷積層的膨脹率過大而忽略掉的邊界信息;3 個(gè)3×3 的卷積層擁有不同的膨脹因子,能夠擴(kuò)大感受野提取到多尺度的圖像特征;對特征張量進(jìn)行自適應(yīng)平均池化后再通過雙線性插值上采樣,是從圖像級特征出發(fā),獲取圖像的全局特征。將三者信息進(jìn)行融合,即可提取到圖像的大小局部特征及背景全局特征,也為網(wǎng)絡(luò)下一層傳遞了輸入圖像的高低頻多尺度特征,符合超分辨率重建的初衷,所以將改進(jìn)的ASPP 運(yùn)用于雙目圖像超分辨率特征提取部分,在文中消融實(shí)驗(yàn)部分也證明了此方法的有效性。

    (2)混合跳躍式殘差連接MJR

    在深度學(xué)習(xí)網(wǎng)絡(luò)中,跳躍式連接的方式能很好地解決梯度消失等問題,本文所提的MJR-ASPP+模塊,采用長短跳躍相結(jié)合的混合跳躍式連接方式來獲取圖像的多尺度特征。具體為:將三個(gè)ASPP+塊以混合殘差的方式分別級聯(lián)起來,稱為短跳躍式殘差A(yù)SPP+(short jump residual-ASPP+,SJR-ASPP+),根據(jù)梯度鏈?zhǔn)椒▌t,梯度是從最后一層往前逐層傳遞回來的,這種殘差方式的短跳躍連接相當(dāng)于是一個(gè)深層網(wǎng)絡(luò),提取了圖像的深層特征;將輸入與SJR-ASPP+塊的輸出結(jié)果經(jīng)長跳躍式(long jump residual,LJR)連接,得到最后的特征張量圖。這種混合跳躍式的連接方式從不同深度對圖像特征進(jìn)行處理,根據(jù)圖像的尺度自相似性,長短跳躍連接能夠獲取多尺度的圖像特征,在本文實(shí)驗(yàn)中也證明了混合跳躍式連接使超分辨率網(wǎng)絡(luò)具有更好的SR性能。

    (3)擴(kuò)張殘差模塊ERes

    回環(huán)結(jié)構(gòu)MJR-ASPP+提取的特征張量來自不同感受野和膨脹卷積的集合,為融合多尺度特征,本文將傳統(tǒng)的殘差塊替換為擴(kuò)張殘差ERes塊,與普通殘差相比,ERes 具有更好的特征提取和綜合迭代功能。如圖3 所示,ERes 將第一層卷積的輸出變?yōu)樵瓉硗ǖ赖? 倍,在最后輸出時(shí)將通道數(shù)恢復(fù)為原來的通道數(shù),特征維度的變換有利于圖像去噪和多尺度特征的融合,ERes 與回環(huán)結(jié)構(gòu)交替級聯(lián)使網(wǎng)絡(luò)更加充分地提取與融合圖像從淺層到深層的特征信息。

    圖3 擴(kuò)張殘差模塊Fig.3 Extended residual module

    1.1.2 FReLU激活函數(shù)

    本文在特征提取模塊提出了一種高效且復(fù)雜的回環(huán)式網(wǎng)絡(luò)用于提取圖像特征,由于網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性,導(dǎo)致常規(guī)卷積無法學(xué)習(xí)類似的精度,面對網(wǎng)絡(luò)模型的復(fù)雜度,本文用FReLU 替換LReLU。FReLU[21]是專門用于視覺任務(wù)的激活函數(shù),增加空間條件來擴(kuò)展ReLU和PReLU,增強(qiáng)激活空間的敏感度,顯著提高圖像視覺效果。FReLU 表達(dá)式如公式(1)所示,式中T(x)表示高效率的空間上下文提取結(jié)構(gòu),使用了空間表示信息。FReLU 能自適應(yīng)地獲取ASPP+塊中提取到的特征信息,膨脹卷積層和FReLU 激活函數(shù)層的結(jié)合提高了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)中捕獲空間相關(guān)性的效率,本文在消融實(shí)驗(yàn)中也對FReLU激活函數(shù)在網(wǎng)絡(luò)中的使用進(jìn)行了驗(yàn)證。

    1.2 視差注意力模塊PAM

    視差注意力模塊(parallax-attention module,PAM)是Wang 等在PASSRnet 中提出的一種沿極線具有全局感受野的視差提取模塊,巧妙運(yùn)用對極幾何中的極線約束,有效地集成了雙目立體視覺LR圖像對的有用信息,即雙目圖像對之間無遮擋的有效區(qū)域信息。PAM如圖4所示,本文將MJR-ASPP+提取的左右特征張量輸入擴(kuò)張殘差過渡塊Res2 中,過渡塊用來學(xué)習(xí)雙目立體匹配特征的網(wǎng)絡(luò)能力,以此來緩解其在共享網(wǎng)絡(luò)中擴(kuò)張殘差塊與MJR-ASPP+塊的競爭。

    圖4 視差注意力模塊Fig.4 Parallax-attention module

    圖4 中的視差圖ML-R和MR→L描述左右目的相似關(guān)系。圖5給出了視差圖計(jì)算的示意圖,其中圖5(a)為左右目相似關(guān)系,(b)為左右目對齊操作。在圖5(a)中,MR→L是一個(gè)H×W×C三維特征,MR→L(i,j,k)表示沿著i的維度取出切片MR→L(i,:,:)∈?W×W,將切片MR→L(i,:,:)∈?W×W經(jīng)softmax函數(shù)處理后,水平方向和變?yōu)?,切片(j,k)這一點(diǎn)表示右圖(i.k)這一點(diǎn)對左圖(i,j)的貢獻(xiàn),在真實(shí)三維世界中,期望(j,k)的值為1。視差注意力圖中的值描述了左右圖像素級別的對應(yīng)關(guān)系,利用此對應(yīng)關(guān)系做左右目的對齊操作,稱為幾何已知的矩陣乘(geometry-aware matrix multiplication)。如圖5(b)所示,得到右到左的視差注意力圖MR →L后,做右圖到左圖的對齊操作,從左圖IL∈?H×W×C中沿H維度取 出 切 片IL(i,:,:)∈?W×C,同 理 視 差 圖 的 切 片 為MR→L(i,:,:)∈?W×W,右圖的切片為IR(i,:,:)∈?W×C,由圖(a)中(j,k)的含義可知,當(dāng)(j,k)為1時(shí),左圖(i,j)點(diǎn)的值對應(yīng)等于右圖的(i.k)點(diǎn),從亞像素的層面講,當(dāng)(j,k)為0.5 時(shí),是將左右圖兩個(gè)像元按50%的貢獻(xiàn)值混合在一起。由于采用矩陣乘的方式得到視差圖,所以不用單獨(dú)計(jì)算出每點(diǎn)的視差值,左右視差圖就能很好地得到左右目的對應(yīng)關(guān)系。

    圖5 視差圖計(jì)算Fig.5 Disparity map calculation

    1.2.1 一致性

    由對極幾何極線約束,左圖中的一點(diǎn)a,在右圖中一定在點(diǎn)a所在的那一行里。左右目圖像進(jìn)行對齊操作時(shí),假設(shè)ILL與IRR是從低分辨率圖像對中提取出的深層特征,PAM 生成視差注意力圖MR-L和ML-R,理想情況下,左右圖的對應(yīng)關(guān)系可得出如公式(2)所示的左右一致性原理,右到左視差圖MR-L乘以右圖ILR可以得到左圖ILL,同理得到右圖ILR。進(jìn)而得到循環(huán)一致性如公式(3)所示,其中,ML→R→L表示左圖到右圖再到左圖的視差圖,?表示批次化矩陣乘。

    其中:

    1.2.2 有效掩碼

    視差注意力圖不僅描述左右圖的相對信息,還能描述左右圖之間的遮擋信息。在遮擋范圍內(nèi),賦予像素極小的權(quán)重值,如公式(5)所示,當(dāng)ML→R(i,j,k)或MR→L(i,j,k)的值小于0.1時(shí),認(rèn)為像素在對應(yīng)圖中是被遮擋的,本文采用形態(tài)學(xué)的操作來處理遮擋區(qū)域。

    1.3 超分辨率重建

    如圖1 整體框架圖中③超分辨率重建模塊所示,本文采用四個(gè)殘差塊的目的是對融合后的左右圖特征張量進(jìn)行多卷積操作,得到高維特征張量,有利于反卷積處理;此外,殘差塊除了能減弱梯度消失外,還是一種自適應(yīng)深度操作,多個(gè)殘差塊級聯(lián)起到直接信息的傳遞作用。本文在消融實(shí)驗(yàn)部分證明了選用四個(gè)殘差塊能更好提升網(wǎng)絡(luò)的整體性能。殘差塊中采用FReLU作為激活函數(shù),反卷積采用Shi 等[11]的sub-pixel 上采樣對高維特征進(jìn)行操作,避免上采樣時(shí)出現(xiàn)人工痕跡等不真實(shí)的信息。最后利用卷積將特征圖映射到RGB 空間,得到最后的超分辨率左圖或右圖。

    1.4 損失函數(shù)

    為了訓(xùn)練回環(huán)結(jié)構(gòu)與PAM結(jié)合的雙目圖像超分辨率網(wǎng)絡(luò),本文充分利用雙目圖像對之間的一致性原理,采用公式(6)所示的損失函數(shù),該損失函數(shù)由超分辨損失LSR、照度損失Lphotometric、平滑損失Lsmooth和循環(huán)一致性損失Lcycle構(gòu)成。

    LSR為超分辨率中的均方誤差(mean squared error,MSE)表示,其表達(dá)式如公式(7)所示,它衡量原始的HR圖像IHR與重建出的SR圖像ISR間的差異性,其中‖ · ‖2是2范數(shù)。

    對圖中的非遮擋區(qū)域引入照度損失Lphotometric,如公式(8)所示,其中p表示具有有效掩碼遮擋值的像素,‖ · ‖1是1 范數(shù)。視差圖MR-L與ML-R反映左右圖與之間的對應(yīng)關(guān)系,采用視差圖計(jì)算照度損失可以使其更好地表示左右目圖像之間的左右一致性。公式中可看出,視差注意力圖與右圖(左圖)批次化矩陣乘后方可得到左(右)圖。

    為了在無紋理或弱紋理區(qū)域生成準(zhǔn)確一致的視差注意力圖,本文在視差圖上采用公式(9)所示的平滑損失Lsmooth。該等式的兩項(xiàng)因式分別代表視差注意力圖中的垂直一致性與水平一致性。

    為了使用循環(huán)損失體現(xiàn)視差注意力圖的循環(huán)一致性,本文采用公式(10)所示的循環(huán)一致性損失Lcycle,由該式可知左圖(右圖)經(jīng)過兩次注意力圖的映射后,將得到左(右)圖本身。其中MR-L-R是單位矩陣。

    2 實(shí)驗(yàn)結(jié)果與分析

    本章將詳細(xì)介紹具體實(shí)驗(yàn)操作與實(shí)驗(yàn)結(jié)果,首先介紹實(shí)驗(yàn)的數(shù)據(jù)集與實(shí)驗(yàn)的預(yù)處理細(xì)節(jié),接著通過消融實(shí)驗(yàn)測試本文提出網(wǎng)絡(luò)的有效性,最后將實(shí)驗(yàn)結(jié)果與典型的超分辨率算法比較,進(jìn)一步驗(yàn)證本文方法的SR性能。

    2.1 數(shù)據(jù)集

    為驗(yàn)證實(shí)驗(yàn)過程的一致性與準(zhǔn)確性,本文采用與PASSRnet網(wǎng)絡(luò)同樣的數(shù)據(jù)集。在訓(xùn)練集上使用該團(tuán)隊(duì)收集的Flickr1024數(shù)據(jù)集中的800張訓(xùn)練集和雙目立體視覺公開數(shù)據(jù)集Middlebury 中的60 張訓(xùn)練圖片。將860張HR圖片進(jìn)行2倍和4倍下采樣,得到本文網(wǎng)絡(luò)最終的訓(xùn)練數(shù)據(jù)集,并將LR 圖像對和相應(yīng)的HR 圖像對送入網(wǎng)絡(luò)進(jìn)行有監(jiān)督訓(xùn)練??紤]到測試集的選取要遵循景物的多樣性、視差變化的靈活性、景深的可對比性等必要條件,按照PASSRnet的實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備,本文也相應(yīng)選取了Middlebury 測試集中的5 幅圖像、KITTI2012測試集中的20 幅圖像、KITTI2015 測試集中的20 幅圖像和Flickr1024 測試集中的112 幅圖像作為測試集,同樣對測試集進(jìn)行2倍或4倍下采樣。

    2.2 實(shí)施細(xì)節(jié)

    本文實(shí)驗(yàn)在Nvidia GTX 2060 GPU 上進(jìn)行,在Pytorch網(wǎng)絡(luò)框架上實(shí)現(xiàn),使用Adam方法對網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,其中,Bach size設(shè)置為40,初始學(xué)習(xí)率為0.002,每30 個(gè)Epochs 后降低一半,訓(xùn)練在90 個(gè)Epochs 后結(jié)束,因?yàn)楦蟮腅pochs對SR性能影響不大。

    在訓(xùn)練階段,首先對雙目HR 圖像進(jìn)行雙三次插值下采樣,生成對應(yīng)的LR 圖像對;然后對生成的LR 圖像進(jìn)行預(yù)處理,將其裁剪為30×90 個(gè)步長為20 的圖像塊,它們在HR圖像中對應(yīng)的圖像塊也被裁剪出來,水平塊的大小慢慢增加到90 以避免訓(xùn)練集中圖片的大小差異;最后為了增加訓(xùn)練集的樣本數(shù)量,對裁剪出來的圖像塊進(jìn)行平移和旋轉(zhuǎn)。本文采用峰值信噪比(peak signal-to-noise ratio,PSNR)和結(jié)構(gòu)相似性(structural similarity,SSIM)指標(biāo)來評價(jià)測試圖片的SR性能。

    2.3 消融實(shí)驗(yàn)

    本節(jié)對消融實(shí)驗(yàn)進(jìn)行介紹,以證明本文網(wǎng)絡(luò)的設(shè)計(jì)與選擇,消融實(shí)驗(yàn)在KITTI2012和Middlebury測試集上實(shí)現(xiàn),采樣因子為4倍,圖6訓(xùn)練曲線顯示了80個(gè)Epochs的訓(xùn)練結(jié)果,具體實(shí)驗(yàn)環(huán)節(jié)與實(shí)驗(yàn)結(jié)果如表2、圖6和圖7所示。

    表2 消融實(shí)驗(yàn)各環(huán)節(jié)與測試結(jié)果Table 2 Ablation study and test results

    圖6 消融實(shí)驗(yàn)訓(xùn)練結(jié)果Fig.6 Ablation study and test results

    圖7 網(wǎng)絡(luò)重建部分的殘差塊個(gè)數(shù)Fig.7 Number of residual blocks in network reconstruction

    表2為消融實(shí)驗(yàn)各環(huán)節(jié)與KITTI2012測試集的實(shí)驗(yàn)結(jié)果,圖6 是消融實(shí)驗(yàn)訓(xùn)練時(shí)的Loss 值與PSNR 值。圖6中曲線①是文獻(xiàn)PASSRnet的復(fù)現(xiàn)結(jié)果,曲線②是使用ASPP+后的結(jié)果,從結(jié)果可以看出在原本的ASPP塊中增加了1×1卷積層和池化層后,PSNR提升了0.04 dB,因?yàn)楸疚母倪M(jìn)的ASPP+模塊能夠獲取更完整的感受野,達(dá)到了豐富的多尺度特征提取與表達(dá)的效果。在ASPP+的基礎(chǔ)上,繼續(xù)調(diào)試本文網(wǎng)絡(luò),首先對殘差A(yù)SPP+添加長跳躍殘差連接,使整個(gè)ASPP+模塊通過混合跳躍殘差連接的方式傳遞不同深度的信息,如曲線⑤所示,對比曲線②的實(shí)驗(yàn)結(jié)果,采用混合跳躍式殘差連接的ASPP+塊在最后的網(wǎng)絡(luò)重建結(jié)果優(yōu)于曲線②。接著擴(kuò)張殘差使用在本文網(wǎng)絡(luò)的特征提取和視差注意力機(jī)制上,曲線⑥中PSNR 值比曲線②提高了0.08,是因?yàn)閿U(kuò)張殘差可以起到很好處理網(wǎng)絡(luò)中圖像噪聲和平緩網(wǎng)絡(luò)模塊間權(quán)值共享的作用。最后,在本文提出的多尺度特征表示網(wǎng)絡(luò)上進(jìn)行超參數(shù)的改進(jìn),替換ReLU 函數(shù)為FReLU,得到本文最終的SR 重建方法,曲線⑦無論在訓(xùn)練中還是測試中都達(dá)到了最優(yōu)的效果。為了證實(shí)本文網(wǎng)絡(luò)的有效性,去除PASSRnet 網(wǎng)絡(luò)的ASPP 塊,其他網(wǎng)絡(luò)連接方式都與本文一致,相比曲線③和曲線②可以看出,采用混合跳躍式殘差連接方式和FReLU 函數(shù)對網(wǎng)絡(luò)也有一定幫助。此外,本文還對輸入為兩張一樣的圖像進(jìn)行實(shí)驗(yàn),結(jié)果可以看出曲線⑦得到的結(jié)果并不理想。

    圖7 是本文在網(wǎng)絡(luò)重建部分使用殘差塊個(gè)數(shù)在Middlebury 測試集上的PSNR 結(jié)果,由圖中曲線可以看出殘差塊的個(gè)數(shù)越多,圖像的PSNR 值越高,特別是在曲線前半部分,每增加一個(gè)殘差塊,PSNR 值就提升0.1 dB左右,但當(dāng)殘差塊的個(gè)數(shù)增加到四個(gè)之后,PSNR結(jié)果提升只有0.014 dB 左右,根據(jù)網(wǎng)絡(luò)模型大小和SR性能提升綜合考慮,在網(wǎng)絡(luò)重建部分采用四個(gè)殘差塊最為適宜,實(shí)驗(yàn)結(jié)果也表明在超分辨率重建部分選取四個(gè)殘差塊能提升網(wǎng)絡(luò)的整體性能。

    綜上,消融實(shí)驗(yàn)驗(yàn)證了本文多尺度特征表示的雙目圖像超分辨率重建網(wǎng)絡(luò)設(shè)計(jì)與選擇的意義,消融實(shí)驗(yàn)中也看出了MJR-ASPP+塊、混合跳躍式殘差、擴(kuò)張殘差、FReLU函數(shù)和重建使用四個(gè)殘差塊能更好提升網(wǎng)絡(luò)的SR性能。

    2.4 本文網(wǎng)絡(luò)參數(shù)規(guī)模分析

    本文網(wǎng)絡(luò)參數(shù)模型分別從參數(shù)數(shù)量Params、理論計(jì)算量FLOPs(floating point operations)、PSNR 和SSIM四方面來分析,測試結(jié)果在Middlebury 數(shù)據(jù)集中實(shí)現(xiàn),具體分析結(jié)果如表3 所示。首先是對本文網(wǎng)絡(luò)自身的參數(shù)規(guī)模進(jìn)行分析,去除本文網(wǎng)絡(luò)中的MJR-ASPP+塊和PAM 塊對于本網(wǎng)絡(luò)來說雖然參數(shù)量和計(jì)算量降低了,但總體SR性能也跟著降低;然后對比雙目圖像超分辨率重建的兩個(gè)典型方法,本文網(wǎng)絡(luò)參數(shù)量比StereoSR降低了0.38×106,計(jì)算量降低了0.329 GFLOPs,PSNR增加了2.01 dB,SSIM提高了0.011,取得了優(yōu)異網(wǎng)絡(luò)性能,但對于PASSRnet 結(jié)果,雖然模型的參數(shù)量與計(jì)算量相對高一點(diǎn),但最終也達(dá)到了更好的SR 性能。針對模型參數(shù)規(guī)模分析,本文的下一步工作也將沿著輕量級網(wǎng)絡(luò)發(fā)展,在降低模型計(jì)算量的同時(shí)取得良好的SR性能。

    表3 網(wǎng)絡(luò)參數(shù)規(guī)模分析結(jié)果Table 3 Results of network parameter scale analysis

    2.5 對比實(shí)驗(yàn)

    對比實(shí)驗(yàn)選取Flickr1024、Middlebury、KITTI2012和KITTI2015四個(gè)雙目立體圖像公開數(shù)據(jù)集,與代表性單幅和雙目圖像超分辨率重建方法作對比,代表方法有SRCNN、VDSR、DRRN、StereoSR、PASSRnet,實(shí)驗(yàn)結(jié)果如表4所示。表4實(shí)驗(yàn)對比結(jié)果是對四個(gè)公開數(shù)據(jù)集圖片結(jié)果進(jìn)行平均值比較,從表中可以看出MJR-ASPP+在×2 或×4 的采樣因子中都取得了最好的結(jié)果,在Middlebury 數(shù)據(jù)集中,×2 的PSNR 相比PASSRnet 提高了0.62 dB,×4 的PSNR 提高了0.17 dB;在KITTI2015 數(shù)據(jù)集中,×2 的SSIM 相比PASSRnet 提高了0.011,而×4 的SSIM提高了0.015。

    表4 數(shù)據(jù)集實(shí)驗(yàn)對比結(jié)果Table 4 Experimental comparison of data sets

    圖8 和圖9 的實(shí)驗(yàn)結(jié)果分別為放大4 倍和2 倍的重建結(jié)果,選取Flickr1024 測試集中0031、0089、0107 和Middlebury中的motorcycle圖像,本文MJR-ASPP+網(wǎng)絡(luò)重建出的圖像在評估和視覺效果上都取得了較好的性能,其中,×4放大倍數(shù)的兩幅圖像的PSNR對比PASSRnet 分別提高了0.15 dB 和0.22 dB,×2 放大倍數(shù)的兩幅圖片PSNR分別提高了0.33 dB和0.75 dB。從視覺效果上看,圖片0089 解決了PASSRnet 重建后出現(xiàn)的噪聲,整體細(xì)節(jié)輪廓清晰了許多,如左上角白色弧線邊緣恢復(fù)的更連續(xù),臺階分割線也更加分明,右下三角階梯上的高光和陰影部分也更加接近原始圖像;圖片0107 恢復(fù)的細(xì)節(jié)信息更平滑,如左側(cè)蒲公英樹干上的紋理細(xì)節(jié)要比幾種典型方法清晰,蒲公英上的絨毛部分PASSRnet和本文方法都恢復(fù)出了根根分明的效果,但本文方法恢復(fù)的絨毛邊緣信息更豐富;圖片0031 中字母和兩邊線條的輪廓信息相對PASSRnet 要更明顯,且恢復(fù)出的色彩信息更接近原始圖像;本文方法在圖片motorcycle中完整地恢復(fù)出了車的凹槽部分,其中在車輪與地面的分界部分,本文方法避免了PASSRnet中產(chǎn)生的噪聲顆粒,在車輪上的細(xì)節(jié)紋理部分,本文方法比原有的典型算法恢復(fù)出了更多的細(xì)節(jié)信息,特別是左下角磨損部分,也能很好地凸顯車輪的凹凸信息。

    圖8 實(shí)驗(yàn)對比結(jié)果(×4)Fig.8 Experimental comparison results(×4)

    圖9 實(shí)驗(yàn)對比結(jié)果(×2)Fig.9 Experimental comparison results(×2)

    本文網(wǎng)絡(luò)采用回環(huán)結(jié)構(gòu)MJR-ASPP+提取圖像多尺度特征,使圖像在重建后能完整恢復(fù)出物體邊緣輪廓信息,同時(shí)也能恢復(fù)出圖像中大部分細(xì)節(jié)紋理信息,在計(jì)算機(jī)視覺領(lǐng)域中,圖像中的輪廓邊緣信息用于區(qū)分物體間的差異,反映物體的位置信息,而圖像中的細(xì)節(jié)紋理信息則反映物體的主要信息,這兩種信息為圖像分割、目標(biāo)檢測、機(jī)器視覺和模式識別等任務(wù)奠定基礎(chǔ)。

    3 結(jié)束語

    雙目圖像超分辨率在計(jì)算機(jī)視覺領(lǐng)域有著重要的應(yīng)用前景,在超分辨率重建技術(shù)中,輸入為同一場景的兩張圖像相比單幀圖像擁有更多的細(xì)節(jié)信息,且相對多輸入的視頻圖像超分辨率可以避免運(yùn)動模糊和噪聲影響等優(yōu)勢。如何充分利用好雙目圖像左右圖的細(xì)節(jié)信息成為雙目圖像超分辨率重建的重難點(diǎn),針對雙目圖像豐富上下文的特征提取與表示問題,本文提出一種多尺度特征表示的雙目圖像超分辨率重建方法,采用MJRASPP+模塊和擴(kuò)張殘差對圖像進(jìn)行特征提取,在整個(gè)網(wǎng)絡(luò)框架中使用FReLU 激活函數(shù),并在比較四個(gè)公開數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果中,均達(dá)到了最優(yōu)的效果,從而也進(jìn)一步證實(shí)了本文多尺度特征表示網(wǎng)絡(luò)框架的優(yōu)異性能。

    本文提出的多尺度特征表示網(wǎng)絡(luò)雖然在輪廓信息重建上取得了很好的效果,但在細(xì)節(jié)紋理增強(qiáng)上還需深入研究。在接下來的工作中,將繼續(xù)沿著雙目圖像間信息提取和視差注意力機(jī)制方面內(nèi)容,解決雙目圖像細(xì)節(jié)紋理恢復(fù)不明顯和視差變化影響大等問題;并進(jìn)一步輕量化網(wǎng)絡(luò),使網(wǎng)絡(luò)提高超分辨性能的同時(shí),減輕內(nèi)存消耗。

    猜你喜歡
    視差雙目殘差
    基于雙向GRU與殘差擬合的車輛跟馳建模
    基于自適應(yīng)窗的立體相機(jī)視差圖優(yōu)化方法研究
    基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
    基于雙目測距的卡爾曼濾波船舶軌跡跟蹤
    電子制作(2019年20期)2019-12-04 03:51:38
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    基于梯度域引導(dǎo)濾波的視差精煉迭代算法
    基于分割樹的視差圖修復(fù)算法研究
    基于雙目視覺圖像的長度測量方法
    立體視差對瞳孔直徑影響的研究
    平穩(wěn)自相關(guān)過程的殘差累積和控制圖
    河南科技(2015年8期)2015-03-11 16:23:52
    99香蕉大伊视频| 亚洲中文字幕日韩| 在线视频色国产色| 精品国产乱码久久久久久男人| 日韩有码中文字幕| 国产精品野战在线观看| 国产精品综合久久久久久久免费 | 91成年电影在线观看| 十八禁人妻一区二区| 成人亚洲精品av一区二区| 91九色精品人成在线观看| 黄色 视频免费看| 精品一品国产午夜福利视频| 日本 欧美在线| 欧美一级毛片孕妇| 搞女人的毛片| 日本欧美视频一区| 日韩欧美免费精品| 中出人妻视频一区二区| 色婷婷久久久亚洲欧美| 亚洲精品久久成人aⅴ小说| 18禁美女被吸乳视频| 亚洲成a人片在线一区二区| 国产1区2区3区精品| 亚洲欧美日韩另类电影网站| 国产免费av片在线观看野外av| 久久精品国产亚洲av高清一级| 日本vs欧美在线观看视频| 国产精品电影一区二区三区| 大型黄色视频在线免费观看| 叶爱在线成人免费视频播放| 精品欧美一区二区三区在线| 两性午夜刺激爽爽歪歪视频在线观看 | 国产熟女午夜一区二区三区| 窝窝影院91人妻| 999久久久精品免费观看国产| 国产欧美日韩一区二区三| 色精品久久人妻99蜜桃| 熟女少妇亚洲综合色aaa.| 国产精品乱码一区二三区的特点 | 在线播放国产精品三级| 国产精品免费视频内射| 亚洲男人天堂网一区| 日韩大码丰满熟妇| 91老司机精品| 日本免费一区二区三区高清不卡 | 99国产精品一区二区三区| 欧美日本亚洲视频在线播放| 久久人妻熟女aⅴ| 成人国语在线视频| 午夜激情av网站| 日韩 欧美 亚洲 中文字幕| 久久人妻熟女aⅴ| 中文字幕色久视频| 亚洲一区中文字幕在线| 在线观看一区二区三区| 一边摸一边抽搐一进一小说| 9色porny在线观看| 国产成人欧美| or卡值多少钱| 久久久久国产一级毛片高清牌| 午夜福利影视在线免费观看| 丁香欧美五月| 男女下面插进去视频免费观看| 欧美一级毛片孕妇| 一区二区三区激情视频| 亚洲精品国产精品久久久不卡| 精品久久久久久久人妻蜜臀av | 91av网站免费观看| 欧美丝袜亚洲另类 | 国产精品久久视频播放| 亚洲天堂国产精品一区在线| 精品少妇一区二区三区视频日本电影| www.999成人在线观看| 久久精品91无色码中文字幕| 夜夜躁狠狠躁天天躁| 国产一级毛片七仙女欲春2 | 亚洲欧美日韩无卡精品| 淫妇啪啪啪对白视频| 久久国产精品人妻蜜桃| 日本三级黄在线观看| www.熟女人妻精品国产| 久久热在线av| 色尼玛亚洲综合影院| 伦理电影免费视频| 亚洲第一电影网av| 中文字幕最新亚洲高清| 久久热在线av| 啦啦啦观看免费观看视频高清 | 免费看a级黄色片| 一a级毛片在线观看| avwww免费| 国产av一区二区精品久久| 国产欧美日韩精品亚洲av| 在线观看免费午夜福利视频| 国产熟女xx| 午夜福利18| 午夜亚洲福利在线播放| 午夜福利成人在线免费观看| 亚洲熟女毛片儿| 美女高潮喷水抽搐中文字幕| 日本一区二区免费在线视频| 亚洲最大成人中文| 国产91精品成人一区二区三区| 高清毛片免费观看视频网站| 麻豆一二三区av精品| 韩国精品一区二区三区| 最近最新中文字幕大全免费视频| 午夜免费鲁丝| 黑人巨大精品欧美一区二区蜜桃| 少妇裸体淫交视频免费看高清 | 欧美在线一区亚洲| 色尼玛亚洲综合影院| 亚洲 欧美 日韩 在线 免费| 中文字幕人妻丝袜一区二区| 久久久国产成人精品二区| 757午夜福利合集在线观看| avwww免费| 国产成人影院久久av| 两个人看的免费小视频| 人人妻人人澡欧美一区二区 | 在线观看www视频免费| 免费高清视频大片| 国产单亲对白刺激| 亚洲三区欧美一区| 香蕉丝袜av| 成人三级做爰电影| 亚洲精品国产区一区二| 黄频高清免费视频| 国产精品一区二区免费欧美| 国产野战对白在线观看| 又大又爽又粗| 中文字幕久久专区| 亚洲精品一区av在线观看| 久久人妻熟女aⅴ| 伦理电影免费视频| 免费看a级黄色片| 亚洲黑人精品在线| 丁香六月欧美| 一区福利在线观看| 久久性视频一级片| 无限看片的www在线观看| 美女免费视频网站| 亚洲色图 男人天堂 中文字幕| 久久久久久久久中文| 久久国产乱子伦精品免费另类| 69av精品久久久久久| 欧美久久黑人一区二区| 亚洲国产精品999在线| 亚洲五月天丁香| 正在播放国产对白刺激| 99国产极品粉嫩在线观看| 国产高清有码在线观看视频 | 日韩高清综合在线| 中文字幕久久专区| 一区福利在线观看| 国产精品秋霞免费鲁丝片| 国产免费男女视频| 欧美激情 高清一区二区三区| 18禁黄网站禁片午夜丰满| 亚洲专区字幕在线| 日韩欧美一区二区三区在线观看| 99久久国产精品久久久| 老司机深夜福利视频在线观看| 久热这里只有精品99| 欧美乱妇无乱码| 色播在线永久视频| 亚洲成人国产一区在线观看| 亚洲免费av在线视频| 欧美日韩精品网址| 亚洲中文av在线| 久久精品国产99精品国产亚洲性色 | 国产精品久久久av美女十八| tocl精华| 激情在线观看视频在线高清| 久久久久久久午夜电影| 免费久久久久久久精品成人欧美视频| 日本黄色视频三级网站网址| 日韩欧美免费精品| 最近最新中文字幕大全电影3 | 国产主播在线观看一区二区| 97超级碰碰碰精品色视频在线观看| 九色亚洲精品在线播放| 亚洲九九香蕉| 免费在线观看日本一区| 国产蜜桃级精品一区二区三区| 在线观看免费午夜福利视频| 欧美成人午夜精品| 性色av乱码一区二区三区2| 国产精品一区二区在线不卡| 国产亚洲精品第一综合不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲国产精品合色在线| 视频区欧美日本亚洲| 亚洲男人的天堂狠狠| 国产一区二区三区视频了| 亚洲免费av在线视频| 岛国在线观看网站| 亚洲久久久国产精品| 欧美黄色淫秽网站| 女人被躁到高潮嗷嗷叫费观| 老鸭窝网址在线观看| 亚洲 欧美一区二区三区| 亚洲精品一区av在线观看| av超薄肉色丝袜交足视频| 国产激情欧美一区二区| 国产又爽黄色视频| 日韩一卡2卡3卡4卡2021年| 欧美精品亚洲一区二区| 国产av精品麻豆| 国产片内射在线| 久久人人97超碰香蕉20202| 国产成人精品无人区| 精品一区二区三区av网在线观看| 国产又色又爽无遮挡免费看| 亚洲成a人片在线一区二区| 久久香蕉精品热| 久久中文字幕一级| 精品国内亚洲2022精品成人| 色综合亚洲欧美另类图片| 热99re8久久精品国产| 97人妻天天添夜夜摸| 久久久久久久午夜电影| 夜夜躁狠狠躁天天躁| 国产真人三级小视频在线观看| 久久久国产成人免费| www日本在线高清视频| 十八禁网站免费在线| 久久精品国产99精品国产亚洲性色 | 他把我摸到了高潮在线观看| 国产单亲对白刺激| 波多野结衣高清无吗| 1024视频免费在线观看| 搞女人的毛片| 欧美激情极品国产一区二区三区| 中文字幕最新亚洲高清| 日本 av在线| 黄色片一级片一级黄色片| 777久久人妻少妇嫩草av网站| 亚洲av日韩精品久久久久久密| 在线播放国产精品三级| 在线视频色国产色| 老司机午夜十八禁免费视频| 国产高清视频在线播放一区| 18禁裸乳无遮挡免费网站照片 | 国产午夜福利久久久久久| 免费女性裸体啪啪无遮挡网站| 精品久久久久久久久久免费视频| 久久精品aⅴ一区二区三区四区| 人人妻人人澡人人看| 亚洲精品一卡2卡三卡4卡5卡| 成人亚洲精品一区在线观看| 淫妇啪啪啪对白视频| 日韩精品免费视频一区二区三区| 女人精品久久久久毛片| 午夜精品国产一区二区电影| 久久午夜亚洲精品久久| 国产精品1区2区在线观看.| 90打野战视频偷拍视频| 啦啦啦观看免费观看视频高清 | 成人欧美大片| 午夜福利,免费看| 精品欧美一区二区三区在线| 99国产极品粉嫩在线观看| 成年人黄色毛片网站| 欧美日韩瑟瑟在线播放| 国产精品av久久久久免费| 亚洲欧美日韩高清在线视频| 久久天堂一区二区三区四区| 熟女少妇亚洲综合色aaa.| 午夜免费成人在线视频| 久99久视频精品免费| 亚洲专区国产一区二区| 亚洲aⅴ乱码一区二区在线播放 | 成熟少妇高潮喷水视频| 麻豆久久精品国产亚洲av| 亚洲欧美一区二区三区黑人| 黑人欧美特级aaaaaa片| 国产野战对白在线观看| av片东京热男人的天堂| www.自偷自拍.com| 精品熟女少妇八av免费久了| 亚洲中文字幕一区二区三区有码在线看 | 色综合婷婷激情| 久久中文看片网| 欧美日韩亚洲国产一区二区在线观看| 成人三级黄色视频| av片东京热男人的天堂| 国产av在哪里看| 后天国语完整版免费观看| 一二三四在线观看免费中文在| 免费看美女性在线毛片视频| 国产激情欧美一区二区| 久久久水蜜桃国产精品网| 欧美大码av| 午夜a级毛片| 97超级碰碰碰精品色视频在线观看| 亚洲国产欧美日韩在线播放| 欧美乱妇无乱码| 少妇 在线观看| 精品免费久久久久久久清纯| 欧美绝顶高潮抽搐喷水| 叶爱在线成人免费视频播放| 女人爽到高潮嗷嗷叫在线视频| АⅤ资源中文在线天堂| 精品久久久久久久久久免费视频| 午夜福利,免费看| 丰满人妻熟妇乱又伦精品不卡| 一级a爱片免费观看的视频| 国产成人一区二区三区免费视频网站| 纯流量卡能插随身wifi吗| 亚洲成av人片免费观看| 亚洲国产高清在线一区二区三 | 99精品久久久久人妻精品| 黑人巨大精品欧美一区二区mp4| 日韩av在线大香蕉| 不卡av一区二区三区| 国产成人精品在线电影| 99国产精品99久久久久| 国产三级黄色录像| 一级毛片精品| 女生性感内裤真人,穿戴方法视频| 久久热在线av| 天堂动漫精品| 夜夜躁狠狠躁天天躁| 国产私拍福利视频在线观看| 伦理电影免费视频| 亚洲第一青青草原| 久久人妻av系列| 他把我摸到了高潮在线观看| 国产精品一区二区在线不卡| 欧美黄色片欧美黄色片| 精品国产乱子伦一区二区三区| 在线免费观看的www视频| 欧美中文综合在线视频| 久久亚洲精品不卡| 国产精品 欧美亚洲| 啦啦啦免费观看视频1| 欧美中文日本在线观看视频| 日本五十路高清| 在线观看免费午夜福利视频| 嫩草影视91久久| 男人的好看免费观看在线视频 | 9热在线视频观看99| 18禁美女被吸乳视频| 一本大道久久a久久精品| 免费高清在线观看日韩| 国产成+人综合+亚洲专区| 国产一区二区三区在线臀色熟女| 窝窝影院91人妻| 天堂√8在线中文| 午夜免费鲁丝| av有码第一页| 丝袜美足系列| 国产精品自产拍在线观看55亚洲| 欧美日本视频| 精品国产乱码久久久久久男人| 香蕉久久夜色| 欧美成人性av电影在线观看| 岛国在线观看网站| 亚洲精华国产精华精| 国语自产精品视频在线第100页| 狠狠狠狠99中文字幕| 一本大道久久a久久精品| 欧美最黄视频在线播放免费| 亚洲精品美女久久av网站| 精品国内亚洲2022精品成人| 久久久久久久午夜电影| 男男h啪啪无遮挡| 久久久国产精品麻豆| 色综合婷婷激情| or卡值多少钱| 日韩国内少妇激情av| 亚洲欧美一区二区三区黑人| 国产伦一二天堂av在线观看| 国产伦人伦偷精品视频| 女性被躁到高潮视频| 日本a在线网址| 搞女人的毛片| 久久亚洲真实| 久久香蕉精品热| 国产亚洲av嫩草精品影院| 999久久久精品免费观看国产| 久久午夜亚洲精品久久| 亚洲全国av大片| 一进一出抽搐动态| 人人妻,人人澡人人爽秒播| 国产成人一区二区三区免费视频网站| 91成人精品电影| 亚洲免费av在线视频| 天天躁狠狠躁夜夜躁狠狠躁| 两人在一起打扑克的视频| 人人妻人人澡欧美一区二区 | 久久中文看片网| 国产在线精品亚洲第一网站| 变态另类丝袜制服| 热re99久久国产66热| 国产av精品麻豆| 中文字幕精品免费在线观看视频| 一个人观看的视频www高清免费观看 | 久热这里只有精品99| 高清在线国产一区| 亚洲av成人av| 午夜日韩欧美国产| 亚洲欧美一区二区三区黑人| 一级a爱视频在线免费观看| 久久久久九九精品影院| 一进一出抽搐gif免费好疼| 国产麻豆成人av免费视频| 此物有八面人人有两片| 国产精品亚洲av一区麻豆| 国产一区在线观看成人免费| 成人18禁在线播放| 国产成年人精品一区二区| 可以在线观看毛片的网站| av有码第一页| 欧美 亚洲 国产 日韩一| 两个人视频免费观看高清| 曰老女人黄片| 青草久久国产| 日韩免费av在线播放| 免费在线观看亚洲国产| 99re在线观看精品视频| 最新美女视频免费是黄的| 欧美日本中文国产一区发布| 亚洲中文日韩欧美视频| 搡老妇女老女人老熟妇| 国产精品一区二区精品视频观看| 男人的好看免费观看在线视频 | 亚洲 欧美 日韩 在线 免费| 一进一出抽搐动态| 美女免费视频网站| 级片在线观看| 老司机深夜福利视频在线观看| 亚洲精品中文字幕一二三四区| 日韩精品中文字幕看吧| 99riav亚洲国产免费| 悠悠久久av| aaaaa片日本免费| 日韩成人在线观看一区二区三区| 国产精品永久免费网站| 天堂动漫精品| 好看av亚洲va欧美ⅴa在| 免费女性裸体啪啪无遮挡网站| 欧美日韩精品网址| 亚洲欧美日韩高清在线视频| 黄色视频不卡| 又黄又粗又硬又大视频| 在线观看午夜福利视频| 天天躁夜夜躁狠狠躁躁| 成年女人毛片免费观看观看9| 日韩精品免费视频一区二区三区| 黄片播放在线免费| 90打野战视频偷拍视频| 欧美不卡视频在线免费观看 | 亚洲国产精品成人综合色| 在线观看66精品国产| 欧美色视频一区免费| 亚洲精品在线观看二区| 欧洲精品卡2卡3卡4卡5卡区| 亚洲精品美女久久av网站| 欧美日本视频| 最近最新免费中文字幕在线| 亚洲精品中文字幕在线视频| 国产97色在线日韩免费| 日本 av在线| 亚洲欧美日韩高清在线视频| 国内毛片毛片毛片毛片毛片| 久久国产精品影院| 在线观看日韩欧美| 日本欧美视频一区| 亚洲情色 制服丝袜| 亚洲中文av在线| 欧美性长视频在线观看| 丝袜人妻中文字幕| 波多野结衣高清无吗| 老司机福利观看| 99热只有精品国产| 91九色精品人成在线观看| 电影成人av| 每晚都被弄得嗷嗷叫到高潮| 亚洲一卡2卡3卡4卡5卡精品中文| 国产成人欧美| 满18在线观看网站| 精品熟女少妇八av免费久了| 国产亚洲精品久久久久久毛片| 69av精品久久久久久| 韩国av一区二区三区四区| 午夜福利免费观看在线| 精品一区二区三区av网在线观看| 国产精品久久久久久精品电影 | 日韩有码中文字幕| 每晚都被弄得嗷嗷叫到高潮| 制服诱惑二区| 亚洲中文字幕一区二区三区有码在线看 | 亚洲色图av天堂| 国产精品av久久久久免费| 色播在线永久视频| 午夜福利免费观看在线| 精品久久久久久久人妻蜜臀av | 在线观看日韩欧美| 国产一区二区三区视频了| 一区二区三区精品91| 在线观看免费视频日本深夜| av网站免费在线观看视频| 757午夜福利合集在线观看| 午夜亚洲福利在线播放| 波多野结衣巨乳人妻| 亚洲精品粉嫩美女一区| 精品一区二区三区av网在线观看| 亚洲视频免费观看视频| 国产精品永久免费网站| 久久亚洲精品不卡| 亚洲avbb在线观看| 女人被躁到高潮嗷嗷叫费观| 如日韩欧美国产精品一区二区三区| 久久香蕉精品热| 日韩高清综合在线| 欧美成人午夜精品| 久久久久九九精品影院| 动漫黄色视频在线观看| 中亚洲国语对白在线视频| 亚洲欧美精品综合一区二区三区| 亚洲av电影在线进入| 国产1区2区3区精品| videosex国产| 色综合婷婷激情| 国产精品精品国产色婷婷| 午夜免费鲁丝| 亚洲久久久国产精品| 亚洲情色 制服丝袜| 国产精品二区激情视频| 亚洲欧美日韩高清在线视频| 亚洲精品美女久久av网站| 亚洲欧美日韩高清在线视频| 国产欧美日韩精品亚洲av| 精品久久久久久久久久免费视频| 男女床上黄色一级片免费看| 国产精品一区二区免费欧美| 岛国视频午夜一区免费看| 国产片内射在线| 国产精品久久久久久精品电影 | 国产熟女午夜一区二区三区| 免费女性裸体啪啪无遮挡网站| 成人永久免费在线观看视频| 亚洲九九香蕉| 一本大道久久a久久精品| 免费看美女性在线毛片视频| 搞女人的毛片| 久久精品国产亚洲av高清一级| 一边摸一边抽搐一进一出视频| 日日干狠狠操夜夜爽| 老司机在亚洲福利影院| 电影成人av| 亚洲成人免费电影在线观看| 成年人黄色毛片网站| 免费在线观看影片大全网站| 日韩有码中文字幕| 日韩欧美国产一区二区入口| 日韩一卡2卡3卡4卡2021年| 亚洲自拍偷在线| 女人被狂操c到高潮| 亚洲国产精品999在线| 美女扒开内裤让男人捅视频| 黄色女人牲交| 久久午夜综合久久蜜桃| 97人妻天天添夜夜摸| 91精品三级在线观看| 一级毛片女人18水好多| 国产精品,欧美在线| 九色国产91popny在线| 天堂√8在线中文| 国产成人免费无遮挡视频| 91成年电影在线观看| 老司机深夜福利视频在线观看| 亚洲av熟女| 搡老熟女国产l中国老女人| 精品国产亚洲在线| 午夜精品在线福利| 久久精品91蜜桃| 在线观看日韩欧美| 午夜免费成人在线视频| 在线av久久热| 午夜福利欧美成人| 欧洲精品卡2卡3卡4卡5卡区| 他把我摸到了高潮在线观看| 日韩欧美国产在线观看| 在线免费观看的www视频| 啦啦啦韩国在线观看视频| 国产成人精品在线电影| 熟妇人妻久久中文字幕3abv| av超薄肉色丝袜交足视频| 又紧又爽又黄一区二区| 亚洲人成电影观看| 亚洲精品国产区一区二| 日韩一卡2卡3卡4卡2021年| 最好的美女福利视频网| 欧美一级毛片孕妇| 欧美午夜高清在线| 中文字幕久久专区| 国产一区二区三区在线臀色熟女| 欧美 亚洲 国产 日韩一| av网站免费在线观看视频| 午夜两性在线视频| 女警被强在线播放| av天堂在线播放| 色av中文字幕| 精品国产一区二区三区四区第35| 老司机福利观看| 欧美老熟妇乱子伦牲交| 国内精品久久久久精免费| 亚洲狠狠婷婷综合久久图片| 亚洲最大成人中文| a在线观看视频网站| 12—13女人毛片做爰片一|