CN104778659A - 基于深度学习的单帧图像超分辨率重建方法 - Google Patents
基于深度学习的单帧图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN104778659A CN104778659A CN201510178956.5A CN201510178956A CN104778659A CN 104778659 A CN104778659 A CN 104778659A CN 201510178956 A CN201510178956 A CN 201510178956A CN 104778659 A CN104778659 A CN 104778659A
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- super
- training
- resolution image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的单帧图像超分辨率重建方法。本发明包括以下步骤:1、首先通过训练两个自动编码器用于获得低分辨率和对应高分辨率图像块的特征;2、基于已获得高分辨率和低分辨率图像块的特征,再训练一个单层神经网路学习两个特征的非线性映射关系;3、基于两个自动编码器和单层神经网络,构建三层的深度网络,以低分辨率图像块作为输入,高分辨率图像块作为输出,微调三层深度网络的参数;步骤4、依据得到的三层深度网络做单帧图像超分辨率重建,以低分辨率图像块的灰度值为输入,得到输出即为对应高分辨率图像块的灰度值。本发明不仅提高了超分辨率重建图像的质量,而且缩短了超分辨率重建时间,基本上可以达到实时的要求。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于深度学习的单帧图像超分辨率重建方法。
背景技术
超分辨率图像重建是从由低分辨率图像或视频重建高分辨率图像或视频的处理过程。与传统的图像增强不同,图像增强是图像中某些细节细息由弱变强的一个过程,超分辨率图像重建则是某些细节细息从无到有的一个重建过程,同时,也包含图像增强的成分。
在成像过程中,图像质量退化是不可避免的。仅靠物理传感材料及器件提高图像的分辨率,不仅成本昂贵,而且提升幅度也很有限。受高分辨率图像或视频应用需求的牵引,超分辨率重建已成为计算机视觉与图像处理领域的研究热点。超分辨率重建技术成本低、提升空间大,无需对硬件进行升级就能够重建出高分辨率图像或视频。
在目前的单帧图像超分辨率重建方法研究中,Freeman等提出通过马尔可夫随机场学得低分辨率图像块和高分辨率图像块的关系。Chang等受局部线性嵌入的启发,认为低分辨率和高分辨率图像块间可以构成具有相似局部几何结构的流形。Yang等人基于稀疏信号表示提出了一种单帧图片的超分辨率重建方法,该方法首先构建图像块的超完备字典,所有图像块均可以表示为该完备字典的线性组合,对每个低分辨率图像块,使用稀疏表示系数产生高分辨率的图像块。利用低分辨率图像块和高分辨率图像块的表示系数的相似性,采用基于实例的方法重建高分辨率图像,得到了较好的重建效果。但超分辨率图像重建是一类典型的不适定性科学问题,在数学上称为病态问题(ill-posed problem),尚不能从理论上得到彻底解决,超分辨率图像重建研究属于国际公认的难度大、有重大影响的、探索性强的基础性问题,正是由于其重要的学术研究价值和广泛的应用价值,才得到了学术界广泛地关注。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于深度学习的单帧图像超分辨率重建方法。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1、在训练深度网络的过程中,首先通过训练两个自动编码器用于获得低分辨率和对应高分辨率图像块的特征;
步骤2、在训练深度网络的过程中,基于步骤1已获得高分辨率和低分辨率图像块的特征,再训练一个单层神经网路学习两个特征的非线性映射关系;
步骤3、在训练深度网络的过程中,基于步骤1和2中的两个自动编码器和单层神经网络,构建三层的深度网络,以低分辨率图像块作为输入,高分辨率图像块作为输出,微调三层深度网络的参数;
步骤4、依据步骤1、2和3中所得到的三层深度网络做单帧图像超分辨率重建,以低分辨率图像块的灰度值作为输入,得到的输出即为对应高分辨率图像块的灰度值。
步骤1所述的通过训练两个自动编码器分别获得低分辨率图像块和高分辨率图像块的特征,具体如下:
1-1.提取训练图像库中的低分辨率图像块y1,y2,...,yi,...,yn和高分辨率图像块x1,x2,...,xi,...,xn,其中xi(i=1,2,L L,n)是yi(i=1,2,L L,n)对应的高分辨率图像块。
1-2.为了得到低分辨率图像块的特征,构建一个两层自动编码器LRAE,设第一层的权重矩阵和偏移第二层的权重矩阵和偏移以低分辨率图像块yi(i=1,2,L L,n)为输入,训练自动编码器LRAE,使得输出与输入相同,其目标函数El如公式1所示:
其中 为sigmoid函数。
1-3.采用backpropogation算法优化目标函数El,优化完成后,即为yi的特征。
1-4.为了得到高分辨率图像块的特征,构建一个两层自动编码器HRAE,设第一层的权重矩阵和偏移第二层的权重矩阵和偏移以高分辨率图像块xi(i=1,2,L L,n)为输入,训练自动编码器HRAE,使得输出与输入尽可能相同,其目标函数
其中 为sigmoid函数。
1-5.采用backpropogation算法优化目标函数Eh。优化完成后,即为xi的特征。
步骤2所述的训练一个单层神经网络学习低分辨率图像块和对应高分辨率图像块的非线性映射关系,具体如下:
2-1.构建一个一层神经网络,设其权重矩阵W和偏移b,输入为低分辨率图像块的特征输出为其目标函数Enonliear如公式3所示:
其中 为sigmoid函数。
步骤3所述的生成一个三层的深度网络,该深度网络以低分辨率图像块的灰度值作为输入,得到的输出即为对应的超分辨率图像重建的结果,从而实现快速的单帧图像超分辨率重建,具体如下:
3-1.构建三层的深度网络,其第i(i=1,2,3)层的权重矩阵为Wi,偏移为bi,对参数进行如下初始化:
其目标函数E如公式4所示:
3-2.用backpropogation算法优化目标函数E,其中输入为y1,y2,L L,yn,输出为
其中,公式4中
3-3.训练结束后,将测试图像库中的任一低分辨率图像块作为三层深度网络的输入,得到的输出就是超分辨率重建后的高分辨率图像块。
本发明具有的有益的效果是:
通过学习提取低分辨率图像块和高分辨率图像块的特征和学习低分辨率图像块和高分辨率图像块特征的非线性映射关系,指导单帧图像超分辨率重建过程,不仅提高了超分辨率重建图像的质量,而且使得超分辨率重建的时间大大缩短,基本上可以达到实时的要求。
附图说明
图1是本发明流程图;
图2是本发明基于深度学习的单帧图像超分辨率重建方法的训练过程框架示意图;
图3是本发明中基于深度学习的单帧图像超分辨率重建方法的重建过程框架示意图;
具体实施方式
下面结合附图对本发明作进一步说明。
如图1-3所示,基于深度学习的单帧图像超分辨率重建方法,具体包括如下步骤:
步骤1、在训练深度网络的过程中,首先通过训练两个自动编码器用于获得低分辨率和对应高分辨率图像块的特征;
步骤2、在训练深度网络的过程中,基于步骤1已获得高分辨率和低分辨率图像块的特征,再训练一个单层神经网路学习两个特征的非线性映射关系;
步骤3、在训练深度网络的过程中,基于步骤1和2中的两个自动编码器和单层神经网络,构建三层的深度网络,以低分辨率图像块作为输入,高分辨率图像块作为输出,微调三层深度网络的参数;
步骤4、依据步骤1、2和3中所得到的三层深度网络做单帧图像超分辨率重建,以低分辨率图像块的灰度值作为输入,得到的输出即为对应高分辨率图像块的灰度值。
如图2所示,步骤1所述的通过训练两个自动编码器分别获得低分辨率图像块和高分辨率图像块的特征,具体如下:
1-1.提取训练图像库中的低分辨率图像块y1,y2,...,yi,...,yn和高分辨率图像块x1,x2,...,xi,...,xn,其中xi(i=1,2,L L,n)是yi(i=1,2,L L,n)对应的高分辨率图像块。
1-2.为了得到低分辨率图像块的特征,构建一个两层自动编码器LRAE,设第一层的权重矩阵阵和偏移第二层的权重矩阵和偏移以低分辨率图像块yi(i=1,2,L L,n)为输入,训练自动编码器LRAE,使得输出与输入相同,其目标函数El如公式1所示:
其中 为sigmoid函数。
1-3.采用backpropogation算法优化目标函数El,优化完成后,即为yi的特征。
1-4.为了得到高分辨率图像块的特征,构建一个两层自动编码器HRAE,设第一层的权重矩阵和偏移第二层的权重矩阵和偏移以高分辨率图像块xi(i=1,2,L L,n)为输入,训练自动编码器HRAE,使得输出与输入尽可能相同,其目标函数
其中 为sigmoid函数。
1-5.采用backpropogation算法优化目标函数Eh。优化完成后,即为xi的特征。
如图3所示,步骤2所述的训练一个单层神经网络学习低分辨率图像块和对应高分辨率图像块的非线性映射关系,具体如下:
2-1.构建一个一层神经网络,设其权重矩阵W和偏移b,输入为低分辨率图像块的特征输出为其目标函数Enonliear如公式3所示:
其中 为sigmoid函数。
步骤3所述的生成一个三层的深度网络,该深度网络以低分辨率图像块的灰度值作为输入,得到的输出即为对应的超分辨率图像重建的结果,从而实现快速的单帧图像超分辨率重建,具体如下:
3-1.构建三层的深度网络,其第i(i=1,2,3)层的权重矩阵为Wi,偏移为bi,对参数进行如下初始化:
其目标函数E如公式4所示:
3-2.用backpropogation算法优化目标函数E,其中输入为y1,y2,L L,yn,输出为
其中,公式4中
3-3.训练结束后,将测试图像库中的任一低分辨率图像块作为三层深度网络的输入,得到的输出就是超分辨率重建后的高分辨率图像块。
Claims (4)
1.基于深度学习的单帧图像超分辨率重建方法,其特征在于包括如步骤:
步骤1、在训练深度网络的过程中,首先通过训练两个自动编码器用于获得低分辨率和对应高分辨率图像块的特征;
步骤2、在训练深度网络的过程中,基于步骤1已获得高分辨率和低分辨率图像块的特征,再训练一个单层神经网路学习两个特征的非线性映射关系;
步骤3、在训练深度网络的过程中,基于步骤1和2中的两个自动编码器和单层神经网络,构建三层的深度网络,以低分辨率图像块作为输入,高分辨率图像块作为输出,微调三层深度网络的参数;
步骤4、依据步骤1、2和3中所得到的三层深度网络做单帧图像超分辨率重建,以低分辨率图像块的灰度值作为输入,得到的输出即为对应高分辨率图像块的灰度值。
2.如权利要求1所述的基于深度学习的单帧图像超分辨率重建方法,其特征在于步骤1所述的通过训练两个自动编码器分别获得低分辨率图像块和高分辨率图像块的特征,具体如下:
1-1.提取训练图像库中的低分辨率图像块y1,y2,...,yi,...,yn和高分辨率图像块x1,x2,...,xi,...,xn,其中xi是yi对应的高分辨率图像块;i=1,2,L L,n;
1-2.为了得到低分辨率图像块的特征,构建一个两层自动编码器LRAE,设第一层的权重矩阵和偏移第二层的权重矩阵和偏移以低分辨率图像块yi为输入,训练自动编码器LRAE,使得输出与输入相同,其目标函数El如公式1所示:
其中 为sigmoid函数;
1-3.采用backpropogation算法优化目标函数El,优化完成后,即为yi的特征;
1-4.为了得到高分辨率图像块的特征,构建一个两层自动编码器HRAE,设第一层的权重矩阵和偏移第二层的权重矩阵和偏移以高分辨率图像块xi为输入,训练自动编码器HRAE,使得输出与输入尽可能相同,其目标函数
其中 为sigmoid函数;
1-5.采用backpropogation算法优化目标函数Eh;优化完成后,即为xi的特征。
3.如权利要求1所述的基于深度学习的单帧图像超分辨率重建方法,其特征在于步骤2所述的训练一个单层神经网络学习低分辨率图像块和对应高分辨率图像块的非线性映射关系,具体如下:
2-1.构建一个一层神经网络,设其权重矩阵W和偏移b,输入为低分辨率图像块的特征输出为i=1,2,L L,n;其目标函数Enonliear如公式3所示:
其中 为sigmoid函数。
4.如权利要求1所述的基于深度学习的单帧图像超分辨率重建方法,其特征在于步骤3所述的生成一个三层的深度网络,该深度网络以低分辨率图像块的灰度值作为输入,得到的输出即为对应的超分辨率图像重建的结果,从而实现快速的单帧图像超分辨率重建,具体如下:
3-1.构建三层的深度网络,其第i层的权重矩阵为Wi,偏移为bi,i=1,2,3;对参数进行如下初始化:
其目标函数E如公式4所示:
3-2.用backpropogation算法优化目标函数E,其中输入为y1,y2,L L,yn,输出为i=1,2,L L,n;
其中,公式4中
3-3.训练结束后,将测试图像库中的任一低分辨率图像块作为三层深度网络的输入,得到的输出就是超分辨率重建后的高分辨率图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510178956.5A CN104778659A (zh) | 2015-04-15 | 2015-04-15 | 基于深度学习的单帧图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510178956.5A CN104778659A (zh) | 2015-04-15 | 2015-04-15 | 基于深度学习的单帧图像超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104778659A true CN104778659A (zh) | 2015-07-15 |
Family
ID=53620107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510178956.5A Pending CN104778659A (zh) | 2015-04-15 | 2015-04-15 | 基于深度学习的单帧图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778659A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN105869117A (zh) * | 2016-03-28 | 2016-08-17 | 上海交通大学 | 一种针对深度学习超分辨率技术的gpu加速方法 |
CN106204489A (zh) * | 2016-07-12 | 2016-12-07 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
WO2017070841A1 (zh) * | 2015-10-27 | 2017-05-04 | 华为技术有限公司 | 图像处理方法和装置 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
WO2017198040A1 (en) * | 2016-05-19 | 2017-11-23 | Boe Technology Group Co., Ltd. | Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium |
CN107392855A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 |
CN107578377A (zh) * | 2017-08-31 | 2018-01-12 | 北京飞搜科技有限公司 | 一种基于深度学习的超分辨率图像重建方法及*** |
CN107705249A (zh) * | 2017-07-19 | 2018-02-16 | 苏州闻捷传感技术有限公司 | 基于深度度量学习的图像超分辨方法 |
CN107784628A (zh) * | 2017-10-18 | 2018-03-09 | 南京大学 | 一种基于重建优化和深度神经网络的超分辨率实现方法 |
CN107833193A (zh) * | 2017-11-20 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于refinement‑network深度学习模型的单透镜全局图像复原方法 |
CN108242048A (zh) * | 2018-02-09 | 2018-07-03 | 西安邮电大学 | 一种车牌图像超分辨率重建的方法 |
CN108629402A (zh) * | 2017-03-20 | 2018-10-09 | 上海荆虹电子科技有限公司 | 用于图像处理的方法和装置 |
CN108734661A (zh) * | 2018-05-25 | 2018-11-02 | 南京信息工程大学 | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 |
CN108737406A (zh) * | 2018-05-10 | 2018-11-02 | 北京邮电大学 | 一种异常流量数据的检测方法及*** |
CN109833061A (zh) * | 2017-11-24 | 2019-06-04 | 无锡祥生医疗科技股份有限公司 | 基于深度学习的优化超声成像***参数的方法 |
CN110087092A (zh) * | 2019-03-11 | 2019-08-02 | 西安电子科技大学 | 基于图像重构卷积神经网络的低码率视频编解码方法 |
CN111182254A (zh) * | 2020-01-03 | 2020-05-19 | 北京百度网讯科技有限公司 | 一种视频处理方法、装置、设备及存储介质 |
WO2020098449A1 (zh) * | 2018-11-15 | 2020-05-22 | 华南理工大学 | 一种基于哈达玛变换的单幅图像超分辨率方法 |
CN111445388A (zh) * | 2019-12-27 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种图像超分辨重建模型训练方法、船只跟踪方法及装置 |
CN111489292A (zh) * | 2020-03-04 | 2020-08-04 | 北京思朗科技有限责任公司 | 视频流的超分辨率重建方法及装置 |
US10805634B2 (en) | 2017-05-17 | 2020-10-13 | Samsung Electronics Co., Ltd | Super-resolution processing method for moving image and image processing apparatus therefor |
CN112907733A (zh) * | 2021-02-23 | 2021-06-04 | 北京华清易通科技有限公司 | 重建三维模型的方法及装置和三维模型采集及重建*** |
CN112927134A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于深度学习的单幅图像多尺度超分辨重建方法 |
CN113409190A (zh) * | 2021-05-14 | 2021-09-17 | 广东工业大学 | 一种基于多帧分组与反馈网络的视频超分辨率方法 |
WO2022261849A1 (en) * | 2021-06-16 | 2022-12-22 | Intel Corporation | Method and system of automatic content-dependent image processing algorithm selection |
US11683358B2 (en) | 2020-11-04 | 2023-06-20 | Microsoft Technology Licensing, Llc | Dynamic user-device upscaling of media streams |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838568A (zh) * | 2012-11-26 | 2014-06-04 | 诺基亚公司 | 用于生成超分辨图像的方法、装置和计算机程序产品 |
US20140193092A1 (en) * | 2013-01-09 | 2014-07-10 | Lsi Corporation | Superresolution image processing using an invertible sparse matrix |
CN104113789A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 一种基于深度学习的视频摘要在线生成方法 |
JP2015049588A (ja) * | 2013-08-30 | 2015-03-16 | 国立大学法人 名古屋工業大学 | n乗フィルタを用いた超解像画像処理装置 |
-
2015
- 2015-04-15 CN CN201510178956.5A patent/CN104778659A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838568A (zh) * | 2012-11-26 | 2014-06-04 | 诺基亚公司 | 用于生成超分辨图像的方法、装置和计算机程序产品 |
US20140193092A1 (en) * | 2013-01-09 | 2014-07-10 | Lsi Corporation | Superresolution image processing using an invertible sparse matrix |
JP2015049588A (ja) * | 2013-08-30 | 2015-03-16 | 国立大学法人 名古屋工業大学 | n乗フィルタを用いた超解像画像処理装置 |
CN104113789A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 一种基于深度学习的视频摘要在线生成方法 |
Non-Patent Citations (3)
Title |
---|
ZENG K,YU J,LI C H: "Image clustering by hyper-graph regularized non-negative matrix factorization", 《NEUROCOMPUTING》 * |
曾坤,李翠华: "基于深度网络的单幅图像超分辨率重建", 《中国科技论文在线 HTTP://WWW.PAPER.EDU.CN》 * |
龚卫国,潘飞宇,李进明: "用双层重建法实现单幅图像的超分辨率重建", 《光学 精密工程》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN105069825B (zh) * | 2015-08-14 | 2018-06-12 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
WO2017070841A1 (zh) * | 2015-10-27 | 2017-05-04 | 华为技术有限公司 | 图像处理方法和装置 |
CN108475414A (zh) * | 2015-10-27 | 2018-08-31 | 华为技术有限公司 | 图像处理方法和装置 |
CN108475414B (zh) * | 2015-10-27 | 2020-09-11 | 华为技术有限公司 | 图像处理方法和装置 |
CN105869117A (zh) * | 2016-03-28 | 2016-08-17 | 上海交通大学 | 一种针对深度学习超分辨率技术的gpu加速方法 |
WO2017198040A1 (en) * | 2016-05-19 | 2017-11-23 | Boe Technology Group Co., Ltd. | Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium |
US10621415B2 (en) | 2016-05-19 | 2020-04-14 | Boe Technology Group Co., Ltd. | Facial image processing apparatus, facial image processing method, and non-transitory computer-readable storage medium |
CN106204449B (zh) * | 2016-07-06 | 2019-09-10 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106204489B (zh) * | 2016-07-12 | 2019-04-16 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
CN106204489A (zh) * | 2016-07-12 | 2016-12-07 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
CN106683048B (zh) * | 2016-11-30 | 2020-09-01 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN106709875B (zh) * | 2016-12-30 | 2020-02-18 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN108629402A (zh) * | 2017-03-20 | 2018-10-09 | 上海荆虹电子科技有限公司 | 用于图像处理的方法和装置 |
US10805634B2 (en) | 2017-05-17 | 2020-10-13 | Samsung Electronics Co., Ltd | Super-resolution processing method for moving image and image processing apparatus therefor |
CN107705249A (zh) * | 2017-07-19 | 2018-02-16 | 苏州闻捷传感技术有限公司 | 基于深度度量学习的图像超分辨方法 |
CN107392855A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 |
CN107578377A (zh) * | 2017-08-31 | 2018-01-12 | 北京飞搜科技有限公司 | 一种基于深度学习的超分辨率图像重建方法及*** |
CN107784628B (zh) * | 2017-10-18 | 2021-03-19 | 南京大学 | 一种基于重建优化和深度神经网络的超分辨率实现方法 |
CN107784628A (zh) * | 2017-10-18 | 2018-03-09 | 南京大学 | 一种基于重建优化和深度神经网络的超分辨率实现方法 |
CN107833193A (zh) * | 2017-11-20 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于refinement‑network深度学习模型的单透镜全局图像复原方法 |
CN109833061A (zh) * | 2017-11-24 | 2019-06-04 | 无锡祥生医疗科技股份有限公司 | 基于深度学习的优化超声成像***参数的方法 |
CN108242048A (zh) * | 2018-02-09 | 2018-07-03 | 西安邮电大学 | 一种车牌图像超分辨率重建的方法 |
CN108737406A (zh) * | 2018-05-10 | 2018-11-02 | 北京邮电大学 | 一种异常流量数据的检测方法及*** |
CN108734661A (zh) * | 2018-05-25 | 2018-11-02 | 南京信息工程大学 | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 |
CN108734661B (zh) * | 2018-05-25 | 2020-12-29 | 南京信息工程大学 | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 |
WO2020098449A1 (zh) * | 2018-11-15 | 2020-05-22 | 华南理工大学 | 一种基于哈达玛变换的单幅图像超分辨率方法 |
CN110087092B (zh) * | 2019-03-11 | 2020-06-05 | 西安电子科技大学 | 基于图像重构卷积神经网络的低码率视频编解码方法 |
CN110087092A (zh) * | 2019-03-11 | 2019-08-02 | 西安电子科技大学 | 基于图像重构卷积神经网络的低码率视频编解码方法 |
CN111445388A (zh) * | 2019-12-27 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种图像超分辨重建模型训练方法、船只跟踪方法及装置 |
CN111182254A (zh) * | 2020-01-03 | 2020-05-19 | 北京百度网讯科技有限公司 | 一种视频处理方法、装置、设备及存储介质 |
CN111182254B (zh) * | 2020-01-03 | 2022-06-24 | 北京百度网讯科技有限公司 | 一种视频处理方法、装置、设备及存储介质 |
US11416967B2 (en) | 2020-01-03 | 2022-08-16 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Video processing method, apparatus, device and storage medium |
CN111489292A (zh) * | 2020-03-04 | 2020-08-04 | 北京思朗科技有限责任公司 | 视频流的超分辨率重建方法及装置 |
US11683358B2 (en) | 2020-11-04 | 2023-06-20 | Microsoft Technology Licensing, Llc | Dynamic user-device upscaling of media streams |
CN112907733A (zh) * | 2021-02-23 | 2021-06-04 | 北京华清易通科技有限公司 | 重建三维模型的方法及装置和三维模型采集及重建*** |
CN112927134A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于深度学习的单幅图像多尺度超分辨重建方法 |
CN113409190A (zh) * | 2021-05-14 | 2021-09-17 | 广东工业大学 | 一种基于多帧分组与反馈网络的视频超分辨率方法 |
WO2022261849A1 (en) * | 2021-06-16 | 2022-12-22 | Intel Corporation | Method and system of automatic content-dependent image processing algorithm selection |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778659A (zh) | 基于深度学习的单帧图像超分辨率重建方法 | |
CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
Wen et al. | A new transfer learning based on VGG-19 network for fault diagnosis | |
Iglovikov et al. | Ternausnet: U-net with vgg11 encoder pre-trained on imagenet for image segmentation | |
CN105741252B (zh) | 基于稀疏表示与字典学习的视频图像分级重建方法 | |
CN106204449B (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
CN106910161B (zh) | 一种基于深度卷积神经网络的单幅图像超分辨率重建方法 | |
CN104778671B (zh) | 一种基于sae和稀疏表示的图像超分辨率方法 | |
CN107633486A (zh) | 基于三维全卷积神经网络的结构磁共振图像去噪方法 | |
CN107369189A (zh) | 基于特征损失的医学图像超分辨率重建方法 | |
CN104574336B (zh) | 基于自适应亚模字典选择的超分辨率图像重建*** | |
CN103971329A (zh) | 一种基于遗传优化细胞神经网络的多源图像融合方法 | |
CN105931179A (zh) | 一种联合稀疏表示与深度学习的图像超分辨率方法及*** | |
CN113516601B (zh) | 基于深度卷积神经网络与压缩感知的图像恢复方法 | |
CN104899921A (zh) | 基于多模态自编码模型的单视角视频人体姿态恢复方法 | |
CN104751472B (zh) | 基于b样条小波和深度神经网络的织物疵点检测方法 | |
Chen et al. | Single image super-resolution using deep CNN with dense skip connections and inception-resnet | |
CN104112263A (zh) | 基于深度神经网络的全色图像与多光谱图像融合的方法 | |
CN109685716A (zh) | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 | |
CN106097253B (zh) | 一种基于块旋转和清晰度的单幅图像超分辨率重建方法 | |
CN104299193B (zh) | 一种基于高频和中频信息的图像超分辨率重建方法 | |
Zhang et al. | Multi-focus image fusion algorithm based on compound PCNN in Surfacelet domain | |
Wang et al. | Can a single image denoising neural network handle all levels of gaussian noise? | |
CN102930573B (zh) | 一种基于二维分析稀疏模型及其训练字典的图像重建方法 | |
CN104200439A (zh) | 基于自适应滤波和正则约束的图像超分辨方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150715 |
|
WD01 | Invention patent application deemed withdrawn after publication |