CN106228512A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106228512A CN106228512A CN201610567179.8A CN201610567179A CN106228512A CN 106228512 A CN106228512 A CN 106228512A CN 201610567179 A CN201610567179 A CN 201610567179A CN 106228512 A CN106228512 A CN 106228512A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- neural networks
- convolutional
- learning rate
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006978 adaptation Effects 0.000 claims abstract description 5
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种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包括:步骤S1、对高分辨率训练图像集中的图像进行模糊和下采样,得到对应的低分辨率训练图像集;步骤S2、将低分辨率的图像进行双立方插值放大;步骤S3、将步骤S2处理后的低分辨率图像输入预训练好的学习率自适应卷积神经网络,得到重建高分辨率图像。采用本发明技术方案,具有优秀的超分辨率重建性能。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种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。
背景技术
图像超分辨重建是指利用计算机将一幅低分辨率图像(lowresolution,LR)或图像序列进行处理,恢复出高分辨率图像(high resolution,HR)的一种图像处理技术。HR意味着图像具有高像素密度,可以提供更多的细节,这些细节往往在应用中起到关键作用。
在过去的数十年中,涌现很多优秀的超分辨率重建算法,大致分为以下三类;基于插值的图像超分辨率重建算法,基于重构的图像超分辨率重建算法和基于学习的图像超分辨率重建算法。相比其他两种方法,基于学习的超分辨重建算法通过大量的学习训练和适当的先验知识约束,使其具有突出的性能,关注度较高。
以单帧图像作为输入的超分辨率问题主要可以分为两类:没有训练样本的增强边缘的单帧超分辨率问题和有训练样本的基于学习的单帧超分辨率问题。其中,增强边缘的超分辨率问题没有额外信息的辅助,而只是对图像的显示效果进行增强。因此严格地说增强边缘的超分辨率并没有从本质上提高图像的分辨率,而应当归类为启发式的图像增强或图像插值。
近年来,深度学***面被分成小的图像块,通过计算求取低分辨率图像块所对应的高分辨率图像块。为了更好的学习低分辨率与高分辨率图像块之间的映射关系,对于单幅图像超分辨率重建,Chao Dong等人提出了基于卷积神经网络的端到端的学习框架,这是一个重大突破。超分辨率的端到端学习架构不需要特征提取的预处理过程和后续重叠的高分辨率图像块聚合过程。基于卷积神经网络的图像超分辨率算法(SRCNN)利用深度学习的方法直接在外部的低分辨率和高分辨率图像对上进行训练学习。它采用了联合优化的策略,SRCNN的深度学习网络结构包括三个卷积层,它们分别代表图像块的特征提取和表示,低分辨率图像块和高分辨率图像块之间的非线性映射,高分辨率图像块的重组。然而,SRCNN存在一定的局限性,比如网络中的感受野过小,网络的收敛速度过慢,网络的训练时间有待提高。如果简单的通过多次叠加权重层来提高性能,这会大大增加参数的个数并且需要更多的数据防止过拟合。在本文中,基于端到端的学习框架,通过加深和改进基于卷积神经网络的超分辨率重建方法,为了获得更好的效果,加速网络的收敛,本发明提出了一种新的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。
发明内容
本发明要解决的技术问题是,提供一种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。
为解决上述问题,本发明采用如下的技术方案:
一种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,包括:
步骤S1、对高分辨率训练图像集中的图像进行模糊和下采样,得到对应的低分辨率训练图像集;
步骤S2、将低分辨率的图像进行双立方插值放大,得到低分辨率图像Y;
步骤S3、得到低分辨率图像Y输入预训练好的学习率自适应卷积神经网络,得到重建高分辨率图像。
作为优选,步骤S3中通过学习率自适应的卷积神经网络,得到重建高分辨率图像具体为:
S3.1、卷积层C1,输入低分辨率训练数据,通过n1个大小为f1×f1的滤波器,输出n1个特征图,
yj=∑ikij*xi+bj,
其中,xi表示第i次输入的特征图,yj表示第j次输出的特征图,kij表示第i和j次输入输出特征图之间的卷积核,bj表示第j次输出的特征图的偏置,*表示卷积;
S3.2、卷积层C2,输入上一层的输出,通过n2个大小f2×f2的滤波器,输出n2个特征图;
S3.3、卷积层C3,输入上一层的输出,通过n3个大小f3×f3的滤波器,输出特征图n3;
S3.4、卷积层C4,输入上一层的输出,通过n4个大小f4×f4的滤波器,输出特征图n4;
S3.5、卷积层C5,输入上一层的输出,通过n5个大小f5×f5的滤波器,输出特征图n5;
S3.6、卷积层C6,输入上一层的输出,通过n6个大小f6×f6的滤波器,输出特征图n6;
S3.7、将得到的高分辨率图像块,取图像块中间的像素点赋值为高分辨率图像对应位置坐标的像素值,重建高分辨率图像。
作为优选,所述S3中的卷积神经网络中的每一卷积层后附加一个批归一化处理层(Batch Normalization),批归一化通过以下公式对输入数据进行缩放和平移:
其中,E(x)为每一批训练数据神经元x的平均值;为每一批数据神经元x激活度的一个标准差,γ、β为可学习重构参数,y为输出。
作为优选,在卷积神经网络反向传播训练时运用学习率自适应算法加速网络的收敛,具体包括以下步骤:
步骤(1)设卷积网络N,初始网络参数Θ,训练集图像Ω,验证集图像Φ,可控参数α、t;
步骤(2)训练集图像Φ通过卷积网络N,通过均方误差(MSE)公式计算损失函数,得到损失L0;
其中,n表示训练集个数,Yi表示输入的低分辨率图像,F(Yi;Θ)表示卷积网络N和网络初始参数Θ训练得到的高分辨率图像,Xi表示原图高分辨率图像。
步骤(3)设置学习率η=α/L0,验证集图像Φ通过卷积网络N得到损失L;
步骤(4)如果L>t;
利用反向传播算法(BP)对卷积网络N调整并计算损失L;如果L没有变小;η=η×0.1;
步骤(5)如果L<t;
设置学习率η=α/L;
步骤(6)如果卷积网络没有收敛,重复步骤(3)。
本发明图像超分辨率重建方法,对高分辨率训练图像集中的图像进行模糊和下采样,得到对应的低分辨率训练图像集,将低分辨率图像记为Y;将低分辨率的图像进行双立方插值放大;设计一个学习率自适应的卷积神经网络;低分辨率图像Y输入预训练好的学习率自适应卷积神经网络;重建高分辨率图像X;采用本发明方法,具有优秀的超分辨率重建性能。
附图说明
图1是本发明卷积神经网络图像超分辨率重建方法流程图;
图2是使用本发明用放大2倍的图像经过学习率自适应的卷积神经网络处理的重建结果和其他三种算法比较;其中,a为原图,b为双三次插值,c为改进的锚点近邻回归算法,d为基于卷积神经网络的超分辨率重建算法,e为本发明;
图3是使用本发明用放大2倍的图像经过学习率自适应的卷积神经网络处理的重建结果和其他三种算法比较;其中,a为原图,b为双三次插值,c为改进的锚点近邻回归算法,d为基于卷积神经网络的超分辨率重建算法,e为本发明。
具体实施方式
下面结合附图和实施例对本发明进一步说明,应指出的是,所描述的实例仅旨在便于对本发明的理解,而对其不起任何限定作用。
本发明实施例提供的一种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包括:
步骤1、输入低分辨率图像Y;
步骤2、利用Matlab软件中的imresize函数将该低分辨率的图像进行2倍的双立方插值放大,得到低分辨率图像Y;
步骤3、低分辨率图像Y输入预训练好的卷积神经网络;卷积神经网络包含6个卷积层;每一卷积层后跟随一个归一化层,加速网络的训练。
步骤4、在卷积神经网络反向传播训练时运用学习率自适应算法加速网络的收敛;
步骤5、重建高分辨率图像。
为了验证算法的有效性,在测试库set5和测试库set14上,分别与其他三种优秀算法进行比较。图2的四幅图像分别是原图,Bicubic双三次插值算法,A+为改进的锚点近邻回归算法,SRCNN为基于卷积神经网络的超分辨率重建算法,本发明图像超分辨率重建算法。图3的四幅图像分别是原图,Bicubic双三次插值算法,A+为改进的锚点近邻回归算法,SRCNN为基于卷积神经网络的超分辨率重建算法,本发明图像超分辨率重建算法。
表1为图2重建结果的结构相似性(SSIM)和峰值信噪比(PSNR)比较。
表1:
表2为图3重建结果的结构相似性(SSIM)和峰值信噪比(PSNR)比较。
表2:
实验结果表明,本发明提出的方法,不仅在视觉效果上而且在客观评价标准上都取得了比其他三种优秀的算法要显著的效果,展现了优秀的超分辨率重建性能。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (4)
1.一种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,其特征在于,包括:
步骤S1、对高分辨率训练图像集中的图像进行模糊和下采样,得到对应的低分辨率训练图像集;
步骤S2、将低分辨率的图像进行双立方插值放大,得到低分辨率图像Y;
步骤S3、得到低分辨率图像Y输入预训练好的学习率自适应卷积神经网络,得到重建高分辨率图像。
2.如权利要求1所述的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,其特征在于,步骤S3中通过学习率自适应的卷积神经网络,得到重建高分辨率图像具体为:
S3.1、卷积层C1,输入低分辨率训练数据,通过n1个大小为f1×f1的滤波器,输出n1个特征图,
yj=Σikij*xi+bj,
其中,xi表示第i次输入的特征图,yj表示第j次输出的特征图,kij表示第i和j次输入输出特征图之间的卷积核,bj表示第j次输出的特征图的偏置,*表示卷积;
S3.2、卷积层C2,输入上一层的输出,通过n2个大小f2×f2的滤波器,输出n2个特征图;
S3.3、卷积层C3,输入上一层的输出,通过n3个大小f3×f3的滤波器,输出特征图n3;
S3.4、卷积层C4,输入上一层的输出,通过n4个大小f4×f4的滤波器,输出特征图n4;
S3.5、卷积层C5,输入上一层的输出,通过n5个大小f5×f5的滤波器,输出特征图n5;
S3.6、卷积层C6,输入上一层的输出,通过n6个大小f6×f6的滤波器,输出特征图n6;
S3.7、将得到的高分辨率图像块,取图像块中间的像素点赋值为高分辨率图像对应位置坐标的像素值,重建高分辨率图像。
3.如权利要求1所述的基于学***移:
其中,E(x)为每一批训练数据神经元x的平均值;为每一批数据神经元x激活度的一个标准差,γ、β为可学习重构参数,y为输出。
4.如权利要求1所述的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,其特征在于,在卷积神经网络反向传播训练时运用学习率自适应算法加速网络的收敛,具体包括以下步骤:
步骤(1)设卷积网络N,初始网络参数Θ,训练集图像Ω,验证集图像Φ,可控参数α、t;
步骤(2)训练集图像Φ通过卷积网络N,通过均方误差(MSE)公式计算损失函数,得到损失L0;
其中,n表示训练集个数,Yi表示输入的低分辨率图像,F(Yi;Θ)表示卷积网络N和网络初始参数Θ训练得到的高分辨率图像,Xi表示原图高分辨率图像。
步骤(3)设置学习率η=α/L0,验证集图像Φ通过卷积网络N得到损失L;
步骤(4)如果L>t;
利用反向传播算法(BP)对卷积网络N调整并计算损失L;如果L没有变小;η=η×0.1;
步骤(5)如果L<t;
设置学习率η=α/L;
步骤(6)如果卷积网络没有收敛,重复步骤(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610567179.8A CN106228512A (zh) | 2016-07-19 | 2016-07-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610567179.8A CN106228512A (zh) | 2016-07-19 | 2016-07-19 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106228512A true CN106228512A (zh) | 2016-12-14 |
Family
ID=57531829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610567179.8A Pending CN106228512A (zh) | 2016-07-19 | 2016-07-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228512A (zh) |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600553A (zh) * | 2016-12-15 | 2017-04-26 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN106846463A (zh) * | 2017-01-13 | 2017-06-13 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及*** |
CN106910161A (zh) * | 2017-01-24 | 2017-06-30 | 华南理工大学 | 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 |
CN106952229A (zh) * | 2017-03-15 | 2017-07-14 | 桂林电子科技大学 | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 |
CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
CN107087201A (zh) * | 2017-05-10 | 2017-08-22 | 西安万像电子科技有限公司 | 图像处理方法和装置 |
CN107123091A (zh) * | 2017-04-26 | 2017-09-01 | 福建帝视信息科技有限公司 | 一种基于深度学习的近红外人脸图像超分辨率重建方法 |
CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
CN107730453A (zh) * | 2017-11-13 | 2018-02-23 | 携程计算机技术(上海)有限公司 | 图像质量提升方法 |
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 |
CN107977930A (zh) * | 2017-12-09 | 2018-05-01 | 北京花开影视制作有限公司 | 一种图像超分辨方法及其*** |
CN108053456A (zh) * | 2017-11-13 | 2018-05-18 | 深圳先进技术研究院 | 一种pet重建图像优化方法及*** |
CN108109109A (zh) * | 2017-12-22 | 2018-06-01 | 浙江大华技术股份有限公司 | 一种超分辨率图像重构方法、装置、介质及计算设备 |
CN108259997A (zh) * | 2018-04-02 | 2018-07-06 | 腾讯科技(深圳)有限公司 | 图像相关处理方法及装置、智能终端、服务器、存储介质 |
CN108346133A (zh) * | 2018-03-15 | 2018-07-31 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN108376386A (zh) * | 2018-03-23 | 2018-08-07 | 深圳天琴医疗科技有限公司 | 一种图像的超分辨率模型的构建方法及装置 |
CN108629736A (zh) * | 2017-03-15 | 2018-10-09 | 三星电子株式会社 | 用于设计超分辨率深度卷积神经网络的***和方法 |
CN108665509A (zh) * | 2018-05-10 | 2018-10-16 | 广东工业大学 | 一种超分辨率重构方法、装置、设备及可读存储介质 |
CN108694700A (zh) * | 2017-04-10 | 2018-10-23 | 三星电子株式会社 | 用于深度学习图像超分辨率的***和方法 |
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 |
CN108765290A (zh) * | 2018-05-29 | 2018-11-06 | 天津大学 | 一种基于改进的稠密卷积神经网络的超分辨率重建方法 |
CN108805814A (zh) * | 2018-06-07 | 2018-11-13 | 西安电子科技大学 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
CN108805808A (zh) * | 2018-04-04 | 2018-11-13 | 东南大学 | 一种利用卷积神经网络提高视频分辨率的方法 |
CN108876780A (zh) * | 2018-06-26 | 2018-11-23 | 陕西师范大学 | 一种复杂背景下桥梁裂缝图像裂缝检测方法 |
CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
CN108898554A (zh) * | 2017-10-30 | 2018-11-27 | 上海寒武纪信息科技有限公司 | 提高图像分辨率的方法及相关产品 |
CN108921791A (zh) * | 2018-07-03 | 2018-11-30 | 苏州中科启慧软件技术有限公司 | 基于自适应重要性学习的轻量级图像超分辨率改进方法 |
CN109064394A (zh) * | 2018-06-11 | 2018-12-21 | 西安电子科技大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN109118431A (zh) * | 2018-09-05 | 2019-01-01 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
CN109146792A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于深度学习的芯片图像超分辨率重建方法 |
CN109214987A (zh) * | 2017-07-03 | 2019-01-15 | 百度(美国)有限责任公司 | 从上采样的低分辨率lidar 3-d点云和摄像机图像生成高分辨率3-d点云 |
CN109242771A (zh) * | 2018-08-16 | 2019-01-18 | 广州视源电子科技股份有限公司 | 一种超分辨率图像重建方法及装置、计算机可读存储介质和计算机设备 |
CN109389557A (zh) * | 2018-10-20 | 2019-02-26 | 南京大学 | 一种基于图像先验的细胞图像超分辨方法及装置 |
CN109636716A (zh) * | 2018-10-29 | 2019-04-16 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
CN109727195A (zh) * | 2018-12-25 | 2019-05-07 | 成都元点智库科技有限公司 | 一种图像超分辨率重构方法 |
CN109741253A (zh) * | 2018-12-12 | 2019-05-10 | 深圳慧源创新科技有限公司 | 无人机图传视频近景远景切换技术 |
CN109886337A (zh) * | 2019-02-22 | 2019-06-14 | 清华大学 | 基于自适应采样的深度度量学习方法及*** |
CN110084745A (zh) * | 2019-03-12 | 2019-08-02 | 天津大学 | 基于并联的稠密卷积神经网络的图像超分辨率重建方法 |
CN110211057A (zh) * | 2019-05-15 | 2019-09-06 | 武汉Tcl集团工业研究院有限公司 | 一种基于全卷积网络的图像处理方法、装置和计算机设备 |
CN110458754A (zh) * | 2018-05-07 | 2019-11-15 | Tcl集团股份有限公司 | 图像生成方法及终端设备 |
CN110533713A (zh) * | 2019-07-10 | 2019-12-03 | 湖南交工智能技术有限公司 | 桥梁裂缝宽度高精度测量方法及测量装置 |
CN110785709A (zh) * | 2017-06-30 | 2020-02-11 | 科磊股份有限公司 | 从低分辨率图像产生高分辨率图像以用于半导体应用 |
CN110796584A (zh) * | 2019-10-28 | 2020-02-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 运动模糊图像建模方法、装置、存储介质及巡检机器人 |
CN110853040A (zh) * | 2019-11-12 | 2020-02-28 | 北京深境智能科技有限公司 | 一种基于超分辨率重建的图像协同分割方法 |
CN111008690A (zh) * | 2018-10-08 | 2020-04-14 | 斯特拉德视觉公司 | 以自适应学习率学习神经网络的方法及装置 |
CN111034183A (zh) * | 2017-09-04 | 2020-04-17 | 株式会社半导体能源研究所 | 图像处理方法、半导体装置及电子设备 |
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 |
CN111239731A (zh) * | 2020-01-06 | 2020-06-05 | 南京航空航天大学 | 基于神经网络的合成孔径雷达快速成像方法及装置 |
CN111382831A (zh) * | 2018-12-28 | 2020-07-07 | Tcl集团股份有限公司 | 加速卷积神经网络模型前向推理的方法及装置 |
CN111681168A (zh) * | 2020-06-05 | 2020-09-18 | 杭州电子科技大学 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
US10805634B2 (en) | 2017-05-17 | 2020-10-13 | Samsung Electronics Co., Ltd | Super-resolution processing method for moving image and image processing apparatus therefor |
CN111800630A (zh) * | 2019-04-09 | 2020-10-20 | Tcl集团股份有限公司 | 一种视频超分辨率重建的方法、***及电子设备 |
CN111932461A (zh) * | 2020-08-11 | 2020-11-13 | 西安邮电大学 | 一种基于卷积神经网络的自学习图像超分辨率重建方法及*** |
CN112184559A (zh) * | 2020-11-09 | 2021-01-05 | 西北工业大学 | 一种光电导航***的超分辨率图像异常目标检测方法及*** |
CN112598575A (zh) * | 2020-12-22 | 2021-04-02 | 电子科技大学 | 一种基于特征处理的图像信息融合及超分辨率重建方法 |
CN113099146A (zh) * | 2019-12-19 | 2021-07-09 | 华为技术有限公司 | 一种视频生成方法、装置及相关设备 |
CN113191955A (zh) * | 2021-06-17 | 2021-07-30 | 江苏奥易克斯汽车电子科技股份有限公司 | 图像超分辨率重建的方法及装置 |
CN113366482A (zh) * | 2019-01-31 | 2021-09-07 | 奥林巴斯株式会社 | 医疗器具分析装置、医疗器具分析方法以及已学习模型 |
CN113628121A (zh) * | 2020-05-06 | 2021-11-09 | 阿里巴巴集团控股有限公司 | 数据处理、训练多媒体数据的方法和装置 |
CN113658075A (zh) * | 2021-08-17 | 2021-11-16 | 展讯通信(上海)有限公司 | 模型训练方法、图像边缘增强方法、装置、介质和终端 |
CN116703772A (zh) * | 2023-06-15 | 2023-09-05 | 山东财经大学 | 一种基于自适应插值算法的图像去噪方法、***及终端机 |
CN116843597A (zh) * | 2023-08-30 | 2023-10-03 | 南方科技大学 | 离散点图像快速重建模型方法、装置、终端及存储介质 |
WO2024053840A1 (ko) * | 2022-09-08 | 2024-03-14 | 삼성전자 주식회사 | 뉴럴 네트워크 모델을 포함하는 이미지 처리 장치 및 이의 동작 방법 |
US11990137B2 (en) | 2018-09-13 | 2024-05-21 | Shanghai Cambricon Information Technology Co., Ltd. | Image retouching method and terminal device |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778659A (zh) * | 2015-04-15 | 2015-07-15 | 杭州电子科技大学 | 基于深度学习的单帧图像超分辨率重建方法 |
-
2016
- 2016-07-19 CN CN201610567179.8A patent/CN106228512A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778659A (zh) * | 2015-04-15 | 2015-07-15 | 杭州电子科技大学 | 基于深度学习的单帧图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
DONG C等: "Image Super-Resolution Using Deep Convolutional Networks", 《IEEE TRANSACTIONS ON PATTERNANALYSIS AND MACHINE INTELLIGENCE》 * |
SERGEY IOFFE等: "Accelerating Deep Network Training by Reducing Internal Covariate Shift", 《BATCH NORMALIZATION》 * |
武美先等: "BP神经网络的双学习率自适应学习算法", 《现代制造工程》 * |
Cited By (102)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600553A (zh) * | 2016-12-15 | 2017-04-26 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN106600553B (zh) * | 2016-12-15 | 2019-12-17 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN106846463A (zh) * | 2017-01-13 | 2017-06-13 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及*** |
CN106846463B (zh) * | 2017-01-13 | 2020-02-18 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及*** |
CN106910161A (zh) * | 2017-01-24 | 2017-06-30 | 华南理工大学 | 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 |
CN106910161B (zh) * | 2017-01-24 | 2020-06-19 | 华南理工大学 | 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 |
CN106952229A (zh) * | 2017-03-15 | 2017-07-14 | 桂林电子科技大学 | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 |
CN108629736A (zh) * | 2017-03-15 | 2018-10-09 | 三星电子株式会社 | 用于设计超分辨率深度卷积神经网络的***和方法 |
CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
CN106991646B (zh) * | 2017-03-28 | 2020-05-26 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
CN108694700B (zh) * | 2017-04-10 | 2023-12-01 | 三星电子株式会社 | 用于深度学习图像超分辨率的***和方法 |
CN108694700A (zh) * | 2017-04-10 | 2018-10-23 | 三星电子株式会社 | 用于深度学习图像超分辨率的***和方法 |
CN107133960A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 基于深度卷积神经网络的图像裂缝分割方法 |
CN107123091A (zh) * | 2017-04-26 | 2017-09-01 | 福建帝视信息科技有限公司 | 一种基于深度学习的近红外人脸图像超分辨率重建方法 |
CN107087201A (zh) * | 2017-05-10 | 2017-08-22 | 西安万像电子科技有限公司 | 图像处理方法和装置 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107154023B (zh) * | 2017-05-17 | 2019-11-05 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
US10805634B2 (en) | 2017-05-17 | 2020-10-13 | Samsung Electronics Co., Ltd | Super-resolution processing method for moving image and image processing apparatus therefor |
CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
CN110785709A (zh) * | 2017-06-30 | 2020-02-11 | 科磊股份有限公司 | 从低分辨率图像产生高分辨率图像以用于半导体应用 |
CN110785709B (zh) * | 2017-06-30 | 2022-07-15 | 科磊股份有限公司 | 从低分辨率图像产生高分辨率图像以用于半导体应用 |
CN109214987A (zh) * | 2017-07-03 | 2019-01-15 | 百度(美国)有限责任公司 | 从上采样的低分辨率lidar 3-d点云和摄像机图像生成高分辨率3-d点云 |
CN111034183A (zh) * | 2017-09-04 | 2020-04-17 | 株式会社半导体能源研究所 | 图像处理方法、半导体装置及电子设备 |
CN111034183B (zh) * | 2017-09-04 | 2022-05-13 | 株式会社半导体能源研究所 | 图像处理方法、半导体装置及电子设备 |
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 |
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 |
US11922132B2 (en) | 2017-10-30 | 2024-03-05 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
CN108898554A (zh) * | 2017-10-30 | 2018-11-27 | 上海寒武纪信息科技有限公司 | 提高图像分辨率的方法及相关产品 |
US11762631B2 (en) | 2017-10-30 | 2023-09-19 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
CN107730453A (zh) * | 2017-11-13 | 2018-02-23 | 携程计算机技术(上海)有限公司 | 图像质量提升方法 |
CN108053456A (zh) * | 2017-11-13 | 2018-05-18 | 深圳先进技术研究院 | 一种pet重建图像优化方法及*** |
CN107977930A (zh) * | 2017-12-09 | 2018-05-01 | 北京花开影视制作有限公司 | 一种图像超分辨方法及其*** |
CN108109109A (zh) * | 2017-12-22 | 2018-06-01 | 浙江大华技术股份有限公司 | 一种超分辨率图像重构方法、装置、介质及计算设备 |
CN108109109B (zh) * | 2017-12-22 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种超分辨率图像重构方法、装置、介质及计算设备 |
CN108346133B (zh) * | 2018-03-15 | 2021-06-04 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN108346133A (zh) * | 2018-03-15 | 2018-07-31 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN108376386A (zh) * | 2018-03-23 | 2018-08-07 | 深圳天琴医疗科技有限公司 | 一种图像的超分辨率模型的构建方法及装置 |
CN108259997A (zh) * | 2018-04-02 | 2018-07-06 | 腾讯科技(深圳)有限公司 | 图像相关处理方法及装置、智能终端、服务器、存储介质 |
CN108259997B (zh) * | 2018-04-02 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像相关处理方法及装置、智能终端、服务器、存储介质 |
CN108805808A (zh) * | 2018-04-04 | 2018-11-13 | 东南大学 | 一种利用卷积神经网络提高视频分辨率的方法 |
CN110458754A (zh) * | 2018-05-07 | 2019-11-15 | Tcl集团股份有限公司 | 图像生成方法及终端设备 |
CN110458754B (zh) * | 2018-05-07 | 2021-12-03 | Tcl科技集团股份有限公司 | 图像生成方法及终端设备 |
CN108665509A (zh) * | 2018-05-10 | 2018-10-16 | 广东工业大学 | 一种超分辨率重构方法、装置、设备及可读存储介质 |
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 |
CN108765290A (zh) * | 2018-05-29 | 2018-11-06 | 天津大学 | 一种基于改进的稠密卷积神经网络的超分辨率重建方法 |
CN108805814A (zh) * | 2018-06-07 | 2018-11-13 | 西安电子科技大学 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
CN108805814B (zh) * | 2018-06-07 | 2020-05-19 | 西安电子科技大学 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
CN109064394A (zh) * | 2018-06-11 | 2018-12-21 | 西安电子科技大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN109064394B (zh) * | 2018-06-11 | 2023-07-18 | 西安电子科技大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN108898560A (zh) * | 2018-06-21 | 2018-11-27 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
CN108898560B (zh) * | 2018-06-21 | 2023-04-28 | 四川大学 | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 |
CN108876780B (zh) * | 2018-06-26 | 2020-11-10 | 陕西师范大学 | 一种复杂背景下桥梁裂缝图像裂缝检测方法 |
CN108876780A (zh) * | 2018-06-26 | 2018-11-23 | 陕西师范大学 | 一种复杂背景下桥梁裂缝图像裂缝检测方法 |
CN108921791A (zh) * | 2018-07-03 | 2018-11-30 | 苏州中科启慧软件技术有限公司 | 基于自适应重要性学习的轻量级图像超分辨率改进方法 |
CN109242771A (zh) * | 2018-08-16 | 2019-01-18 | 广州视源电子科技股份有限公司 | 一种超分辨率图像重建方法及装置、计算机可读存储介质和计算机设备 |
CN109242771B (zh) * | 2018-08-16 | 2023-04-28 | 广州视源电子科技股份有限公司 | 一种超分辨率图像重建方法及装置、计算机可读存储介质和计算机设备 |
CN109118431A (zh) * | 2018-09-05 | 2019-01-01 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
CN109118431B (zh) * | 2018-09-05 | 2022-11-15 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
US11996105B2 (en) | 2018-09-13 | 2024-05-28 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
US11990137B2 (en) | 2018-09-13 | 2024-05-21 | Shanghai Cambricon Information Technology Co., Ltd. | Image retouching method and terminal device |
CN109146792A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于深度学习的芯片图像超分辨率重建方法 |
CN111008690A (zh) * | 2018-10-08 | 2020-04-14 | 斯特拉德视觉公司 | 以自适应学习率学习神经网络的方法及装置 |
CN111008690B (zh) * | 2018-10-08 | 2023-08-18 | 斯特拉德视觉公司 | 以自适应学习率学习神经网络的方法及装置 |
CN109389557B (zh) * | 2018-10-20 | 2023-01-06 | 南京大学 | 一种基于图像先验的细胞图像超分辨方法及装置 |
CN109389557A (zh) * | 2018-10-20 | 2019-02-26 | 南京大学 | 一种基于图像先验的细胞图像超分辨方法及装置 |
CN109636716B (zh) * | 2018-10-29 | 2022-07-22 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
CN109636716A (zh) * | 2018-10-29 | 2019-04-16 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
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 |
CN109741253A (zh) * | 2018-12-12 | 2019-05-10 | 深圳慧源创新科技有限公司 | 无人机图传视频近景远景切换技术 |
CN109727195A (zh) * | 2018-12-25 | 2019-05-07 | 成都元点智库科技有限公司 | 一种图像超分辨率重构方法 |
CN111382831B (zh) * | 2018-12-28 | 2024-04-16 | Tcl科技集团股份有限公司 | 加速卷积神经网络模型前向推理的方法及装置 |
CN111382831A (zh) * | 2018-12-28 | 2020-07-07 | Tcl集团股份有限公司 | 加速卷积神经网络模型前向推理的方法及装置 |
CN113366482A (zh) * | 2019-01-31 | 2021-09-07 | 奥林巴斯株式会社 | 医疗器具分析装置、医疗器具分析方法以及已学习模型 |
CN109886337A (zh) * | 2019-02-22 | 2019-06-14 | 清华大学 | 基于自适应采样的深度度量学习方法及*** |
CN109886337B (zh) * | 2019-02-22 | 2021-09-14 | 清华大学 | 基于自适应采样的深度度量学习方法及*** |
CN110084745A (zh) * | 2019-03-12 | 2019-08-02 | 天津大学 | 基于并联的稠密卷积神经网络的图像超分辨率重建方法 |
CN111800630A (zh) * | 2019-04-09 | 2020-10-20 | Tcl集团股份有限公司 | 一种视频超分辨率重建的方法、***及电子设备 |
CN110211057B (zh) * | 2019-05-15 | 2023-08-29 | 武汉Tcl集团工业研究院有限公司 | 一种基于全卷积网络的图像处理方法、装置和计算机设备 |
CN110211057A (zh) * | 2019-05-15 | 2019-09-06 | 武汉Tcl集团工业研究院有限公司 | 一种基于全卷积网络的图像处理方法、装置和计算机设备 |
CN110533713A (zh) * | 2019-07-10 | 2019-12-03 | 湖南交工智能技术有限公司 | 桥梁裂缝宽度高精度测量方法及测量装置 |
CN110796584A (zh) * | 2019-10-28 | 2020-02-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 运动模糊图像建模方法、装置、存储介质及巡检机器人 |
CN110853040B (zh) * | 2019-11-12 | 2023-04-28 | 北京深境智能科技有限公司 | 一种基于超分辨率重建的图像协同分割方法 |
CN110853040A (zh) * | 2019-11-12 | 2020-02-28 | 北京深境智能科技有限公司 | 一种基于超分辨率重建的图像协同分割方法 |
CN113099146A (zh) * | 2019-12-19 | 2021-07-09 | 华为技术有限公司 | 一种视频生成方法、装置及相关设备 |
CN111239731A (zh) * | 2020-01-06 | 2020-06-05 | 南京航空航天大学 | 基于神经网络的合成孔径雷达快速成像方法及装置 |
CN113628121B (zh) * | 2020-05-06 | 2023-11-14 | 阿里巴巴集团控股有限公司 | 数据处理、训练多媒体数据的方法和装置 |
CN113628121A (zh) * | 2020-05-06 | 2021-11-09 | 阿里巴巴集团控股有限公司 | 数据处理、训练多媒体数据的方法和装置 |
CN111681168B (zh) * | 2020-06-05 | 2023-03-21 | 杭州电子科技大学 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
CN111681168A (zh) * | 2020-06-05 | 2020-09-18 | 杭州电子科技大学 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
CN111932461B (zh) * | 2020-08-11 | 2023-07-25 | 西安邮电大学 | 一种基于卷积神经网络的自学习图像超分辨率重建方法及*** |
CN111932461A (zh) * | 2020-08-11 | 2020-11-13 | 西安邮电大学 | 一种基于卷积神经网络的自学习图像超分辨率重建方法及*** |
CN112184559A (zh) * | 2020-11-09 | 2021-01-05 | 西北工业大学 | 一种光电导航***的超分辨率图像异常目标检测方法及*** |
CN112598575A (zh) * | 2020-12-22 | 2021-04-02 | 电子科技大学 | 一种基于特征处理的图像信息融合及超分辨率重建方法 |
CN112598575B (zh) * | 2020-12-22 | 2022-05-03 | 电子科技大学 | 一种基于特征处理的图像信息融合及超分辨率重建方法 |
CN113191955A (zh) * | 2021-06-17 | 2021-07-30 | 江苏奥易克斯汽车电子科技股份有限公司 | 图像超分辨率重建的方法及装置 |
CN113658075A (zh) * | 2021-08-17 | 2021-11-16 | 展讯通信(上海)有限公司 | 模型训练方法、图像边缘增强方法、装置、介质和终端 |
WO2024053840A1 (ko) * | 2022-09-08 | 2024-03-14 | 삼성전자 주식회사 | 뉴럴 네트워크 모델을 포함하는 이미지 처리 장치 및 이의 동작 방법 |
CN116703772A (zh) * | 2023-06-15 | 2023-09-05 | 山东财经大学 | 一种基于自适应插值算法的图像去噪方法、***及终端机 |
CN116703772B (zh) * | 2023-06-15 | 2024-03-15 | 山东财经大学 | 一种基于自适应插值算法的图像去噪方法、***及终端机 |
CN116843597B (zh) * | 2023-08-30 | 2023-11-24 | 南方科技大学 | 离散点图像快速重建方法、装置、终端及存储介质 |
CN116843597A (zh) * | 2023-08-30 | 2023-10-03 | 南方科技大学 | 离散点图像快速重建模型方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228512A (zh) | 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 | |
WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及*** | |
CN110706242B (zh) | 一种基于深度残差网络的对象级边缘检测方法 | |
CN106204468B (zh) | 一种基于ReLU卷积神经网络的图像去噪方法 | |
CN108510485B (zh) | 一种基于卷积神经网络的无参照图像质量评估方法 | |
Cai et al. | Blind inpainting using the fully convolutional neural network | |
CN111368673B (zh) | 一种基于神经网络的人体关键点快速提取方法 | |
CN109522855B (zh) | 结合ResNet和SENet的低分辨率行人检测方法、***及存储介质 | |
CN106408522A (zh) | 一种基于卷积对神经网络的图像去噪方法 | |
CN107358576A (zh) | 基于卷积神经网络的深度图超分辨率重建方法 | |
CN110349103A (zh) | 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法 | |
CN105976318A (zh) | 一种图像超分辨率重建方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN106204449A (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
Behjati et al. | Single image super-resolution based on directional variance attention network | |
CN103279933B (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
CN106952229A (zh) | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 | |
CN110648292B (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
CN107784628A (zh) | 一种基于重建优化和深度神经网络的超分辨率实现方法 | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
CN115331104A (zh) | 一种基于卷积神经网络的农作物种植信息提取方法 | |
CN116403063A (zh) | 基于多区域特征融合的无参考屏幕内容图像质量评估方法 | |
Zhou et al. | SurroundNet: Towards effective low-light image enhancement | |
Luo et al. | Bi-GANs-ST for perceptual image super-resolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161214 |