CN110706154B - 一种基于层次化残差神经网络的图像超分辨率方法 - Google Patents
一种基于层次化残差神经网络的图像超分辨率方法 Download PDFInfo
- Publication number
- CN110706154B CN110706154B CN201910802779.1A CN201910802779A CN110706154B CN 110706154 B CN110706154 B CN 110706154B CN 201910802779 A CN201910802779 A CN 201910802779A CN 110706154 B CN110706154 B CN 110706154B
- Authority
- CN
- China
- Prior art keywords
- residual error
- module
- wide
- activation
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 230000004913 activation Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011439 discrete element method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Discrete Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于层次化残差神经网络的图像超分辨率方法,采用层次化残差学习策略和双域增强模块,构建层次化残差神经网络模型,将其用于学习低分辨率和高分辨率图像之间的复杂映射关系,然后利用训练好的网络模型从输入的低分辨率图像重建出高分辨率图像;所述的层次化残差神经网络模型由特征提取层、特征映射层和特征融合层组成,其中,特征提取层由卷积模块构成,特征映射层由多个双域增强模块级联构成,特征融合层由上采样模块和卷积模块构成。该方法能够重建出更好的高分辨率图像,并且具备网络模型参数量较小和计算效率高的优点。
Description
技术领域
本发明属于图像处理和机器视觉等技术领域,具体涉及一种基于层次化残差神经网络的图像超分辨率方法。
背景技术
现有数码相机、摄像机等成像设备采集图像的分辨率时常偏低,严重影响了后续图像分析与理解。
传统图像超分辨率方法采用手工刻画特征建模,难以描述现实复杂的超分辨率问题,限制了其性能和应用范围。
现有基于深度学习的图像超分辨率方法通过增大网络深度和共享参数提升性能,但造成网络模型过于庞大,难以用于实际场景。而轻量型的超分辨率方法的性能较差。这些因素制约了现有图像超分辨率方法在成像***的应用。
随着成像科学与技术的不断进步,人们对成像设备采集图像的分辨率要求越来越高。然而,由于成像设备的固有限制和成像环境的干扰,实际采集图像的分辨率时常偏低,但现实中通常需要高分辨率图像。例如,在安防监控领域中,像元尺寸、曝光时间、焦距等成像参数设置决定了图像分辨率,但同时受噪声、像差、运动模糊、光照变化等影响。作为一种常用的软件解决方案,图像超分辨率直接从退化的低分辨率图像中重建出高分辨率图像,不需要改变现有图像采集过程,广泛应用于图像处理和机器视觉等领域,尤其医学影像、遥感影像和安防监控。
过去40多年,尽管出现大量图像超分辨率方法,其中包括基于插值的方法、基于重建的方法和基于学习的方法,但它们的效果不够理想。近年,基于深度学习的方法取得较好的效果,其性能超过传统方法,引起人们的极大重视。现有基于深度学习的图像超分辨率方法通常是通过加大网络深度来提高性能,但仍不能满足现实中很多应用场景的需求,例如,从3层的卷积神经网络SRCNN 到160层以上的多尺度深层超分辨率网络MDSR。这些网络模型的深度和性能显著提升,但由于梯度***或消失,深层网络模型训练难度增加。随后出现的基于极深卷积网络的高精度超分辨率方法VDSR和基于深度递归卷积网络的超分辨率方法DRCN通过引入残差学习改善网络性能,但无法使用不同网络分层信息。接着,一种基于持久内存网络的图像复原方法MemNet利用记忆块构建网络模型,但存在局部卷积层不能直接访问后续网络层的缺点。密集块能够提取深层网络的多层特征,但增加了网络训练的难度。基于残差密集网络的超分辨率方法RDN通过引入残差学习改善网络训练的收敛性,但网络深度较大。基于级联残差网络的轻量型超分辨率方法CARN通过牺牲少许性能降低网络深度和计算复杂度。虽然这些方法取得较好的效果,但它们缺乏高效的网络模型,并且性能仍不能满足实际应用需求。
发明内容
针对现有技术存在的缺陷或不足,本发明的目的在于,提供一种基于层次化残差神经网络的图像超分辨率方法,用于学习低分辨率和高分辨率图像之间的复杂映射,将训练好的网络模型用于高分辨率图像重建,促进超分辨率技术在医学影像、遥感影像和安防监控等领域的推广与应用。
为了实现上述任务,本发明采取如下的技术解决方案:
一种基于层次化残差神经网络的图像超分辨率方法,其特征在于,采用层次化残差学习策略和双域增强模块,构建层次化残差神经网络模型,将其用于学习低分辨率和高分辨率图像之间的复杂映射关系,然后利用训练好的网络模型从输入的低分辨率图像重建出高分辨率图像;
所述的层次化残差神经网络模型由特征提取层、特征映射层和特征融合层组成,其中,特征提取层由卷积模块构成,特征映射层由多个双域增强模块级联构成,特征融合层由上采样模块和卷积模块构成。
根据本发明,所述双域增强模块由3个宽激活残差密集块、2个卷积模块、 1个反向离散余弦变换和跳连接组成;双域增强模块首先利用两个级联的宽激活残差密集块和单个宽激活残差密集块分别对空域特征和频域特征进行映射,其次使用反向离散余弦变换将频域输出特征转换到空域并与空域输出特征拼接,然后通过卷积模块送入后一级双域增强模块,最后利用外层网络残差学习改善网络性能和特征映射效果;
所述宽激活残差密集块由3个宽激活残差模块、1个卷积模块和跳连接组成,宽激活残差密集块利用前馈方式和密集块提取更多特征,采用尺寸为1×1 的卷积模块保证输入特征通道数和输出特征通道数一致,从而改善中层网络残差学习效果;
所述宽激活残差模块由2个卷积模块、1个指数线性单元和跳连接组成,宽激活残差模块使用宽激活方式强化内层网络残差学习效果,利用指数线性激活函数修正映射特征,实现特征信息提取。
与现有技术相比,本发明的基于层次化残差神经网络的图像超分辨率方法,能够重建出更好的高分辨率图像,并且具备网络模型参数量较小和计算效率高的优点。其中的双域增强模块可以有效挖掘空域和频域的互补信息,层次化残差学习策略改善了网络信号前向传播和反向传播,设计的灵活高效层次化残差神经网络模型,能够恢复出更多细微结构,提高了图像超分辨率重建效果。此外,实验结果验证了层次化残差学习策略和双域增强模块的有效性和优越性。
附图说明
图1是层次化残差神经网络模型的流程结构图;
图2是双域增强模块(a图)、宽激活残差密集块(b图)和宽激活残差模块(c图)的网络结构图;
以下结合附图和实施例对本发明作进一步的详细说明。
具体实施方式
本实施例给出一种基于层次化残差神经网络的图像超分辨率方法,涉及网络结构、图像预处理和实现细节等三个部分。该方法采用层次化残差学习策略和双域增强模块,构建层次化残差神经网络模型,将其用于学习低分辨率和高分辨率图像之间的复杂映射关系,然后利用训练好的网络模型从输入的低分辨率图像重建出高分辨率图像。
图1是图像超分辨率重建模型的网络结构图,由特征提取层、特征映射层和特征融合层组成,其中特征提取层由卷积(Conv)模块构成,特征映射层由多个双域增强模块(DEM)级联构成,特征融合层由上采样(Upsample)模块和卷积 (Conv)模块构成。
1)网络结构
图像超分辨率重建模型采用了五种操作:正向离散余弦变换(DCT)、反向离散余弦变换(IDCT)、卷积(Conv)、拼接(Concat)和作为激活函数的指数线性单元(ELU)。其中,DCT和IDCT用于空间域和频域的相互转换。从图1可知,针对输入的低分辨率图像,所述图像超分辨率重建模型建立在层次化残差学习策略的基础上,首先利用尺寸为k1×k1的卷积模块提取特征,其次将提取的空间域特征和频域特征送入由多个双域增强模块构成的特征映射层,然后把映射特征与输入图像的残差送入由上采样和卷积模块构成的特征融合层,最后输出高分辨率图像,其中,层次化残差学习策略分别利用双域增强模块(DEM)、宽激活残差密集块(WRDB)和宽激活残差模块(WRB)实现外层、中层和内层网络残差学习,改善特征映射效果和超分辨率网络性能。
(1)双域增强模块(DEM)
双域增强模块(DEM)由3个宽激活残差密集块(WRDB)、2个卷积模块 (Conv)、1个反向离散余弦变换(IDCT)和跳连接组成,其网络结构如图2(a) 所示。
所述双域增强模块(DEM)首先利用两个级联的WRDB和单个WRDB分别对空域特征和频域特征进行映射,其次使用反向离散余弦变换(IDCT)将频域输出特征转换到空域并与空域输出特征拼接,然后通过卷积模块送入后一级双域增强模块(DEM),最后利用外层网络残差学习改善网络性能和特征映射效果。
(2)宽激活残差密集块(WRDB)
宽激活残差密集块(WRDB)由3个宽激活残差模块(WRB)、1个卷积模块和跳连接组成,其网络结构如图2(b)所示。
该宽激活残差密集块(WRDB)利用前馈方式和密集块提取更多特征,采用尺寸为1×1的卷积模块保证输入特征通道数和输出特征通道数一致,从而改善中层网络残差学习效果。
(3)宽激活残差模块(WRB):
宽激活残差模块(WRB)由2个卷积模块(Conv)、1个指数线性单元(ELU) 和跳连接组成,其网络结构如图2(c)所示。
所述宽激活残差模块(WRB)使用宽激活方式强化内层网络残差学习效果,利用指数线性激活函数(ELU)修正映射特征,实现特征信息提取。
2)图像预处理
采用数据扩充技术,例如翻转和旋转等操作,对训练图像进行预处理,从而增加训练数据样本容量和多样性,提高模型的泛化能力。
3)实现细节
对于输入低分辨率图像X,上述网络模型旨在通过学***均绝对误差最小化(即L1范数)构建损失函数,提出层次化残差学习策略改善网络的性能和收敛性。
为了最小化损失函数,本实施例选用自适应矩估计(Adam)优化器训练网络模型,其中Adam参数配置如下:
β1=0.9,β2=0.999,eps=1e-08。
按照本实施例的基于层次化残差神经网络的图像超分辨率方法,对当今常用的5个公开数据集(Set5、Set14、BSD100和Urban100),申请人分别开展放大倍数为2、3和4的测试实验,实验结果如下表所示。
从表中可以看出,本实施例的基于层次化残差神经网络的图像超分辨率方法,能够重建出更好的高分辨率图像,并且网络模型参数量较小和计算效率高。其中的双域增强模块可以有效挖掘空域和频域的互补信息,层次化残差学习策略改善了网络信号前向传播和反向传播,设计的灵活高效网络模型能够恢复出更多细微结构,提高了图像超分辨率重建效果。实验结果验证了层次化残差学习策略和双域增强模块的有效性和优越性。
Claims (1)
1.一种基于层次化残差神经网络的图像超分辨率方法,其特征在于,采用层次化残差学习策略和双域增强模块,构建层次化残差神经网络模型,将其用于学习低分辨率和高分辨率图像之间的复杂映射关系,然后利用训练好的网络模型从输入的低分辨率图像重建出高分辨率图像;
所述的层次化残差神经网络模型由特征提取层、特征映射层和特征融合层组成,其中,特征提取层由卷积模块构成,特征映射层由多个双域增强模块级联构成,特征融合层由上采样模块和卷积模块构成;
所述双域增强模块由3个宽激活残差密集块、2个卷积模块、1个反向离散余弦变换和跳连接组成;双域增强模块首先利用两个级联的宽激活残差密集块和单个宽激活残差密集块分别对空域特征和频域特征进行映射,其次使用反向离散余弦变换将频域输出特征转换到空域并与空域输出特征拼接,然后通过卷积模块送入后一级双域增强模块,最后利用外层残差学习改善网络性能和特征映射效果;
所述宽激活残差密集块由3个宽激活残差模块、1个卷积模块和跳连接组成,宽激活残差密集块利用前馈方式和密集块提取更多特征,采用尺寸为1×1的卷积模块保证输入特征通道数和输出特征通道数一致,从而改善中层网络残差学习效果;
所述宽激活残差模块由2个卷积模块、1个指数线性单元和跳连接组成,宽激活残差模块使用宽激活方式强化内层网络残差学习效果,利用指数线性激活函数修正映射特征,实现特征信息提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802779.1A CN110706154B (zh) | 2019-08-28 | 2019-08-28 | 一种基于层次化残差神经网络的图像超分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802779.1A CN110706154B (zh) | 2019-08-28 | 2019-08-28 | 一种基于层次化残差神经网络的图像超分辨率方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110706154A CN110706154A (zh) | 2020-01-17 |
CN110706154B true CN110706154B (zh) | 2021-08-31 |
Family
ID=69194117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910802779.1A Active CN110706154B (zh) | 2019-08-28 | 2019-08-28 | 一种基于层次化残差神经网络的图像超分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706154B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445392B (zh) * | 2020-03-20 | 2023-09-15 | Oppo广东移动通信有限公司 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
CN113449756B (zh) * | 2020-03-26 | 2022-08-16 | 太原理工大学 | 一种基于改进的DenseNet的多尺度图像识别方法和装置 |
CN112330540A (zh) * | 2020-11-08 | 2021-02-05 | 哈尔滨理工大学 | 一种基于多尺度优化的图像超分辨率方法 |
CN112465701B (zh) * | 2020-11-26 | 2023-08-29 | 上海健康医学院 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
CN113902618B (zh) * | 2021-10-09 | 2024-03-29 | 普达迪泰(天津)智能装备科技有限公司 | 一种基于多模态空间滤波的图像超分算法 |
CN114331842B (zh) * | 2021-12-28 | 2024-04-05 | 武汉大学 | 结合地形特征的dem超分辨率重建方法 |
CN114549673B (zh) * | 2022-02-25 | 2023-06-23 | 电子科技大学 | 一种基于学习频域信息预处理图像的图像压缩方法 |
CN117291802B (zh) * | 2023-09-27 | 2024-08-02 | 华北电力大学(保定) | 一种基于复合网络结构的图像超分辨率重建方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3319039A1 (en) * | 2016-11-07 | 2018-05-09 | UMBO CV Inc. | A method and system for providing high resolution image through super-resolution reconstruction |
CN108921786A (zh) * | 2018-06-14 | 2018-11-30 | 天津大学 | 基于残差卷积神经网络的图像超分辨率重构方法 |
CN109636769A (zh) * | 2018-12-18 | 2019-04-16 | 武汉大学 | 基于双路密集残差网络的高光谱和多光谱图像融合方法 |
CN109829855A (zh) * | 2019-01-23 | 2019-05-31 | 南京航空航天大学 | 一种基于融合多层次特征图的超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778671B (zh) * | 2015-04-21 | 2017-09-22 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
-
2019
- 2019-08-28 CN CN201910802779.1A patent/CN110706154B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3319039A1 (en) * | 2016-11-07 | 2018-05-09 | UMBO CV Inc. | A method and system for providing high resolution image through super-resolution reconstruction |
CN108921786A (zh) * | 2018-06-14 | 2018-11-30 | 天津大学 | 基于残差卷积神经网络的图像超分辨率重构方法 |
CN109636769A (zh) * | 2018-12-18 | 2019-04-16 | 武汉大学 | 基于双路密集残差网络的高光谱和多光谱图像融合方法 |
CN109829855A (zh) * | 2019-01-23 | 2019-05-31 | 南京航空航天大学 | 一种基于融合多层次特征图的超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
基于残差学习的图像超分辨率重建;魏雪琦;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190215(第02期);I138-2034 * |
基于深度学习的图像超分辨率重建算法研究;段君毅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190715(第07期);I138-1259 * |
Also Published As
Publication number | Publication date |
---|---|
CN110706154A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706154B (zh) | 一种基于层次化残差神经网络的图像超分辨率方法 | |
CN115222601A (zh) | 基于残差混合注意力网络的图像超分辨率重建模型及方法 | |
CN111080541B (zh) | 基于比特分层和注意力融合机制的彩色图像去噪方法 | |
CN111105352A (zh) | 超分辨率图像重构方法、***、计算机设备及存储介质 | |
CN109949222B (zh) | 基于语义图的图像超分辨率重建方法 | |
CN112529776B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
Liu et al. | Single image super resolution techniques based on deep learning: Status, applications and future directions | |
CN113724134B (zh) | 一种基于残差蒸馏网络的航拍图像盲超分辨率重建方法 | |
CN111462208A (zh) | 一种基于双目视差和外极线约束的无监督深度预测方法 | |
CN116205789A (zh) | 基于通道融合自注意力机制的单幅图像超分辨率重建方法 | |
CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
Ai et al. | Single image super-resolution via residual neuron attention networks | |
CN109272450B (zh) | 一种基于卷积神经网络的图像超分方法 | |
Shuai et al. | Accurate image super-resolution using cascaded multi-column convolutional neural networks | |
WO2022141660A1 (zh) | 基于神经网络的高分辨率图像复原方法及*** | |
Zhang et al. | Enhanced visual perception for underwater images based on multistage generative adversarial network | |
CN117593199A (zh) | 一种基于高斯先验分布自注意力的双流遥感图像融合方法 | |
CN106056554B (zh) | 一种梯度域卷积稀疏编码的磁共振快速成像方法 | |
Sun et al. | Two-stage deep single-image super-resolution with multiple blur kernels for Internet of Things | |
CN116309066A (zh) | 一种超分辨率成像方法及装置 | |
Shin et al. | LoGSRN: Deep super resolution network for digital elevation model | |
CN116128722A (zh) | 基于频域-纹理特征融合的图像超分辨率重建方法及*** | |
CN106846286B (zh) | 基于多种互补先验的视频超分辨率重建算法 | |
Zhang et al. | Research on image super-resolution reconstruction based on deep learning | |
CN112907456B (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |