CN111353938A - 一种基于网络反馈的图像超分辨率学习方法 - Google Patents
一种基于网络反馈的图像超分辨率学习方法 Download PDFInfo
- Publication number
- CN111353938A CN111353938A CN202010132826.9A CN202010132826A CN111353938A CN 111353938 A CN111353938 A CN 111353938A CN 202010132826 A CN202010132826 A CN 202010132826A CN 111353938 A CN111353938 A CN 111353938A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- convolution
- feedback
- network
- 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 25
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000008713 feedback mechanism Effects 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012549 training 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
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 Processing (AREA)
Abstract
本发明提供一种基于网络反馈的图像超分辨率学习方法。本发明首先使用卷积网络对低分辨率图像进行处理,获得浅层特征,然后将获得的低分辨率图像的浅层特征以及前一时刻反馈网络输出的高级特征通过反馈连接作为反馈网络的输入,通过反馈网络将高级特征作为低级特征的一种校正得到一个更高级的特征。最后将反馈网络的输出通过反卷积后再通过卷积得到残差图像,将原图像通过双线性插值上采样得到的图像与残差图像相加得到超分辨率图像。本发明解决了现有的深度学习方法没有利用人类视觉***中普遍存在的反馈机制,面对多个高分辨率图像对应同一低分辨率图像,以及超分辨率缩放因子的增大图像细节无法修复的问题。
Description
技术领域
本发明涉及本发明涉及图像、视频处理技术领域,具体地说是涉及一种基于网络反馈的图像超分辨率学习方法。
背景技术
图像超分辨率重建(super resolution,SR),是指从观测到的低分辨率图像重建出相应的高分辨率图像,是计算机视觉和图像处理领域里一种重要的图像处理技术,由于图像超分辨率方法能够在一定程度上修正设备或环境对图像造成的损坏,在许多领域有着重要的应用价值,比如目标检测、医学成像、安防监控和卫星遥感等。
近年来,随着深度学习的迅速发展,深度学习被应用于各种人工智能任务,比如图像分类和目标检测等,并取得了突破性进展,研究学者们也积极地探索用深度学习来解决超分辨率问题,一种更加有效的方法被广泛用于解决图像超分辨率问题:基于深度学习的图像超分辨率方法。通过训练端到端的网络模型,直接学习低分辨率图像与高分辨率之间的映射关系.
随着提出了各种各样的基于深度学习的超分辨率方法,从早期的基于卷积神经网络的方法再到后来的基于生成对抗网络的方法,都展示了很好的性能。然而人类视觉***中普遍存在的反馈机制尚未在现有的深度学习中得到充分利用。由于总有多个高分辨率图像对应同一个低分辨率图像,因此超分辨率问题非常具有挑战性且是一个不适用问题,此外,随着超分辨率缩放因子的增大,图像丢失细节的恢复会更加复杂。因此在这里通过一种基于网络反馈的方式,用一个RNN使用其中的隐藏状态来实现信息反馈,并通过这种反馈得到高级信息,并不断迭代生成最终高分辨率图像。
发明内容
针对现有的深度学习方法没有利用人类视觉***中普遍存在的反馈机制,面对多个高分辨率图像对应同一低分辨率图像,以及超分辨率缩放因子的增大图像细节无法修复问题,本发明提出一种基于网络反馈的图像超分辨率学习方法,通过具有约束的RNN将前一时刻状态进行反馈生成具有高级信息的特征表示,并通过引入递归学习策略,由自上而下的反馈连接的递归结构提供强大的早期超分辨率重建能力,并最终生成鲁棒的超分辨率图像。
一种基于网络反馈的图像超分辨率学习方法,包括以下步骤:
步骤(1)、使用卷积网络对低分辨率图像进行处理,获得浅层特征。
将低分辨率图像输入到一个具有4×m个卷积核大小为3×3以及m个卷积核大小为1×1的卷积网络中得到浅层特征输出作为反馈网络的输入。下一时刻的低分辨率图像由下采样得到,由于为初期重建的超分辨率图像,将重建后图像通过采样得到的图像作为下一时刻迭代的输入,形成反馈提升后期重建效果。
步骤(2)、将获得的低分辨率图像的浅层特征以及前一时刻反馈网络输出的高级特征通过反馈连接作为反馈网络的输入,通过反馈网络将高级特征作为低级特征的一种校正得到一个更高级的特征。具体步骤如下:
(2.2)将输入特征通过1个由m个卷积核大小为k×k,卷积核数量为m个的反卷积层进行上采样,生成1个高分辨率特征将高分辨率特征通过1个卷积核大小为k×k,卷积核数量为m个的的卷积层进行上采样,得到细化后的高级特征
(2.3)将得到细化后的高级特征作为输入特征,在步骤(2.2)中的卷积与反卷积操作前分别加入1层由卷积核大小为1×1,卷积核数量为m个的卷积层,进行步骤(2.2)相同操作,重复G次,得到低级特征生成的高级特征向量组以及对应的细化后的特征向量组
步骤(3)、将反馈网络的输出通过反卷积后再通过卷积得到残差图像,将原图像通过双线性插值上采样得到的图像与残差图像相加得到超分辨率图像。具体步骤如下:
本发明有益效果如下:
本发明解决了现有的深度学习方法没有利用人类视觉***中普遍存在的反馈机制,面对多个高分辨率图像对应同一低分辨率图像,以及超分辨率缩放因子的增大图像细节无法修复的问题。
附图说明
图1是本发明方法流程图;
图2是本发明方法模型的具体图;
图3是本发明反馈网络的结构图;
图4是分发明反馈机制补充说明图。
具体实施方式
下面根据附图详细说明本发明,本发明的目的和效果将变得更加明显。
如图1为本发明提出的一种基于网络反馈的图像超分辨率学习方法的流程图,图2是方法模型的结构图,图3是反馈网络的结构图,图4是反馈机制补充说明图。
如图1所示其具体步骤如下:
步骤(1).使用卷积网络对低分辨率图像进行处理,获得浅层特征。
步骤(2).将获得的低分辨率图像的浅层特征以及前一时刻的反馈网络输出的高级特征输入到反馈网络中,生成细化后的高级特征。
步骤(2.2)将细化后的输入特征通过1个卷积核大小为k×k,卷积核数量为m个的反卷积层进行上采样,生成1个高分辨率特征由通过1个卷积核大小为k×k,卷积核数量为m个的卷积层进行上采样,得到细化后的高级特征如图3的b部分所示。
步骤(2.3)将得到细化后的高级特征作为输入特征,在步骤(2.2)中的卷积与反卷积操作前分别加入1层卷积核大小为1×1,卷积核数量为m个的卷积层,进行步骤(2.2)相同操作,G次,最终得到高级特征向量组以及对应的细化后的高级特征向量组如图3的c部分所示
步骤(3).将反馈网络的输出通过反卷积后再通过卷积得到残差图像,将原图像通过双线性插值上采样得到的图像与残差图像相加得到超分辨率图像。
Claims (1)
1.一种基于网络反馈的图像超分辨率学习方法,其特征在于,包括以下步骤:
步骤(1)、使用卷积网络对低分辨率图像进行处理,获得浅层特征;
将低分辨率图像输入到一个具有4×m个卷积核大小为3×3以及m个卷积核大小为1×1的卷积网络中得到浅层特征输出作为反馈网络的输入;下一时刻的低分辨率图像由下采样得到,由于为初期重建的超分辨率图像,将重建后图像通过采样得到的图像作为下一时刻迭代的输入,形成反馈提升后期重建效果;
步骤(2)、将获得的低分辨率图像的浅层特征以及前一时刻反馈网络输出的高级特征通过反馈连接作为反馈网络的输入,通过反馈网络将高级特征作为低级特征的一种校正得到一个更高级的特征;具体步骤如下:
(2.2)将输入特征通过1个由m个卷积核大小为k×k,卷积核数量为m个的反卷积层进行上采样,生成1个高分辨率特征将高分辨率特征通过1个卷积核大小为k×k,卷积核数量为m个的的卷积层进行上采样,得到细化后的高级特征
(2.3)将得到细化后的高级特征作为输入特征,在步骤(2.2)中的卷积与反卷积操作前分别加入1层由卷积核大小为1×1,卷积核数量为m个的卷积层,进行步骤(2.2)相同操作,重复G次,得到低级特征生成的高级特征向量组以及对应的细化后的特征向量组
步骤(3)、将反馈网络的输出通过反卷积后再通过卷积得到残差图像,将原图像通过双线性插值上采样得到的图像与残差图像相加得到超分辨率图像;具体步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132826.9A CN111353938A (zh) | 2020-02-29 | 2020-02-29 | 一种基于网络反馈的图像超分辨率学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132826.9A CN111353938A (zh) | 2020-02-29 | 2020-02-29 | 一种基于网络反馈的图像超分辨率学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353938A true CN111353938A (zh) | 2020-06-30 |
Family
ID=71197315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010132826.9A Pending CN111353938A (zh) | 2020-02-29 | 2020-02-29 | 一种基于网络反馈的图像超分辨率学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353938A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986085A (zh) * | 2020-07-31 | 2020-11-24 | 南京航空航天大学 | 一种基于深度反馈注意力网络***的图像超分辨率方法 |
CN112084908A (zh) * | 2020-08-28 | 2020-12-15 | 广州汽车集团股份有限公司 | 一种图像处理方法及其***、存储介质 |
CN112508794A (zh) * | 2021-02-03 | 2021-03-16 | 中南大学 | 医疗图像超分辨率重建方法及*** |
CN113781304A (zh) * | 2021-09-08 | 2021-12-10 | 福州大学 | 基于单张图像超分辨率的轻量级网络模型及处理方法 |
WO2023010831A1 (zh) * | 2021-08-03 | 2023-02-09 | 长沙理工大学 | 提高图像分辨率的方法、***、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293706A1 (en) * | 2017-04-05 | 2018-10-11 | Here Global B.V. | Deep convolutional image up-sampling |
CN109741260A (zh) * | 2018-12-29 | 2019-05-10 | 天津大学 | 一种基于深度反投影网络的高效超分辨率方法 |
CN110276721A (zh) * | 2019-04-28 | 2019-09-24 | 天津大学 | 基于级联残差卷积神经网络的图像超分辨率重建方法 |
CN110322400A (zh) * | 2018-03-30 | 2019-10-11 | 京东方科技集团股份有限公司 | 图像处理方法及装置、图像处理***及其训练方法 |
KR20190131205A (ko) * | 2018-05-16 | 2019-11-26 | 한국과학기술원 | 슈퍼 레졸루션(Super Resolution) 네트워크 처리방법 및 시스템 |
-
2020
- 2020-02-29 CN CN202010132826.9A patent/CN111353938A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293706A1 (en) * | 2017-04-05 | 2018-10-11 | Here Global B.V. | Deep convolutional image up-sampling |
CN110322400A (zh) * | 2018-03-30 | 2019-10-11 | 京东方科技集团股份有限公司 | 图像处理方法及装置、图像处理***及其训练方法 |
KR20190131205A (ko) * | 2018-05-16 | 2019-11-26 | 한국과학기술원 | 슈퍼 레졸루션(Super Resolution) 네트워크 처리방법 및 시스템 |
CN109741260A (zh) * | 2018-12-29 | 2019-05-10 | 天津大学 | 一种基于深度反投影网络的高效超分辨率方法 |
CN110276721A (zh) * | 2019-04-28 | 2019-09-24 | 天津大学 | 基于级联残差卷积神经网络的图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
ZHEN LI, JINGLEI YANG, ZHENG LIU, XIAOMIN YANG, GWANGGIL JEON, WEI WU: "Feedback Network for Image Super-Resolution", 2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), pages 1 - 5 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986085A (zh) * | 2020-07-31 | 2020-11-24 | 南京航空航天大学 | 一种基于深度反馈注意力网络***的图像超分辨率方法 |
CN112084908A (zh) * | 2020-08-28 | 2020-12-15 | 广州汽车集团股份有限公司 | 一种图像处理方法及其***、存储介质 |
CN112508794A (zh) * | 2021-02-03 | 2021-03-16 | 中南大学 | 医疗图像超分辨率重建方法及*** |
WO2023010831A1 (zh) * | 2021-08-03 | 2023-02-09 | 长沙理工大学 | 提高图像分辨率的方法、***、装置及存储介质 |
CN113781304A (zh) * | 2021-09-08 | 2021-12-10 | 福州大学 | 基于单张图像超分辨率的轻量级网络模型及处理方法 |
CN113781304B (zh) * | 2021-09-08 | 2023-10-13 | 福州大学 | 基于单张图像超分辨率的轻量级网络模型及处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903228B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
CN111353938A (zh) | 一种基于网络反馈的图像超分辨率学习方法 | |
CN111243066A (zh) | 一种基于自监督学习与生成对抗机制的人脸表情迁移方法 | |
CN109544448B (zh) | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 | |
CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
CN113096017B (zh) | 基于深度坐标注意力网络模型的图像超分辨率重建方法 | |
CN109685716B (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 | |
CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN111353940A (zh) | 一种基于深度学习迭代上下采样的图像超分辨率重建方法 | |
CN112837215B (zh) | 一种基于生成对抗网络的图像形状变换方法 | |
CN111696038A (zh) | 图像超分辨率方法、装置、设备及计算机可读存储介质 | |
KR102493492B1 (ko) | 초해상도 모델의 메타 러닝을 통한 빠른 적응 방법 및 장치 | |
Guan et al. | Srdgan: learning the noise prior for super resolution with dual generative adversarial networks | |
CN118339577A (zh) | 使用变分核自动编码器的鲁棒高效的盲超分辨率 | |
CN115713462A (zh) | 超分辨模型训练方法、图像识别方法、装置及设备 | |
Gao et al. | Bayesian image super-resolution with deep modeling of image statistics | |
CN109993701B (zh) | 一种基于金字塔结构的深度图超分辨率重建的方法 | |
CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN114332625A (zh) | 基于神经网络的遥感图像彩色化和超分辨率方法及*** | |
CN112184552B (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
CN108765297B (zh) | 基于循环训练的超分辨率重建方法 | |
CN116797456A (zh) | 图像超分辨率重建方法、***、设备和存储介质 | |
CN113538231B (zh) | 一种基于像素分布估计的单张图像超分辨重建***及方法 | |
CN116228576A (zh) | 基于注意力机制与特征增强的图像去雾方法 |
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 |