CN111415311A - 资源节约型图像质量增强模型 - Google Patents

资源节约型图像质量增强模型 Download PDF

Info

Publication number
CN111415311A
CN111415311A CN202010231334.5A CN202010231334A CN111415311A CN 111415311 A CN111415311 A CN 111415311A CN 202010231334 A CN202010231334 A CN 202010231334A CN 111415311 A CN111415311 A CN 111415311A
Authority
CN
China
Prior art keywords
quality
image
quality enhancement
enhanced
enhancement
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.)
Granted
Application number
CN202010231334.5A
Other languages
English (en)
Other versions
CN111415311B (zh
Inventor
徐迈
幸群亮
关振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202010231334.5A priority Critical patent/CN111415311B/zh
Publication of CN111415311A publication Critical patent/CN111415311A/zh
Application granted granted Critical
Publication of CN111415311B publication Critical patent/CN111415311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及一种资源节约型图像质量增强模型。其中，该模型包括：质量增强模块以及质量评估模块，其中：质量增强模块包括多个层级的质量增强单元，根据质量增强单元的层级对输入图像进行递进式优化；质量评估模块，用于分别对质量增强单元的图像优化结果进行判断，在图像优化结果符合预设条件时，输出增强图像，实现了在递进式增强图像的同时，评估已增强图像的质量，在图像的质量达到预设质量阈值的情况下，则结束增强，输出已增强图像。本发明解决了由于相关技术中针对不同质量的压缩图像需要分别训练模型和增强，从而无法实现图片盲质量增强的技术问题，同时节约了计算资源。

Description

资源节约型图像质量增强模型
技术领域
本发明涉及计算机领域，具体涉及一种资源节约型图像质量增强模型。
背景技术
目前图像(图像和视频)***式增长，为了缓解图像***带来的带宽资源受限问题，图像和视频的有损压缩技术被广泛应用，例如JPEG，JPEG2000和HEVC。然而，压缩图像和视频会受到压缩伪影的影响，例如块效应，振铃效应和模糊。压缩伪影恶化了用户体验，降低了视觉任务的精度，例如压缩图像分类任务。因此，压缩图像的质量增强是近年来的热点领域。
为了增强压缩图像的质量，大多数方法都需要同时训练一定数量的模型。这是当压缩图像的质量不同时，对应的增强模型也应不同。例如，在HEVC视频压缩标准中，量化参数(Quality parameter，QP)是控制压缩程度和质量的重要参数。因此针对HEVC压缩图像，大多数方法都针对不同的QP分别训练模型。这样做主要有两点缺陷：(1)训练大量模型需要消耗大量的计算资源；(2)没有考虑压缩图像的质量差异：每一个模型的结构是相同的，计算复杂度也是相同的。直觉上，我们只需要简单增强高质量压缩图像的质量，就可以达到较为理想的增强效果；同时，我们需要对低质量压缩图像进行更为复杂的增强。更进一步，这些不同复杂度的增强推理流程(或网络结构)可以在一定程度上共享。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种资源节约型图像质量增强模型，以至少解决由于相关技术中针对不同质量的压缩图像需要分别训练模型和增强，从而无法实现图片盲质量增强的技术问题，同时节约了计算资源。
根据本发明实施例的一个方面，提供了一种资源节约型图像质量增强模型，所述模型包括质量增强模块以及质量评估模块，其中：所述质量增强模块包括多个层级的质量增强单元，根据质量增强单元的层级对输入图像进行递进式优化；所述质量评估模块，用于分别对所述质量增强单元的图像优化结果进行判断，在所述图像优化结果符合预设条件时，输出增强图像。
进一步地，所述质量增强模块包括嵌套的N+1层级U-Net，所述嵌套的N+1层级U-Net中嵌套有N个U-Net，其中，N为正整数。
进一步地，不同层级的U-Net之间存在稠密连接。
进一步地，所述质量评估模块，用于对所述U-Net的图像优化结果判断，在当前层级的质量增强单元的图像优化结果不符合预设条件时，对下一层级的质量增强单元的图像优化结果进行判断。
进一步地，所述质量评估模块具体用于：根据所述图像优化结果与所述输入图像的图像特征得到所述增强图像；在所述增强图像的质量评分大于或等于预设分数阈值的情况下，输出所述增强图像。
进一步地，所述质量评估模块具体用于：通过评估图像纹理块的平滑程度以及平滑块的块效应强度，得到质量评分；根据所述质量评分与预设分数阈值判断是否输出所述增强图像。
在本发明实施例的资源节约型图像质量增强模型中，模型包括质量增强模块以及质量评估模块，其中：质量增强模块包括多个层级的质量增强单元，根据质量增强单元的层级对输入图像进行递进式优化；质量评估模块，用于分别对质量增强单元的图像优化结果进行判断，在图像优化结果符合预设条件时，输出增强图像，实现了在递进式增强图像的同时，评估已增强图像的质量，在图像的质量达到预设质量阈值的情况下，则结束增强，输出已增强图像。从而实现了针对不同质量的图像进行适应性质量增强的技术效果，进而解决了由于相关技术中针对不同质量的压缩图像需要分别训练模型和增强，从而无法实现图片盲质量增强的技术问题，同时节约了计算资源。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种可选的资源节约型图像质量增强模型的示意图；
图2是根据本发明实施例的一种可选的U-Net结构的示意图；
图3是根据本发明实施例的一种可选的质量增强模块的示意图；
图4是根据本发明实施例的又一种可选的资源节约型图像质量增强模型的示意图。
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的一部分实施例，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的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。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
根据本发明实施例，提供了一种资源节约型图像质量增强模型，如图1所示，该模型包括质量增强模块10以及质量评估模块20，其中：
1)质量增强模块10包括多个层级的质量增强单元100，根据质量增强单元100的层级对输入图像进行递进式优化；
2)质量评估模块20，用于分别对质量增强单元100的图像优化结果进行判断，在图像优化结果符合预设条件时，输出增强图像。
需要说明的是，在图1中，质量增强单元100的下标为质量增强单元当前的层级，n为正整数。在本实施例中，首先将输入图像输入到质量增强模块10中，按照质量增强单元100的层级依次对输入图像进行递进式优化，每个质量增强单元100在对输入图像进行优化后，将图像优化结果输入到质量评估模块20中，质量评估模块20对图像优化结果进行判断，在图像优化结果符合预设条件时，输出增强图像。
在具体的应用场景中，在质量评估模块20判断当前层级质量增强单元100的图像优化结果不符合预设条件时，则获取下一层级质量增强单元100的图像优化结果，在下一层质量增强单元100的图像优化结果，在下一层质量增强单元100的图像优化结果符合预设条件时，则输出图像，否则，则继续上述流程。其中，在各个质量增强单元100均不符合预设条件时，则输出最后一层质量增强单元100的图像优化结果。
在本实施例中，质量增强单元100输出的是图像增强残差，用于对输入图像进行增强，图像增强残差与输入图像进行相加得到增强图像，质量评估模块20判断增强图像是否达到预先设置的质量阈值。若达到，则确定质量增强单元100的符合预设条件，结束图像增强，输出增强图像；若否，则获取下一层级质量增强单元100的图像优化结果。
进一步地，在本实施例中，质量增强模块包括嵌套的N+1层级U-Net，U嵌套的N+1层级U-Net中嵌套有N个U-Net，其中，N为正整数。
在具体的应用场景中，U-Net网络是一个基于CNN的图像分割网络。在一个例子中，如图2所示的最小2层级的U-net结构的编码通路，输入图像首先输入至卷积层C(1,1)，得到特征图F(1,1)，F(1,1)经过降采样输入至卷积层C(2,1)，得到特征图F(2,1)，特征图F(2,1)经过升采样再输入至卷积层C(1,2)，得到特征图F(1,2)，F(1,2)为U-Net的输出。
在本实施例的一个例子中，如图3所示，在该质量增强模块中，N取值为5。质量增强模块包括嵌套的6层级U-Net结构，主干部分是一个嵌套的U-Net结构，卷积层C(1,1)和卷积层C(2,1)可以看作是最小的2层级U-Net结构，卷积层C(1,1)、卷积层C(2,1)和卷积层C(3,1)可以看作为3层级U-Net结构，以此类推，卷积层C(1,1)至卷积层可以C(6,1)看作为6层级U-Net结构。
进一步地，在本实施例中，不同层级的U-Net之间存在稠密连接。
在具体的应用场景中，在嵌套U-Net结构的基础上，在不同层级的U-Net结构之间增加了稠密连接。仍以图3所示的质量增强模块为例进行说明，以质量增强模块中的2层级和3层级的U-Net为例，特征图F(1,1)和特征图F(1,2)首先进行通道拼接，然后共同输入卷积C(1,3)，产生特征图F(1,3)。该质量增强模块中的其余稠密连接同理：箭头指向某卷积层的所有特征图首先进行通道拼接，然后作为一个整体输入至该卷积层。
可选地，在本实施例中，质量评估模块，用于对U-Net的图像优化结果判断，在当前层级的质量增强单元的图像优化结果不符合预设条件时，对下一层级的质量增强单元的图像优化结果进行判断。
进一步可选地，在本实施例中，质量评估模块具体用于：根据图像优化结果与输入图像的图像特征得到增强图像；在增强图像的质量评分大于或等于预设分数阈值的情况下，输出增强图像。
在一种优选方案中，如图4所示的资源节约型图像质量增强模型中，包括质量增强模块40以及质量评估模块42，其中，质量增强模块40中为一个N+1层级嵌套U-Net结构，质量评估模块42中包括N个卷积层以及质量评估单元，其中N个卷积层分别与质量增强模块40中的N个质量增强单元一一分别对应连接，卷积层对质量增强单元的图像优化结果进行处理后，与输入图像点点相加得到增强图像，然后将增强图像输入值质量评估单元进行评估。
在一个例子中，如图4所示的资源节约型图像质量增强模型中，N取值为5，其中，以2层级U-Net结构为例进行说明，输入图像Sin首先输入至卷积层C(1,1)，得到特征图F(1,1)，F(1,1)经过降采样输入至卷积层C(2,1)，得到特征图F(2,1)，特征图F(2,1)经过升采样再输入至卷积层C(1,2)，得到特征图F(1,2)，F(1,2)经过质量评估模块42中的卷积层C(0,2)，得到特征图F(0,2)，也即增强残差R2，输入图像Sin与其点点相加得到增强图像：
S(out,2)＝Sin+R2 (1)
质量评估模块42则对增强图像进行评估，若增强图像通过质量评估模块42的评估，否则，则执行层级3的U-Net推导流程，得到S(out,3)，并送入质量评估模块42进行评估。在增强图像S(out,3)评估未通过的情况下，可以步进式执行层级为4、5或6的U-Net推导流程。
作为一种优选地技术方案，若执行层级为6的U-Net推导流程，那么所得到的S(out,6)将不再经过质量评估模块42进行评估，而是直接输出。经过该优选方案，实现了提前退出机制，节约了资源。
可选地，在本实施例中，资源节约型图像质量增强模型的训练过程中，同时监督所有输出端：
Figure BDA0002429382030000061
其中，lossj是第j个出口的损失，定义为该输出端输出图像与原压缩图像的均方误差：
Figure BDA0002429382030000071
而wj是该输出端的相对权重，应根据实际经验进行确定。例如，在确定要在低层级U-Net的浅出口输出高质量压缩图像的增强图像，当训练样本为高质量压缩图像时，将浅出口的权值设置得比深出口的较大一些。训练可采用Adam等优化算法。初始学习率可设为1×10-4。
此外，在具体的应用场景中，以图3中的质量增强模块为例进行说明，
Figure BDA0002429382030000072
由两个32×3×3卷积层组成。降采样由一个32×1×1卷积层实现，步长为2。升采样由步长为2的转置卷积层实现，其滤波器尺寸为32×2×2。卷积层之间是ReLU非线性化激活层。
进一步地，在本实施例中，质量评估模块具体用于：通过评估图像纹理块的平滑程度以及平滑块的块效应强度，得到质量评分；根据质量评分与预设分数阈值判断是否输出增强图像。
在具体的应用场景中，针对图像的质量评估任务，采用切比雪夫矩评估纹理块的平滑成都以及平滑块的块效应强度，并综合二者得到压缩图像的质量评分。
通过本实施例中提出的资源节约型图像质量增强模型，该模型包括质量增强模块以及质量评估模块，其中：质量增强模块包括多个层级的质量增强单元，根据质量增强单元的层级对输入图像进行递进式优化；质量评估模块，用于分别对质量增强单元的图像优化结果进行判断，在图像优化结果符合预设条件时，输出增强图像，实现了在递进式增强图像的同时，评估已增强图像的质量，在图像的质量达到预设质量阈值的情况下，则结束增强，输出已增强图像。从而实现了针对不同质量的图像进行适应性质量增强的技术效果，进而解决了由于相关技术中针对不同质量的压缩图像需要分别训练模型和增强，从而无法实现图片盲质量增强的技术问题，同时节约了计算资源。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种资源节约型图像质量增强模型，其特征在于，所述模型包括质量增强模块以及质量评估模块，其中：
所述质量增强模块包括多个层级的质量增强单元，根据质量增强单元的层级对输入图像进行递进式优化；
所述质量评估模块，用于分别对所述质量增强单元的图像优化结果进行判断，在所述图像优化结果符合预设条件时，输出增强图像。
2.根据权利要求1所述的模型，其特征在于，所述质量增强模块包括嵌套的N+1层级U-Net，所述U嵌套的N+1层级U-Net中嵌套有N个U-Net，
其中，N为正整数。
3.根据权利要求2所述的模型，其特征在于，不同层级的U-Net之间存在稠密连接。
4.根据权利要求2所述的模型，其特征在于，所述质量评估模块，用于对所述U-Net的图像优化结果判断，在当前层级的质量增强单元的图像优化结果不符合预设条件时，对下一层级的质量增强单元的图像优化结果进行判断。
5.根据权利要求2所述的模型，其特征在于，所述质量评估模块具体用于：
根据所述图像优化结果与所述输入图像的图像特征得到所述增强图像；
在所述增强图像的质量评分大于或等于预设分数阈值的情况下，输出所述增强图像。
6.根据权利要求5所述的模型，其特征在于，所述质量评估模块具体用于：
通过评估图像纹理块的平滑程度以及平滑块的块效应强度，得到质量评分；
根据所述质量评分与预设分数阈值判断是否输出所述增强图像。
CN202010231334.5A 2020-03-27 2020-03-27 资源节约型图像质量增强模型 Active CN111415311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010231334.5A CN111415311B (zh) 2020-03-27 2020-03-27 资源节约型图像质量增强模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010231334.5A CN111415311B (zh) 2020-03-27 2020-03-27 资源节约型图像质量增强模型

Publications (2)

Publication Number Publication Date
CN111415311A true CN111415311A (zh) 2020-07-14
CN111415311B CN111415311B (zh) 2023-03-14

Family

ID=71493369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010231334.5A Active CN111415311B (zh) 2020-03-27 2020-03-27 资源节约型图像质量增强模型

Country Status (1)

Country Link
CN (1) CN111415311B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819707A (zh) * 2021-01-15 2021-05-18 电子科技大学 一种端到端抗块效应低照度图像增强方法
CN112906721A (zh) * 2021-05-07 2021-06-04 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN114255226A (zh) * 2021-12-22 2022-03-29 北京安德医智科技有限公司 多普勒全流程定量分析方法及装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403415A (zh) * 2017-07-21 2017-11-28 深圳大学 基于全卷积神经网络的压缩深度图质量增强方法及装置
CN107481209A (zh) * 2017-08-21 2017-12-15 北京航空航天大学 一种基于卷积神经网络的图像或视频质量增强方法
CN108537743A (zh) * 2018-03-13 2018-09-14 杭州电子科技大学 一种基于生成对抗网络的面部图像增强方法
WO2018227105A1 (en) * 2017-06-08 2018-12-13 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Progressive and multi-path holistically nested networks for segmentation
CN110088799A (zh) * 2016-11-09 2019-08-02 三星电子株式会社 图像处理设备和图像处理方法
CN110675335A (zh) * 2019-08-31 2020-01-10 南京理工大学 基于多分辨率残差融合网络的浅表静脉增强方法
WO2020020809A1 (en) * 2018-07-26 2020-01-30 Koninklijke Philips N.V. Ultrasound system with an artificial neural network for guided liver imaging
CN110889813A (zh) * 2019-11-15 2020-03-17 安徽大学 基于红外信息的低光图像增强方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110088799A (zh) * 2016-11-09 2019-08-02 三星电子株式会社 图像处理设备和图像处理方法
WO2018227105A1 (en) * 2017-06-08 2018-12-13 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Progressive and multi-path holistically nested networks for segmentation
CN107403415A (zh) * 2017-07-21 2017-11-28 深圳大学 基于全卷积神经网络的压缩深度图质量增强方法及装置
CN107481209A (zh) * 2017-08-21 2017-12-15 北京航空航天大学 一种基于卷积神经网络的图像或视频质量增强方法
CN108537743A (zh) * 2018-03-13 2018-09-14 杭州电子科技大学 一种基于生成对抗网络的面部图像增强方法
WO2020020809A1 (en) * 2018-07-26 2020-01-30 Koninklijke Philips N.V. Ultrasound system with an artificial neural network for guided liver imaging
CN110675335A (zh) * 2019-08-31 2020-01-10 南京理工大学 基于多分辨率残差融合网络的浅表静脉增强方法
CN110889813A (zh) * 2019-11-15 2020-03-17 安徽大学 基于红外信息的低光图像增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GARY J. SULLIVAN 等: "Overview of the high efficiency video coding (HEVC) standard", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 *
RINA KOMATSU 等: "Effectiveness of u-net in denoising rgb images", 《COMPUTER SCIENCE & INFORMATION TECHNOLOGY》 *
丁丹丹 等: "多特征增量学习的视频重建图像质量增强算法", 《华南理工大学学报（自然科学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819707A (zh) * 2021-01-15 2021-05-18 电子科技大学 一种端到端抗块效应低照度图像增强方法
CN112819707B (zh) * 2021-01-15 2022-05-03 电子科技大学 一种端到端抗块效应低照度图像增强方法
CN112906721A (zh) * 2021-05-07 2021-06-04 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN114255226A (zh) * 2021-12-22 2022-03-29 北京安德医智科技有限公司 多普勒全流程定量分析方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111415311B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN111415311B (zh) 资源节约型图像质量增强模型
Zhou et al. End-to-end Optimized Image Compression with Attention Mechanism.
CN108932697B (zh) 一种失真图像的去失真方法、装置及电子设备
WO2020061005A1 (en) Use of non-linear function applied to quantization parameters in machine-learning models for video coding
CN109120937B (zh) 一种视频编码方法、解码方法、装置及电子设备
US20190294931A1 (en) Systems and Methods for Generative Ensemble Networks
Li et al. CNN based post-processing to improve HEVC
CN107481209B (zh) 一种基于卷积神经网络的图像或视频质量增强方法
CN110136057B (zh) 一种图像超分辨率重建方法、装置及电子设备
KR20220137076A (ko) 이미지 프로세싱 방법 및 관련된 디바이스
Zuo et al. Screen content image quality assessment via convolutional neural network
US11928843B2 (en) Signal processing apparatus and signal processing method
WO2020062074A1 (en) Reconstructing distorted images using convolutional neural network
KR20210018668A (ko) 딥러닝 신경 네트워크를 사용하여 다운샘플링을 수행하는 이미지 처리 시스템 및 방법, 영상 스트리밍 서버 시스템
CN111247797A (zh) 用于图像编解码的方法和装置
Jin et al. Quality enhancement for intra frame coding via cnns: An adversarial approach
CN110753225A (zh) 一种视频压缩方法、装置及终端设备
CN111105357B (zh) 一种失真图像的去失真方法、装置及电子设备
CN111226256A (zh) 用于图像动态范围调整的***和方法
WO2016101663A1 (zh) 图片压缩方法及装置
WO2022022176A1 (zh) 一种图像处理方法以及相关设备
TWI826160B (zh) 圖像編解碼方法和裝置
CN116485743A (zh) 一种无参考图像质量评价方法、***、电子设备及存储介质
CN115471413A (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN110276728B (zh) 一种基于残差生成对抗网络的人脸视频增强方法

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