CN110211038A - 基于dirac残差深度神经网络的超分辨率重建方法 - Google Patents
基于dirac残差深度神经网络的超分辨率重建方法 Download PDFInfo
- Publication number
- CN110211038A CN110211038A CN201910354259.9A CN201910354259A CN110211038A CN 110211038 A CN110211038 A CN 110211038A CN 201910354259 A CN201910354259 A CN 201910354259A CN 110211038 A CN110211038 A CN 110211038A
- Authority
- CN
- China
- Prior art keywords
- dirac
- network
- residual error
- convolution
- deep neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 35
- 230000004913 activation Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 235000015429 Mirabilis expansa Nutrition 0.000 description 1
- 244000294411 Mirabilis expansa Species 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013536 miso Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于dirac残差深度神经网络的超分辨率重建方法,网络输入低分辨率图片,通过多个dirac参数化的残差块学习图像特征,使用亚像素卷积重建出高分辨率图像。网络分为上下两个部分,上部分通过深度dirac残差网络得到LR的高频特征,然后通过亚像素卷积进行重建。下部分直接通过对LR的低频特征进行亚像素卷积来重建图像。之后结合两次重建结构输出重建HR图像。本发明通过权重参数化来改进残差层,并且缩小激活函数Relu前的卷积特征维度,增加激活函数后的卷积特征维度。同时将输入图像的卷积特征与残差网络学习的特征结合进行重建,在网络深度相同的情况下获得更好的SR效果。
Description
技术领域
本发明涉及基于dirac残差深度神经网络的超分辨率重建方法,属于图像重建技术领域。
背景技术
超分辨率重建(Super-resolution reconstruction,SR)是指通过对同一场景的一个或多个低分辨率(low resolution,LR)图像进行观测,得到高分辨率(highresolution,HR)图像或者视频的估计。SR通过数字图像处理和机器学习的方法,突破成像***硬件的限制,得到具有更高空间分辨率,更多细节信息的图像,是目前获取高清晰度图像的高效且低成本的技术手段。
SR按不同输入输出方式可以分为三类,分别是单输入单输出(SISO)、多输入单输出(MISO)和多输入多输出(MIMO),其中MIMO属于视频超分辨率重建。若对其直接进行分类,可分为两大类,即单幅图像的超分辨率重建(SISR)和多图像或多帧超分辨率。SISR是指在无法获取原始图像的情况下,用给定的单个LR图像来估计HR图像。用不同的方法,一幅低分辨率图像可以重建出不同的高分辨率图像。
目前SISR常用的方法有解析插值法、基于重建的方法和基于学***均值来计算,这种方法在平滑部分中具有很好的效果,但是在边缘这种不连续的图像区域效果很差,会导致振铃和模糊。基于重建的方法通常需要明确的先验信息(以分布、能量函数等形式),同时对目标HR图像进行约束。这可以通过多种方式来实现,例如锐化边缘细节,正则化和反卷积。基于机器学习的方法有基于学习字典的方法,是通过学习LR与HR图像像素块的对应关系来进行重建,也有学习同一图像内部相似性的方法,如领域嵌入等。
最近提出的SR方法主要是基于深度学习的方法。该类方法需要构建深度卷积网络模型,并采用大量图像来训练模型。通过从LR图像块与HR图像块中学习先验知识来进行重建。代表性方法如SRCNN、VDSR、EDSR等。
SRCNN是第一个将深度学习运用在SR上的方法。由Chao Dong于2014年提出该方法通过直接在输入插值过后的LR图像与相应HR图像之间学习一个端到端映射。2016年,Chao提出的FSRCNN中末端引入反卷积层,增加了卷积特征维数,使用原始LR图像进行重建。
Wenzhe Shi等人于2016年提出的ESPCN网络中引入了亚像素卷积层。它可以学习一系列的卷积特征,用于最终的重建层。在之后的大部分SR方法中都用到了这种方法。
VDSR与DRCN由Jiwon Kim等人提出。通过使用一个非常深的卷积网络,来增大网络的感受野。VDSR使用跳过连接来利用LR与HR图像中的低频相似信息,网络只需要学习HR与LR之间的高频残差。
Tong等人通过引入密集跳过连接的方法提出了SRDenseNet。通过在密集连接块中将每一层的特征都输入给之后的层,减轻梯度消失问题。
Bee Lim等人提出的EDSR,借鉴了SRResNet,增大了卷积特征维数,去掉BN(batchnormalization)层,并且在每个残差块后进行缩放解决训练不稳定问题,使用亚像素卷积进行重建。
JiaHui Yu等人提出的WDSR,改进了EDSR,增加残差块在激活函数前的卷积特征维数,减少激活函数后的卷积特征维数。并且在卷积中引入了WN(weight normalization)层。使用跳过连接来单独对输入LR图像进行亚像素卷积,与特征的亚像素层一起完成图像重建。
上述如EDSR、WDSR,网络采用残差块来进行深度神经网络的搭建。每一个残差块都是在两个卷积层中加入激活函数,将第二个卷积的输出加上第一个卷积的输入,来作为残差块的输出,当网络深度增加时,重建效果提升不佳。
发明内容
本发明所要解决的技术问题是:提供基于dirac残差深度神经网络的超分辨率重建方法,通过多个dirac参数化的残差块学习图像特征,使用亚像素卷积重建出高分辨率图像,以便在网络深度相同的情况下获得更好的SR效果。
本发明为解决上述技术问题采用以下技术方案:
基于dirac残差深度神经网络的超分辨率重建方法,包括如下步骤:
步骤1,构建基于dirac残差的深度神经网络,该网络包括上、下两部分,上部分包括特征提取网络、多个dirac参数化残差块、重建网络,且特征提取网络依次包括卷积层和激活函数层,dirac参数化残差块依次包括第一dirac卷积层、激活函数层、第二dirac卷积层,重建网络依次包括卷积层和亚像素重建层;特征提取网络的输入为原始低分辨率图像,将特征提取网络的输出作为第一个dirac参数化残差块的输入,将前一个dirac参数化残差块的输出作为后一个dirac参数化残差块的输入,最后一个dirac参数化残差块的输出作为重建网络的输入;下部分包括全局跳过连接网络,且全局跳过连接网络依次包括卷积层和亚像素重建层,将原始低分辨率图像作为下部分卷积层的输入;
所述第一dirac卷积层或第二dirac卷积层的输出结果为:
其中,y表示第一或第二dirac卷积层的输出,x表示第一或第二dirac卷积层的输入,⊙为卷积操作,表示卷积核参数矩阵,Wnorm为卷积操作参数,I为跳层操作参数,diag(α)、diag(β)均为权重参数;
步骤2,将原始高分辨率图像做降采样预处理后,得到低分辨率训练图像,利用低分辨率训练图像对构建的基于dirac残差的深度神经网络进行训练,得到训练好的网络;
步骤3,采用训练好的网络对输入的待重建原始低分辨率图像进行重建,通过网络的上部分得到原始低分辨率图像的高频特征,通过网络的下部分得到原始低分辨率图像的低频特征,结合高频特征和低频特征输出重建的超分辨率图像。
作为本发明的一种优选方案,步骤1所述特征提取网络中的卷积层有M×N个卷积核,每个卷积核的大小为3×3,特征提取网络中的激活函数为Relu。
作为本发明的一种优选方案,步骤1所述dirac参数化残差块中第一dirac卷积层有M×N个卷积核,每个卷积核的大小为3×3,第二dirac卷积层有M个卷积核,每个卷积核的大小为3×3,dirac参数化残差块中的激活函数为Relu。
作为本发明的一种优选方案,步骤2所述构建的基于dirac残差的深度神经网络采用Adam作为反向优化器进行训练。
作为本发明的一种优选方案,步骤2所述构建的基于dirac残差的深度神经网络进行训练时,采用L2损失函数:
其中,Loss表示损失函数,H(i)表示原始高分辨率图像块,表示对应的低分辨率图像重建后的高分辨图像块。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明通过权重参数化来改进残差层,并且缩小激活函数(RELU)前的卷积特征维度,增加激活函数后的卷积特征维度。同时将输入图像的卷积特征与残差网络学习的特征结合进行重建,使得在网络深度相同的情况下获得更好的重建效果。
附图说明
图1是本发明基于dirac残差深度神经网络的超分辨率重建方法的流程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
针对单幅图像超分辨率问题,将单幅低分辨率图像作为dirac残差深度神经网络的输入,估计超分辨率重建图像。如图1所示为基于dirac残差深度神经网络的超分辨率重建方法流程图,网络分为上下两个部分。上面部分通过深度dirac残差网络得到LR的高频特征,然后通过亚像素卷积进行重建。下面部分直接通过对LR的低频特征进行亚像素卷积来重建图像。之后结合两次重建结构输出重建HR图像。
上面部分包括一个特征提取层、多个dirac参数化残差块、一个网络重建层。特征提取层从低分辨率输入图像提取高频图像特征作为dirac残差块的输入,特征提取层包括一个卷积层和一个Relu激活函数层。对于第一个dirac残差块,输入通过对LR进行卷积得到,对于之后的任一dirac残差块,该残差块输入信息为所述残差块的上一个残差块的输出信息。对于任一dirac残差块,包含两个dirac卷积层和一个Relu激活函数层。网络重建层包括一个卷积层和一个亚像素重建层,网络重建时利用输入低分辨率图像特征和残差学习图像特征进行重建。
dirac深度神经网络使用dirac参数化的残差块,残差块通过dirac参数化将传统残差网络的跳过连接进行参数化。使其可以通过网络训练来改变残差块输出和跳过连接输出的权重。
下面部分包括一个直接利用低分辨率图像的全局跳过连接层,全局跳过连接层包括一个卷积层和一个亚像素重建层。上面部分网络重建层的输入为最后一个dirac残差块的输出,下面部分亚像素重建层的输入为卷积后的LR图像特征,之后组合两个亚像素重建层的输出作为神经网络的输出。
任意残差块的任意dirac卷积层输出结果为:
其中,y为dirac卷积的输出,x为卷积层输入特征图,⊙为卷积操作。是合并后的卷积参数矩阵(这个参数已经蕴含了卷积操作和跳层操作)。
其中,Wnorm为卷积操作参数,I为跳层操作参数,diag(α)与diag(β)为权重参数。I是由卷积窗口导出的单位参数矩阵,也叫Dirac delta变换,任何输入x经过这个I矩阵的变换,其输出还是x本身。diag(α)与diag(β)是可训练的向量参数,用于控制Wnorm与I的权重。若diag(α)趋近于0的,I单位矩阵的作用减少,削弱跳层连接的权重。这时卷积操作Wnorm占主导作用。
实施例:
(1)数据集准备。训练集采用公开的数据集DIV2K的训练集部分。测试集包括Set5、Set14、B100、Urban100和DIV2K的测试集部分。对于每一张HR图像,都有对应的LR图像(×2,×3,×4)作为输入。
(2)网络采用大小为48×48×3大小的图像作为网络的输入。这些图像通过对数据集图片进行裁剪得到。由于训练时每次迭代输入图片不止一张,这里用n表示输入数量,则输入表示为张量[n,48,48,3],对应的输出张量为:×2:[n,96,96,3],×3:[n,144,144,3],×4:[n,192,192,3]。
(3)输入图像格式为24位RGB图像,每个像素点包含R、G、B三维信息。每一维用0到255表示。在图像输入后进行预处理,将图片每一维用-127到128表示。具体操作为对每批输入张量减去平均值127。
(4)如图1所示,输入张量都会通过第一个卷积层进行特征提取。该卷积层有M×N个卷积核,每个卷积核大小为3×3,激活函数为Relu。
(5)对于dirac残差网络部分,如图1中上面部分所示,有若干个dirac残差块。每个残差块都可以两个dirac卷积和一个激活函数Relu表示。其中第一个dirac卷积层有M×N个卷积核,每个卷积核大小为3×3,带有激活函数。第二个dirac卷积层有M个卷积核,每个卷积核大小为3×3,不带有激活函数。这里可以取M=64,N=4。
(6)对于每一个dirac卷积,可以表示为:其中,y为dirac卷积的输出,x为输入特征,⊙为卷积操作。卷积核参数矩阵,其中,Wnorm为卷积操作参数,I为跳层操作参数,diag(α)与diag(β)为权重参数。
(7)重建层采用亚像素卷积进行重建。通过结合高频和低频的重建结果输出最后的HR图像。
(8)对于×n倍SR网络的训练。通过对高分辨率图像块H(i)(大小为l×w)做降采样得到图像块L(i)(大小为(l/n)×(w/n))。将L(i)做为输入通过神经网络得到图像块网络采用L2损失函数:其中,H(i)表示原始高分辨率图像块,表示对应的低分辨率图像重建后的高分辨图像块。
(9)网络采用Adam作为反向优化器进行训练,初始学习率设置为0.0001,在测试Loss连续10个保持稳定时学习率减半,学习率小于0.000001停止训练。
(10)在训练完成后,将网络模型中除了diag(α)与diag(β)的其他参数设置为不可训练,载入训练完成网络模型参数,对每个dirac卷积中的diag(α)与diag(β)进行再次训练,提升每一层dirac卷积特征利用率,以获取更好的重建效果。初始学习率设置为0.000001,在测试Loss连续10个保持稳定时学习率减半,学习率小于0.0000001时停止训练。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.基于dirac残差深度神经网络的超分辨率重建方法,其特征在于,包括如下步骤:
步骤1,构建基于dirac残差的深度神经网络,该网络包括上、下两部分,上部分包括特征提取网络、多个dirac参数化残差块、重建网络,且特征提取网络依次包括卷积层和激活函数层,dirac参数化残差块依次包括第一dirac卷积层、激活函数层、第二dirac卷积层,重建网络依次包括卷积层和亚像素重建层;特征提取网络的输入为原始低分辨率图像,将特征提取网络的输出作为第一个dirac参数化残差块的输入,将前一个dirac参数化残差块的输出作为后一个dirac参数化残差块的输入,最后一个dirac参数化残差块的输出作为重建网络的输入;下部分包括全局跳过连接网络,且全局跳过连接网络依次包括卷积层和亚像素重建层,将原始低分辨率图像作为下部分卷积层的输入;
所述第一dirac卷积层或第二dirac卷积层的输出结果为:
其中,y表示第一或第二dirac卷积层的输出,x表示第一或第二dirac卷积层的输入,⊙为卷积操作,表示卷积核参数矩阵,Wnorm为卷积操作参数,I为跳层操作参数,diag(α)、diag(β)均为权重参数;
步骤2,将原始高分辨率图像做降采样预处理后,得到低分辨率训练图像,利用低分辨率训练图像对构建的基于dirac残差的深度神经网络进行训练,得到训练好的网络;
步骤3,采用训练好的网络对输入的待重建原始低分辨率图像进行重建,通过网络的上部分得到原始低分辨率图像的高频特征,通过网络的下部分得到原始低分辨率图像的低频特征,结合高频特征和低频特征输出重建的超分辨率图像。
2.根据权利要求1所述基于dirac残差深度神经网络的超分辨率重建方法,其特征在于,步骤1所述特征提取网络中的卷积层有M×N个卷积核,每个卷积核的大小为3×3,特征提取网络中的激活函数为Relu。
3.根据权利要求1所述基于dirac残差深度神经网络的超分辨率重建方法,其特征在于,步骤1所述dirac参数化残差块中第一dirac卷积层有M×N个卷积核,每个卷积核的大小为3×3,第二dirac卷积层有M个卷积核,每个卷积核的大小为3×3,dirac参数化残差块中的激活函数为Relu。
4.根据权利要求1所述基于dirac残差深度神经网络的超分辨率重建方法,其特征在于,步骤2所述构建的基于dirac残差的深度神经网络采用Adam作为反向优化器进行训练。
5.根据权利要求1所述基于dirac残差深度神经网络的超分辨率重建方法,其特征在于,步骤2所述构建的基于dirac残差的深度神经网络进行训练时,采用L2损失函数:
其中,Loss表示损失函数,H(i)表示原始高分辨率图像块,表示对应的低分辨率图像重建后的高分辨图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354259.9A CN110211038A (zh) | 2019-04-29 | 2019-04-29 | 基于dirac残差深度神经网络的超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354259.9A CN110211038A (zh) | 2019-04-29 | 2019-04-29 | 基于dirac残差深度神经网络的超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110211038A true CN110211038A (zh) | 2019-09-06 |
Family
ID=67786680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910354259.9A Pending CN110211038A (zh) | 2019-04-29 | 2019-04-29 | 基于dirac残差深度神经网络的超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211038A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675320A (zh) * | 2019-09-24 | 2020-01-10 | 南京工程学院 | 一种空间参数变化及复杂场景下目标图像清晰化方法 |
CN111260558A (zh) * | 2020-01-22 | 2020-06-09 | 武汉大学 | 一种可变倍率的图像超分辨率网络模型 |
CN111402142A (zh) * | 2020-03-25 | 2020-07-10 | 中国计量大学 | 基于深度递归卷积网络的单张图像超分辨率重建方法 |
CN111402140A (zh) * | 2020-03-25 | 2020-07-10 | 中国计量大学 | 单张图像超分辨率重建***及方法 |
CN111598842A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子缺陷样本生成模型的方法、***及存储介质 |
CN111986092A (zh) * | 2020-09-07 | 2020-11-24 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及*** |
CN113096017A (zh) * | 2021-04-14 | 2021-07-09 | 南京林业大学 | 基于深度坐标注意力网络模型的图像超分辨率重建方法 |
CN113362384A (zh) * | 2021-06-18 | 2021-09-07 | 安徽理工大学环境友好材料与职业健康研究院(芜湖) | 多通道亚像素卷积神经网络的高精度工业零件测量算法 |
CN113409195A (zh) * | 2021-07-06 | 2021-09-17 | 中国标准化研究院 | 基于改进的深度卷积神经网络的图像超分辨率重建方法 |
CN113674151A (zh) * | 2021-07-28 | 2021-11-19 | 南京航空航天大学 | 一种基于深度神经网络的图像超分辨率重建方法 |
CN113793263A (zh) * | 2021-08-23 | 2021-12-14 | 电子科技大学 | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 |
CN113920008A (zh) * | 2020-07-08 | 2022-01-11 | 武汉Tcl集团工业研究院有限公司 | 图像复原方法、装置、存储介质和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104285390A (zh) * | 2012-05-14 | 2015-01-14 | 汤姆逊许可公司 | 压缩和解压缩高阶高保真度立体声响复制信号表示的方法及装置 |
CN108734660A (zh) * | 2018-05-25 | 2018-11-02 | 上海通途半导体科技有限公司 | 一种基于深度学习的图像超分辨率重建方法及装置 |
-
2019
- 2019-04-29 CN CN201910354259.9A patent/CN110211038A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104285390A (zh) * | 2012-05-14 | 2015-01-14 | 汤姆逊许可公司 | 压缩和解压缩高阶高保真度立体声响复制信号表示的方法及装置 |
CN108734660A (zh) * | 2018-05-25 | 2018-11-02 | 上海通途半导体科技有限公司 | 一种基于深度学习的图像超分辨率重建方法及装置 |
Non-Patent Citations (4)
Title |
---|
JIAHUI YU等: "Wide Activation for Efficient and Accurate Image Super-Resolution", HTTPS://ARXIV.ORG/ABS/1808.08718V2, pages 1 - 10 * |
SERGEY ZAGORUYKO等: "Diracnets Training very deep neural networks without skip connections", 《HTTPS://ARXIV.ORG/ABS/1706.00388?CONTEXT=CS》 * |
SERGEY ZAGORUYKO等: "Diracnets Training very deep neural networks without skip connections", 《HTTPS://ARXIV.ORG/ABS/1706.00388?CONTEXT=CS》, 30 June 2017 (2017-06-30) * |
SERGEY ZAGORUYKO等: "DIRACNETS: TRAINING VERY DEEP NEURAL NETWORKS WITHOUT SKIP-CONNECTIONS", HTTPS://ARXIV.ORG/PDF/1706.00388V2.PDF, pages 1 - 8 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675320A (zh) * | 2019-09-24 | 2020-01-10 | 南京工程学院 | 一种空间参数变化及复杂场景下目标图像清晰化方法 |
CN111260558A (zh) * | 2020-01-22 | 2020-06-09 | 武汉大学 | 一种可变倍率的图像超分辨率网络模型 |
CN111402142A (zh) * | 2020-03-25 | 2020-07-10 | 中国计量大学 | 基于深度递归卷积网络的单张图像超分辨率重建方法 |
CN111402140A (zh) * | 2020-03-25 | 2020-07-10 | 中国计量大学 | 单张图像超分辨率重建***及方法 |
CN111402140B (zh) * | 2020-03-25 | 2023-08-22 | 中国计量大学 | 单张图像超分辨率重建***及方法 |
CN111598842A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子缺陷样本生成模型的方法、***及存储介质 |
CN113920008A (zh) * | 2020-07-08 | 2022-01-11 | 武汉Tcl集团工业研究院有限公司 | 图像复原方法、装置、存储介质和电子设备 |
CN111986092A (zh) * | 2020-09-07 | 2020-11-24 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及*** |
CN111986092B (zh) * | 2020-09-07 | 2023-05-05 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及*** |
CN113096017A (zh) * | 2021-04-14 | 2021-07-09 | 南京林业大学 | 基于深度坐标注意力网络模型的图像超分辨率重建方法 |
CN113362384A (zh) * | 2021-06-18 | 2021-09-07 | 安徽理工大学环境友好材料与职业健康研究院(芜湖) | 多通道亚像素卷积神经网络的高精度工业零件测量算法 |
CN113409195A (zh) * | 2021-07-06 | 2021-09-17 | 中国标准化研究院 | 基于改进的深度卷积神经网络的图像超分辨率重建方法 |
CN113674151A (zh) * | 2021-07-28 | 2021-11-19 | 南京航空航天大学 | 一种基于深度神经网络的图像超分辨率重建方法 |
CN113793263A (zh) * | 2021-08-23 | 2021-12-14 | 电子科技大学 | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 |
CN113793263B (zh) * | 2021-08-23 | 2023-04-07 | 电子科技大学 | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211038A (zh) | 基于dirac残差深度神经网络的超分辨率重建方法 | |
US11537873B2 (en) | Processing method and system for convolutional neural network, and storage medium | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
CN109671023B (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN111028150B (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
CN102142137B (zh) | 基于高分辨率字典的稀疏表征图像超分辨重建方法 | |
CN109064396A (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
CN107464217B (zh) | 一种图像处理方法及装置 | |
CN108921786A (zh) | 基于残差卷积神经网络的图像超分辨率重构方法 | |
CN107123094B (zh) | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 | |
CN108961186A (zh) | 一种基于深度学习的老旧影片修复重制方法 | |
CN110136067B (zh) | 一种针对超分辨率b超影像的实时影像生成方法 | |
CN111383200B (zh) | 基于生成式对抗神经网络的cfa图像去马赛克方法 | |
CN113658057B (zh) | 一种Swin Transformer微光图像增强方法 | |
CN111696033B (zh) | 基于角点引导级联沙漏网络结构学习的真实图像超分辨率模型及方法 | |
CN109919840A (zh) | 基于密集特征融合网络的图像超分辨率重建方法 | |
CN111696035A (zh) | 一种基于光流运动估计算法的多帧图像超分辨率重建方法 | |
CN110084745A (zh) | 基于并联的稠密卷积神经网络的图像超分辨率重建方法 | |
CN111476745A (zh) | 一种进行运动模糊超分辨的多分支网络及方法 | |
Liu et al. | MMDM: Multi-frame and multi-scale for image demoiréing | |
CN114332625A (zh) | 基于神经网络的遥感图像彩色化和超分辨率方法及*** | |
CN115953294A (zh) | 一种基于浅层通道分离与聚合的单图像超分辨率重建方法 | |
CN113610707B (zh) | 一种基于时间注意力与循环反馈网络的视频超分辨率方法 | |
CN110177229B (zh) | 基于多任务对抗学习的视频转换方法、存储介质及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20190906 |