CN111402128A - 一种基于多尺度金字塔网络的图像超分辨率重建方法 - Google Patents
一种基于多尺度金字塔网络的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN111402128A CN111402128A CN202010108622.1A CN202010108622A CN111402128A CN 111402128 A CN111402128 A CN 111402128A CN 202010108622 A CN202010108622 A CN 202010108622A CN 111402128 A CN111402128 A CN 111402128A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- resolution
- features
- scale
- 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
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000003475 lamination Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research 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
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度金字塔网络的图像超分辨率重建方法,包括以下步骤:S1、对输入图像进行浅层特征提取;S2、将浅层特征通过K个多尺度残差模块进行特征融合以及特征增强,得到更丰富的深层次特征;S3、使用转置卷积对深层次特征进行上采样;S4、利用残差学习对图像进行重建;S5、将重建后的图像作为当前金字塔网络的输出,同时作为下一层金字塔网络的输入,继续采用步骤S1‑S4进行训练,以得到更高分辨率的图像。本发明采用了多尺度残差模块,对特征进行融合以得到更丰富的特征;同时采用拉普拉斯金字塔网络,以逐步上采样重建高分辨率图像;通过本发明的方法,可以重建出细节更丰富、质量更高的图像。
Description
技术领域
本发明涉及计算机视觉及图像处理技术领域,具体涉及一种基于多尺度金字塔网络的图像超分辨率重建方法。
背景技术
随着信息技术的发展,网络上的图片数量在不断的增加,图像作为人们认知世界的一个主要媒介,已经应用于各种场景。在众多的领域中,大到医疗图像领域,卫星遥感领域,小到人们相机,手机拍照等。人们对图像的画质的要求越来越高。因此提高图像的分辨率在现实生活中将有十分重要的意义。
图像超分辨率重构旨在利用一幅或者多幅低分辨率图像恢复出高分辨率图像,近年来己发展成为计算机视觉领域的研究热点之一。目前超分辨率重构算法从重构算法方面分为基于插值和基于学习两大类。基于插值的算法简单快捷,但无法满足人们日益增长的图像质量需要。基于学习的超分辨率重建方法借助额外训练样本来学习先验以降低超分辨问题的病态性,取得了较好的效果,如基于稀疏编码与基于邻域嵌入的方法。然而,这些方法仅在图像的初级特征空间上求解稀疏编码系数和学习嵌入空间,使得稀疏性与流形假设难以严格满足,直接导致了图像重构质量的下降。随着深度学习的蓬勃发展,研究人员将深度学习算法广泛应用到图像超分辨率重构上来并取得优于插值算法的重构结果。但目前主流的方法都是基于网络越深重建效果越好的理论上,随着网络深度的增加,梯度消失或者网格退化等问题依然存在,且大部分的方法都是经过一次上采样以达到指定的尺寸,这样对于重建出来的高分辨率图像质量有待提高。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于多尺度金字塔网络的图像超分辨率重建方法,该方法采用拉普拉斯金字塔网络,并融入了多尺度残差思想,通过多尺度残差模块对特征进行加强,以拉普拉斯金字塔网络逐渐上采样进行图像重建,使得重建出的图像质量更高。
本发明的目的可以通过采取如下技术方案达到:
一种基于多尺度金字塔网络的图像超分辨率重建方法,所述的图像超分辨率重建方法包括以下步骤:
S1、对输入图像进行浅层特征提取;
S2、将浅层特征通过K个多尺度残差模块进行特征融合以及特征增强,得到深层次特征;
S3、使用转置卷积对深层次特征进行上采样;
S4、利用残差学习对图像进行重建;
S5、将重建后的图像作为当前金字塔网络的输出,同时作为下一层金字塔网络的输入,继续重复采用步骤S1到步骤S4的训练,以得到更高分辨率的图像。
进一步地,所述的步骤S1过程如下:
使用一层后接非线性激活单元的3×3卷积层,从输入的低分辨率图像中提取出浅层的特征,表达式如下:
F0=σ(W1*ILR) (1)
其中,ILR表示输入的低分辨率图像,σ表示非线性激活函数ReLU,W1表示3×3卷积层的卷积核,F0表示通过卷积层提取的特征。
进一步地,S2中所述的每个多尺度残差模块包含一个特征增强单元、一个压缩单元和一个残差学习,其中,所述的特征增强单元包括2个后接非线性激活单元的3×3的卷积层和2个后接非线性激活单元的5×5的卷积层;所述的压缩单元由一层大小为1×1的卷积层组成。相比于单尺度卷积核来说,利用不同尺寸的卷积核,可以提取出不同尺度的特征,从而使滤波器可以提取和学习更加丰富的图像信息。另外,利用残差学习,可以防止梯度***与消失,使得网络更容易优化。
进一步地,所述的步骤S2过程如下:
先将步骤S1中提取的浅层特征通过特征增强单元得到两种不同的特征,再将这两种不同的特征通过压缩单元进行特征融合,融合的特征再经过一个卷积层的学习,最后与浅层特征相加构成残差块,计算过程的表达式如下:
M=W1×1*[T2,P2] (6)
B=σ(W*M) (7)
Fm=B+Fm-1 (8)
其中,T1为通过第一层3×3卷积层之后的特征,T2为通过第二层3×3卷积层之后的特征,P1为通过第一层5×5卷积层之后的特征,P2为通过第二层5×5卷积层之后的特征,σ表示非线性激活函数ReLU函数,为第一层3×3卷积层的卷积核,为第二层3×3卷积层的卷积核,为第一层5×5卷积层的卷积核,为第二层5×5卷积层的卷积核,W1×1表示1×1卷积层的卷积核,W表示最后一层学习层的卷积核,[]表示特征融合函数,M表示通过1×1卷积层融合之后的特征,B表示通过最后一层学习层得到的特征,Fm-1和Fm分别表示第m个多尺度残差块的输入和输出。
进一步地,所述的步骤S3过程如下:
使用一层转置卷积层对通过K个多尺度残差模块后的的深层次特征进行上采样,得到高分辨率图像,表达式如下:
IHR_conv=fdeconv(FK) (9)
上式中,IHR_conv为上采样之后的高分辨率图像,fdeconv为上采样操作,FK为第K个多尺度残差模块的输出。
进一步地,所述的步骤S4过程如下:
先对低分辨率图像进行双立方插值获得高分辨率的图像IHR_bicu,然后将该高分辨率图像IHR_bicu与上采样得到的高分辨率图像IHR_conv相加获得空间分辨率放大两倍的深度图IHR,表达式如下:
IHR=IHR_bicu+IHR_deconv (10)
进一步地,相比于仅仅使用一次上采样就得到指定尺寸图像的网络,用金字塔网络可以进行逐渐上采样,这样不仅可以降低网络的训练难度(尤其是对大尺度因子的训练),同时可以得到质量更高的图片。本发明中所述的金字塔网络一共包含N级,如果输入的低分辨率图像是下采样1/S倍的低分辨率图像,S是上采样比例因子,则N=log 2S;每一级将前级输出的图像重建为该级的高分辨率图像。
本发明相对于现有技术具有如下的优点及效果:
本发明通过采用多尺度残差模块,对图像提取多种特征,通过对这些特征进行融合,对特征进行加强,使得提取的特征更加丰富,通过采用金字塔网络的形式,对图像进行逐渐上采样重建,使得高分辨的图像质量更高。
附图说明
图1是本发明中公开的基于多尺度金字塔网络的图像超分辨率重建方法示意图;
图2是本发明中的多尺度残差模块框架图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例提供了一种基于多尺度金字塔网络的图像超分辨率重建方法,通过多尺度残差模块,对提取的特征进行融合加强,采用金字塔网络渐进上采样以逐步对图像进行重建,具体包括以下步骤:
S1、对输入图像进行浅层特征提取,具体为:
使用一层后接非线性激活单元的3×3卷积层,从输入的低分辨率图像中提取浅层特征,表达式如下:
F0=σ(W1*ILR) (1)
其中,ILR表示输入的低分辨率图像,σ表示非线性激活函数ReLU,W1表示3×3卷积层的卷积核,F0表示通过卷积层提取的特征。
S2、将浅层特征通过K个多尺度残差模块进行特征融合以及特征增强,得到深层次特征,具体为:
多尺度残差模块通过使用不同尺寸的卷积核,可以提取出不同尺度的特征,从而使滤波器可以提取和学习更加丰富的图像信息。如图1所示,通过将浅层特征输入由K个多尺度残差模块,可以对浅层特征进行特征加强,得到更丰富,更深层次的特征,本实施例中取K=2,但是该K的取值不构成对本发明技术方案的限制。
多尺度残差模块如图2所示,每个多尺度残差模块包含一个特征增强单元、一个压缩单元和一个残差学习,其中,特征增强单元包括2个后接非线性激活单元的3×3的卷积层和2个后接非线性激活单元的5×5的卷积层;压缩单元由一层大小为1×1的卷积层组成,残差学习的利用使得网络更容易优化。具体过程如下:
先将步骤S1中提取的浅层特征通过特征增强单元得到两种不同的特征,再将这两种不同的特征通过压缩单元进行特征融合,融合的特征再经过一个卷积层的学习,最后与浅层特征相加构成残差块;表达式如下:
M=W1×1*[T2,P2] (6)
B=σ(W*M) (7)
Fm=B+Fm-1 (8)
其中,T1为通过第一层3×3卷积层之后的特征,T2为通过第二层3×3卷积层之后的特征,P1为通过第一层5×5卷积层之后的特征,P2为通过第二层5×5卷积层之后的特征,σ表示非线性激活函数ReLU函数,为第一层3×3卷积层的卷积核,为第二层3×3卷积层的卷积核,为第一层5×5卷积层的卷积核,为第二层5×5卷积层的卷积核,W1×1表示1×1卷积层的卷积核,W表示最后一层学习层的卷积核,[]表示特征融合函数,M表示通过1×1卷积层融合之后的特征,B表示通过最后一层学习层得到的特征,Fm-1和Fm分别表示第m个多尺度残差块的输入和输出。在本实施例中,m取值为[1,2]。
S3、使用一层转置卷积层对通过2个多尺度残差模块后的深层次特征进行上采样,得到高分辨率图像,表达式如下:
IHR_conv=fdeconv(F2) (9)
上式中,IHR_conv为上采样之后的高分辨率图像,fdeconv为上采样操作,F2为第2个多尺度残差模块的输出。
S4、利用残差学习对图像进行重建,具体为:
先对低分辨率图像进行双立方插值获得高分辨率的图像IHR_bicu,然后将该高分辨率图像IHR_bicu与上采样得到的高分辨率图像IHR_conv相加获得空间分辨率放大两倍的深度图IHR,表达式如下:
IHR=IHR_bicu+IHR_deconv (10)
S5、将重建后的图像作为当前金字塔网络层的输出,同时作为下一层金字塔网络的输入,继续采用步骤S1到步骤S4的训练,以得到更高分辨率的图像。
其中,金字塔网络一共包含N级,如果输入的低分辨率图像是下采样1/S倍的低分辨率图像,S是上采样比例因子,则N=log 2S;每一级将前级输出的图像重建为该级的高分辨率图像。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于多尺度金字塔网络的图像超分辨率重建方法,其特征在于,所述的图像超分辨率重建方法包括以下步骤:
S1、对输入图像进行浅层特征提取;
S2、将浅层特征通过K个多尺度残差模块进行特征融合以及特征增强,得到深层次特征;
S3、使用转置卷积对深层次特征进行上采样;
S4、利用残差学习对图像进行重建;
S5、将重建后的图像作为当前金字塔网络的输出,同时作为下一层金字塔网络的输入,继续重复采用步骤S1到步骤S4的训练,以得到更高分辨率的图像。
2.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法,其特征在于,所述的步骤S1过程如下:
使用一层后接非线性激活单元的3×3卷积层,从输入的低分辨率图像中提取出浅层的特征,表达式如下:
F0=σ(W1*ILR) (1)
其中,ILR表示输入的低分辨率图像,σ表示非线性激活函数ReLU,W1表示3×3卷积层的卷积核,F0表示通过卷积层提取的特征。
3.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法,其特征在于,所述的每个多尺度残差模块包含一个特征增强单元、一个压缩单元和一个残差学习,其中,所述的特征增强单元包括2个后接非线性激活单元的3×3的卷积层和2个后接非线性激活单元的5×5的卷积层;所述的压缩单元由一层大小为1×1的卷积层组成。
4.根据权利要求3所述的一种基于多尺度金字塔网络的图像分辨率重建方法,其特征在于,所述的步骤S2过程如下:
先将步骤S1中提取的浅层特征通过特征增强单元得到两种不同的特征,再将这两种不同的特征通过压缩单元进行特征融合,融合的特征再经过一个卷积层的学习,最后与浅层特征相加构成残差块,计算过程的表达式如下:
M=W1×1*[T2,P2] (6)
B=σ(W*M) (7)
Fm=B+Fm-1 (8)
5.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法,其特征在于,所述的步骤S3过程如下:
使用一层转置卷积层对通过K个多尺度残差模块后的的深层次特征进行上采样,得到高分辨率图像,表达式如下:
IHR_conv=fdeconv(FK) (9)
上式中,IHR_conv为上采样之后的高分辨率图像,fdeconv为上采样操作,FK为第K个多尺度残差模块的输出。
6.根据权利要求1所述的一种基于多尺度金字塔网络的图像分辨率重建方法,其特征在于,所述的步骤S4过程如下:
先对低分辨率图像进行双立方插值获得高分辨率的图像IHR_bicu,然后将该高分辨率图像IHR_bicu与上采样得到的高分辨率图像IHR_conv相加获得空间分辨率放大两倍的深度图IHR,表达式如下:
IHR=IHR_bicu+IHR_deconv (10)
7.根据权利要求1至6任一所述的一种基于多尺度金字塔网络的图像分辨率重建方法,其特征在于,所述的金字塔网络一共包含N级,如果输入的低分辨率图像是下采样1/S倍的低分辨率图像,S是上采样比例因子,则N=log2S;每一级将前级输出的图像重建为该级的高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108622.1A CN111402128A (zh) | 2020-02-21 | 2020-02-21 | 一种基于多尺度金字塔网络的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108622.1A CN111402128A (zh) | 2020-02-21 | 2020-02-21 | 一种基于多尺度金字塔网络的图像超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402128A true CN111402128A (zh) | 2020-07-10 |
Family
ID=71430440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108622.1A Pending CN111402128A (zh) | 2020-02-21 | 2020-02-21 | 一种基于多尺度金字塔网络的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402128A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861961A (zh) * | 2020-07-25 | 2020-10-30 | 安徽理工大学 | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 |
CN112070702A (zh) * | 2020-09-14 | 2020-12-11 | 中南民族大学 | 多尺度残差特征判别增强的图像超分辨率重构***及方法 |
CN112634136A (zh) * | 2020-12-24 | 2021-04-09 | 华南理工大学 | 一种基于图像特征快速拼接的图像超分辨率方法及其*** |
CN113034381A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
CN113222821A (zh) * | 2021-05-24 | 2021-08-06 | 南京航空航天大学 | 一种面向环形靶标检测的图像超分辨率处理方法 |
CN113378972A (zh) * | 2021-06-28 | 2021-09-10 | 成都恒创新星科技有限公司 | 一种复杂场景下的车牌识别方法及*** |
CN113421187A (zh) * | 2021-06-10 | 2021-09-21 | 山东师范大学 | 一种超分辨率重建方法、***、存储介质、设备 |
CN113989800A (zh) * | 2021-12-29 | 2022-01-28 | 南京南数数据运筹科学研究院有限公司 | 一种基于改进渐进式残差网络的肠神经丛辅助识别方法 |
CN116385280A (zh) * | 2023-01-09 | 2023-07-04 | 爱芯元智半导体(上海)有限公司 | 一种图像降噪***、方法及降噪神经网络训练方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
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 |
CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
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 |
CN109993701A (zh) * | 2019-04-09 | 2019-07-09 | 福州大学 | 一种基于金字塔结构的深度图超分辨率重建的方法 |
CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
CN110473144A (zh) * | 2019-08-07 | 2019-11-19 | 南京信息工程大学 | 一种基于拉普拉斯金字塔网络的图像超分辨率重建方法 |
-
2020
- 2020-02-21 CN CN202010108622.1A patent/CN111402128A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
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 |
CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
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 |
CN109993701A (zh) * | 2019-04-09 | 2019-07-09 | 福州大学 | 一种基于金字塔结构的深度图超分辨率重建的方法 |
CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
CN110473144A (zh) * | 2019-08-07 | 2019-11-19 | 南京信息工程大学 | 一种基于拉普拉斯金字塔网络的图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
WEI-SHENG LAI 等: "Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
应自炉 等: "多尺度密集残差网络的单幅图像超分辨率重建", 《中国图象图形学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861961A (zh) * | 2020-07-25 | 2020-10-30 | 安徽理工大学 | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 |
CN111861961B (zh) * | 2020-07-25 | 2023-09-22 | 安徽理工大学 | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 |
CN112070702A (zh) * | 2020-09-14 | 2020-12-11 | 中南民族大学 | 多尺度残差特征判别增强的图像超分辨率重构***及方法 |
CN112070702B (zh) * | 2020-09-14 | 2023-10-03 | 中南民族大学 | 多尺度残差特征判别增强的图像超分辨率重构***及方法 |
CN112634136A (zh) * | 2020-12-24 | 2021-04-09 | 华南理工大学 | 一种基于图像特征快速拼接的图像超分辨率方法及其*** |
CN112634136B (zh) * | 2020-12-24 | 2023-05-23 | 华南理工大学 | 一种基于图像特征快速拼接的图像超分辨率方法及其*** |
CN113034381B (zh) * | 2021-02-08 | 2022-06-21 | 浙江大学 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
CN113034381A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
CN113222821A (zh) * | 2021-05-24 | 2021-08-06 | 南京航空航天大学 | 一种面向环形靶标检测的图像超分辨率处理方法 |
CN113421187A (zh) * | 2021-06-10 | 2021-09-21 | 山东师范大学 | 一种超分辨率重建方法、***、存储介质、设备 |
CN113421187B (zh) * | 2021-06-10 | 2023-01-03 | 山东师范大学 | 一种超分辨率重建方法、***、存储介质、设备 |
CN113378972A (zh) * | 2021-06-28 | 2021-09-10 | 成都恒创新星科技有限公司 | 一种复杂场景下的车牌识别方法及*** |
CN113378972B (zh) * | 2021-06-28 | 2024-03-22 | 成都恒创新星科技有限公司 | 一种复杂场景下的车牌识别方法及*** |
CN113989800A (zh) * | 2021-12-29 | 2022-01-28 | 南京南数数据运筹科学研究院有限公司 | 一种基于改进渐进式残差网络的肠神经丛辅助识别方法 |
CN116385280A (zh) * | 2023-01-09 | 2023-07-04 | 爱芯元智半导体(上海)有限公司 | 一种图像降噪***、方法及降噪神经网络训练方法 |
CN116385280B (zh) * | 2023-01-09 | 2024-01-23 | 爱芯元智半导体(上海)有限公司 | 一种图像降噪***、方法及降噪神经网络训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402128A (zh) | 一种基于多尺度金字塔网络的图像超分辨率重建方法 | |
CN109903226B (zh) | 基于对称残差卷积神经网络的图像超分辨率重建方法 | |
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 | |
CN110992270A (zh) | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 | |
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 | |
CN108475415B (zh) | 用于图像处理的方法和*** | |
WO2022110638A1 (zh) | 人像修复方法、装置、电子设备、存储介质和程序产品 | |
CN112750082B (zh) | 基于融合注意力机制的人脸超分辨率方法及*** | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN113139907A (zh) | 视觉分辨率增强的生成方法、***、装置及存储介质 | |
CN109146788A (zh) | 基于深度学习的超分辨率图像重建方法和装置 | |
CN110689483B (zh) | 基于深度残差网络的图像超分辨率重建方法及存储介质 | |
CN112801901A (zh) | 基于分块多尺度卷积神经网络的图像去模糊算法 | |
CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及*** | |
CN111768340A (zh) | 一种基于密集多路径网络的超分辨图像重构方法和*** | |
CN112700460B (zh) | 图像分割方法及*** | |
CN114331831A (zh) | 一种轻量化的单张图像超分辨率重建方法 | |
CN116433914A (zh) | 一种二维医学图像分割方法及*** | |
CN113554058A (zh) | 视觉目标图像分辨率增强的方法、***、装置及存储介质 | |
CN104899835A (zh) | 基于盲模糊估计与锚定空间映射的图像超分辨处理方法 | |
CN112949636A (zh) | 一种车牌超分辨率识别方法、***及计算机可读介质 | |
CN111654621B (zh) | 一种基于卷积神经网络模型的双焦相机连续数字变焦方法 | |
CN115936992A (zh) | 一种轻量级Transformer的垃圾图像超分辨方法及*** | |
CN111402140B (zh) | 单张图像超分辨率重建***及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |