CN111640061A - 一种自适应图像超分辨率*** - Google Patents
一种自适应图像超分辨率*** Download PDFInfo
- Publication number
- CN111640061A CN111640061A CN202010398858.3A CN202010398858A CN111640061A CN 111640061 A CN111640061 A CN 111640061A CN 202010398858 A CN202010398858 A CN 202010398858A CN 111640061 A CN111640061 A CN 111640061A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- resolution
- super
- adaptive
- 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
Links
- 238000000605 extraction Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 29
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000593 degrading effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 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
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
一种自适应图像超分辨率***,属于图像复原领域。本发明为解决现有图像超分辨率***无法根据应用场景和需要进行自适应调整的问题。本发明包括网络深度预测模块、特征提取模块、处理模块、加法器、上采样模块和图像复原模块;通过特征提取模块,用于对原始低分辨率图像进行特征提取获得特征提取图;网络深度预测模块,根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作,预测出网络深度图;处理模块,用于根据接收的网络深度图对特征提取图进行处理,获得特征提取图中所有特征点的残差特征;加法器,用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上,从而对特征提取图进行调整,获得调整后的特征提取图,通过上采样模块对特征提取图进行放大,再通过图像复原模块进行修复,完成图像的修复。本发明主要用于对低分辨率图像进行复原。
Description
技术领域
本发明涉及一种单图像超分辨率***,属于图像复原领域。
背景技术
图像超分辨率旨在从低分辨率图像中复原出高分辨率图像。低分辨率图像出现的主要原因为硬件条件的限制、传输和存储过程中的降采样等。而在医学图像、监控、娱乐等应用中,往往需要更高分辨率的图像。因此,图像超分辨率一直都是研究的热点。
近年来,随着卷积神经网络和深度学习技术的发展,超分辨率模型的性能往往与网络深度有着密切的联系。然而,在超分辨率任务中不同区域的处理难度存在差异,而主流方法对图像的不同区域进行同样的处理,导致了计算资源的浪费。另一方面,模型设计完成后,结构和计算代价确定,无法根据应用场景和需要进行自适应调整。因此,以上问题亟需解决。
发明内容
本发明为解决现有图像超分辨率***无法根据应用场景和需要进行自适应调整的问题,提出了一种自适应图像超分辨率***。
一种自适应图像超分辨率***,包括深度超分辨率主干网络,还包括网络深度预测模块;其中,深度超分辨率主干网络包括特征提取模块、处理模块、加法器、上采样模块和图像复原模块;
特征提取模块,用于对原始低分辨率图像进行特征提取获得特征提取图,并将获得的特征提取图同时发送至网络深度预测模块、处理模块和加法器;
网络深度预测模块,根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作,预测出网络深度图,并将该网络深度图发送至处理模块;
处理模块,用于根据接收的网络深度图对特征提取图进行处理,获得特征提取图中所有特征点的残差特征,并将所述所有特征点的残差特征发送至加法器;
加法器,用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上,从而对特征提取图进行调整,获得调整后的特征提取图,并发送至上采样模块;
上采样模块,用于对调整后的特征提取图的空间分辨率进行放大,获得具有高分辨率的特征提取图,并发送至图像复原模块;
图像复原模块,用于对具有高分辨率的特征提取图进行修复,获得高分辨率图像。
优选的是,网络深度预测模块包括一个自适应卷积模块和M个深度卷积模块,特征提取图按照自适应卷积模块和M个深度卷积模块的排列顺序依次进行操作,且自适应卷积模块的排列顺序任意;其中,M为大于或等于1的整数。
优选的是,自适应卷积模块用于根据接收的预设的网络深度期望值d*对其自身固有卷积参数W进行调整,获得自适应卷积参数d*×W,并使用自适应卷积参数d*×W对特征提取图中的所有特征点进行卷积操作;
M个深度卷积模块,均用于根据其自身固有卷积参数W对特征提取图中所有特征点进行卷积操作。
优选的是,自适应卷积模块排在M个深度卷积模块的首位。
优选的是,处理模块包括1个截取函数模块和N个由左至右依次排列的稀疏残差块;其中,N为大于或等于1的整数;
截取函数模块,用于根据网络深度图获得N个不同掩膜,N个不同掩膜分别发送至N个稀疏残差块;
特征提取图由左至右依次历经N个稀疏残差块进行处理后,获得网络深度图中所有特征点的残差特征;
每个稀疏残差块对特征提取图进行处理的具体过程包括:每个稀疏残差块根据其所对应的掩膜,对特征提取图进行卷积操作。
优选的是,截取函数模块包括N个截取函数,且N个截取函数分别与N个稀疏残差块一一对应;
其中,l=1,2,3……N;
d′ij表示网络深度图的第i行第j列的特征点所在位置的值,i和j均为正数。
优选的是,每个稀疏残差块只对其掩膜不为0的特征点所在的位置进行卷积操作。
其中,
y为原始高分辨率图像,且在训练的过程中,原始低分辨率图像是由原始高分辨率图像退化得到的;
优选的是,所述超分辨率***在使用之前,还对超分辨率***进行训练,其中,训练的过程可采用Adam优化算法实现;
优选的是,每个深度卷积模块的激活函数为PReLU函数或ReLU函数。
本发明带来的有益效果是:本发明提供的一种自适应图像超分辨率***,利用一个轻量级网络深度预测模块预测网络深度图,具体为:利用预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作,从而预测出网络深度图,预测的过程能根据不同的计算资源条件调节网络深度图的平均深度。网络深度预测模块实现了从原始低分辨率图像提取出的特征提取图预测网络深度图,通过调整预设的网络深度期望值d*,实现对网络深度图的深度及超分辨率***的计算量的调整,从而减少超分辨率***的计算量,提高计算效率。
本发明轻量级网络深度预测模块预测出网络深度图,处理模块根据网络深度图对特征提取图进行处理的过程中,通过稀疏卷积达到跳过无需计算区域(即:当掩膜为0时,表示该点在稀疏卷积计算时跳过)。同时,提供的网络深度预测模块,使其能根据不同的计算资源条件调节网络深度图的平均深度。
超分辨率***使用之前通过图像重建损失和深度损失的联合优化,学习图像内容与资源约束自适应的超分辨率***模型。
本发明首次实现了根据图像内容和计算资源约束,像素级调整网络深度,即:通过超分辨率***在使用之前,通过重建损失函数和网络深度损失对超分辨率***进行训练,重建损失函数和网络深度损失中包含有图像内容和计算资源的相关信息,通过对其合理约束,实现对在超分辨率***使用之前的联合优化;相比于主流方法,本发明在量化指标达到了与主流方法相当甚至更高的水平,并实现了在相似量化指标下更高的计算效率,同时可以在推理测试阶段进行自适应调整。相比于当前主流方法,本发明实现了超分辨率性能与计算代价的更好折中。
附图说明
图1是本发明所述一种自适应图像超分辨率***的原理示意图;
图2是网络深度预测模块的原理示意图;
图3是处理模块的原理示意图。
具体实施方式
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,所描述的实施例仅仅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作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,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
参见图1说明本实施方式,本实施方式所述的一种自适应图像超分辨率***,包括深度超分辨率主干网络,还包括网络深度预测模块;其中,深度超分辨率主干网络包括特征提取模块、处理模块、加法器、上采样模块和图像复原模块;
特征提取模块,用于对原始低分辨率图像进行特征提取获得特征提取图,并将获得的特征提取图同时发送至网络深度预测模块、处理模块和加法器;
网络深度预测模块,根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作,预测出网络深度图,并将该网络深度图发送至处理模块;
处理模块,用于根据接收的网络深度图对特征提取图进行处理,获得特征提取图中所有特征点的残差特征,并将所述所有特征点的残差特征发送至加法器;
加法器,用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上,从而对特征提取图进行调整,获得调整后的特征提取图,并发送至上采样模块;
上采样模块,用于对调整后的特征提取图的空间分辨率进行放大,获得具有高分辨率的特征提取图,并发送至图像复原模块;
图像复原模块,用于对具有高分辨率的特征提取图进行修复,获得高分辨率图像。
本实施方式所述的一种自适应图像超分辨率***,利用一个轻量级网络深度预测模块预测网络深度图获得网络深度图,利用预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作,从而获得网络深度图,该网络深度预测模块实现了从原始低分辨率图像提取出的特征提取图预测网络深度图,通过调整预设的网络深度期望值d*,实现对网络深度图的深度及超分辨率***的计算量的调整,从而减少超分辨率***的计算量,提高计算效率。
进一步的,具体参见图2,网络深度预测模块包括一个自适应卷积模块和M个深度卷积模块,特征提取图按照自适应卷积模块和M个深度卷积模块的排列顺序依次进行操作,且自适应卷积模块的排列顺序任意;其中,M为大于或等于1的整数。
本优选实施方式中,一个自适应卷积模块和M个深度卷积模块相互之间的位置任意,有多种方式可构建网络深度预测模块,实现网络深度预测模块的多样性。且深度卷积模块的个数可为1个或多个。
更进一步的,具体参见图2,自适应卷积模块用于根据接收的预设的网络深度期望值d*对其自身固有卷积参数W进行调整,获得自适应卷积参数d*×W,并使用自适应卷积参数d*×W对特征提取图中的所有特征点进行卷积操作;
M个深度卷积模块,均用于根据其自身固有卷积参数W对特征提取图中所有特征点进行卷积操作。
更进一步的,具体参见图2,自适应卷积模块排在M个深度卷积模块的首位。
本优选实施方式具体应用时,首先根据预设的网络深度期望值d*对自适应卷积模块的固有卷积参数W进行调整,获得自适应卷积参数d*×W,然后自适应卷积模块根据自适应卷积参数d*×W对特征提取图中的所有特征点进行自适应卷积操作后,再依次通过M个深度卷积模块对特征提取图中的所有特征点进行自适应卷积操作。
本优选实施方式中,提供了自适应卷积模块的最佳位置,即:位于整个网络深度预测模块中的最首端,首先获得据自适应卷积参数d*×W,再利用自适应卷积参数d*×W进行自适应卷积操作后,再历经过M个深度卷积模块对特征提取图中的所有特征点进行自适应卷积操作。该种设置方式,输出的网络深度图效果最佳。
更进一步的,具体参见图3,处理模块包括1个截取函数模块和N个由左至右依次排列的稀疏残差块;其中,N为大于或等于1的整数;
截取函数模块,用于根据网络深度图获得N个不同掩膜,N个不同掩膜分别发送至N个稀疏残差块;
特征提取图由左至右依次历经N个稀疏残差块进行处理后,获得网络深度图中所有特征点的残差特征;
每个稀疏残差块对特征提取图进行处理的具体过程包括:每个稀疏残差块根据其所对应的掩膜,对特征提取图进行卷积操作。
本优选实施方式中,N可为1个或多个,网络深度预测模块为N个稀疏残差块预测一个网络深度图,通过截取函数为每个残差块获取对应的掩膜,从而来减少N个稀疏残差块的计算量,从而减少整个超分辨率***的计算量,提高计算效率。
更进一步的,具体参见图3,截取函数模块包括N个截取函数,且N个截取函数分别与N个稀疏残差块一一对应;
其中,l=1,2,3……N;
d′ij表示网络深度图的第i行第j列的特征点所在位置的值,i和j均为正数。
更进一步的,具体参见图3,每个稀疏残差块只对其掩膜不为0的特征点所在的位置进行卷积操作。
本优选实施方式中,当掩膜为0时,表示该点在稀疏卷积计算时跳过,减小计算量。
其中,
y为原始高分辨率图像,且在训练的过程中,原始低分辨率图像是由原始高分辨率图像退化得到的;
本优选实施方式中,L1范数为规范的技术术语,所述的超分辨率***还首次实现了根据图像内容和计算资源约束,像素级调整网络深度,即:超分辨率***在使用之前,通过重建损失函数和网络深度损失对超分辨率***进行训练,重建损失函数和网络深度损失中包含有图像内容和计算资源的相关信息,通过对其合理约束,实现对在超分辨率***使用之前的联合优化;相比于主流方法,本发明在量化指标达到了与主流方法相当甚至更高的水平,并实现了在相似量化指标下更高的计算效率,同时可以在推理测试阶段进行自适应调整。相比于当前主流方法,本发明实现了超分辨率性能与计算代价的更好折中。
更进一步的,超分辨率***,其特征在于,所述超分辨率***在使用之前,还对超分辨率***进行训练,其中,训练的过程可采用Adam优化算法等其它方式实现。
更进一步的,每个深度卷积模块的激活函数为PReLU函数或ReLU函数。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (10)
1.一种自适应图像超分辨率***,包括深度超分辨率主干网络,其特征在于,还包括网络深度预测模块;其中,深度超分辨率主干网络包括特征提取模块、处理模块、加法器、上采样模块和图像复原模块;
特征提取模块,用于对原始低分辨率图像进行特征提取获得特征提取图,并将获得的特征提取图同时发送至网络深度预测模块、处理模块和加法器;
网络深度预测模块,根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作,预测出网络深度图,并将该网络深度图发送至处理模块;
处理模块,用于根据接收的网络深度图对特征提取图进行处理,获得特征提取图中所有特征点的残差特征,并将所述所有特征点的残差特征发送至加法器;
加法器,用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上,从而对特征提取图进行调整,获得调整后的特征提取图,并发送至上采样模块;
上采样模块,用于对调整后的特征提取图的空间分辨率进行放大,获得具有高分辨率的特征提取图,并发送至图像复原模块;
图像复原模块,用于对具有高分辨率的特征提取图进行修复,获得高分辨率图像。
2.根据权利要求1所述的一种自适应图像超分辨率***,其特征在于,网络深度预测模块包括一个自适应卷积模块和M个深度卷积模块,特征提取图按照自适应卷积模块和M个深度卷积模块的排列顺序依次进行操作,且自适应卷积模块的排列顺序任意;其中,M为大于或等于1的整数。
3.根据权利要求2所述的一种自适应图像超分辨率***,其特征在于,自适应卷积模块用于根据接收的预设的网络深度期望值d*对其自身固有卷积参数W进行调整,获得自适应卷积参数d*×W,并使用自适应卷积参数d*×W对特征提取图中的所有特征点进行卷积操作;
M个深度卷积模块,均用于根据其自身固有卷积参数W对特征提取图中所有特征点进行卷积操作。
4.根据权利要求2所述的一种自适应图像超分辨率***,其特征在于,自适应卷积模块排在M个深度卷积模块的首位。
5.根据权利要求1所述的一种自适应图像超分辨率***,其特征在于,处理模块包括1个截取函数模块和N个由左至右依次排列的稀疏残差块;其中,N为大于或等于1的整数;
截取函数模块,用于根据网络深度图获得N个不同掩膜,N个不同掩膜分别发送至N个稀疏残差块;
特征提取图由左至右依次历经N个稀疏残差块进行处理后,获得网络深度图中所有特征点的残差特征;
每个稀疏残差块对特征提取图进行处理的具体过程包括:每个稀疏残差块根据其所对应的掩膜,对特征提取图进行卷积操作。
7.根据权利要求6所述的一种自适应图像超分辨率***,其特征在于,每个稀疏残差块只对其掩膜不为0的特征点所在的位置进行卷积操作。
10.根据权利要求2所述的一种自适应图像超分辨率***,其特征在于,所述超分辨率***在使用之前,还对超分辨率***进行训练,其中,训练的过程可采用Adam优化算法实现;和/或
每个深度卷积模块的激活函数为PReLU函数或ReLU函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010398858.3A CN111640061B (zh) | 2020-05-12 | 2020-05-12 | 一种自适应图像超分辨率*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010398858.3A CN111640061B (zh) | 2020-05-12 | 2020-05-12 | 一种自适应图像超分辨率*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640061A true CN111640061A (zh) | 2020-09-08 |
CN111640061B CN111640061B (zh) | 2021-05-07 |
Family
ID=72331065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010398858.3A Active CN111640061B (zh) | 2020-05-12 | 2020-05-12 | 一种自适应图像超分辨率*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640061B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045297A1 (zh) * | 2021-09-22 | 2023-03-30 | 深圳市中兴微电子技术有限公司 | 图像超分辨率方法、装置、计算机设备和可读介质 |
TWI818491B (zh) * | 2021-12-16 | 2023-10-11 | 聯發科技股份有限公司 | 用於優化圖像之方法及系統 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096251A (zh) * | 2015-07-18 | 2015-11-25 | 哈尔滨工业大学 | 一种利用超分辨率重建技术提高拼接图像分辨率的方法 |
US20160198051A1 (en) * | 2015-01-06 | 2016-07-07 | Ricoh Company, Ltd. | Image processing system, image output device, and image processing method |
CN109064396A (zh) * | 2018-06-22 | 2018-12-21 | 东南大学 | 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 |
CN110136057A (zh) * | 2018-02-08 | 2019-08-16 | 杭州海康威视数字技术股份有限公司 | 一种图像超分辨率重建方法、装置及电子设备 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN110490797A (zh) * | 2019-07-05 | 2019-11-22 | 苏州江奥光电科技有限公司 | 一种基于双流深层卷积网络的深度图像超分辨率重建方法 |
CN110689483A (zh) * | 2019-09-24 | 2020-01-14 | 重庆邮电大学 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
JP2020068462A (ja) * | 2018-10-24 | 2020-04-30 | シャープ株式会社 | 画像ビット階調拡張フィルタ装置及び画像符号化装置、画像復号装置 |
-
2020
- 2020-05-12 CN CN202010398858.3A patent/CN111640061B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160198051A1 (en) * | 2015-01-06 | 2016-07-07 | Ricoh Company, Ltd. | Image processing system, image output device, and image processing method |
CN105096251A (zh) * | 2015-07-18 | 2015-11-25 | 哈尔滨工业大学 | 一种利用超分辨率重建技术提高拼接图像分辨率的方法 |
CN110136057A (zh) * | 2018-02-08 | 2019-08-16 | 杭州海康威视数字技术股份有限公司 | 一种图像超分辨率重建方法、装置及电子设备 |
CN109064396A (zh) * | 2018-06-22 | 2018-12-21 | 东南大学 | 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 |
JP2020068462A (ja) * | 2018-10-24 | 2020-04-30 | シャープ株式会社 | 画像ビット階調拡張フィルタ装置及び画像符号化装置、画像復号装置 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN110490797A (zh) * | 2019-07-05 | 2019-11-22 | 苏州江奥光电科技有限公司 | 一种基于双流深层卷积网络的深度图像超分辨率重建方法 |
CN110689483A (zh) * | 2019-09-24 | 2020-01-14 | 重庆邮电大学 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
KAI ZHANG: "Learning a Single Convolutional Super-Resolution Network for Multiple Degradations", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
王爱丽: "基于递归残差网络的遥感图像超分辨率重建", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045297A1 (zh) * | 2021-09-22 | 2023-03-30 | 深圳市中兴微电子技术有限公司 | 图像超分辨率方法、装置、计算机设备和可读介质 |
TWI818491B (zh) * | 2021-12-16 | 2023-10-11 | 聯發科技股份有限公司 | 用於優化圖像之方法及系統 |
Also Published As
Publication number | Publication date |
---|---|
CN111640061B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及*** | |
Dong et al. | Semantic communication system based on semantic slice models propagation | |
CN111242846B (zh) | 基于非局部增强网络的细粒度尺度图像超分辨率方法 | |
CN107464217B (zh) | 一种图像处理方法及装置 | |
CN113450290B (zh) | 基于图像修补技术的低照度图像增强方法及*** | |
CN109949221B (zh) | 一种图像处理方法及电子设备 | |
CN111640061B (zh) | 一种自适应图像超分辨率*** | |
CN109886891B (zh) | 一种图像复原方法及装置、电子设备、存储介质 | |
CN112419191B (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
CN113781320A (zh) | 一种图像处理方法、装置、终端设备及存储介质 | |
CN112669214A (zh) | 一种基于交替方向乘子算法的模糊图像超分辨率重建方法 | |
CN115100039B (zh) | 一种基于深度学习的轻量级图像超分辨率重建方法 | |
CN113673675A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
KR20210116922A (ko) | 초해상도 모델의 메타 러닝을 통한 빠른 적응 방법 및 장치 | |
CN112907448A (zh) | 一种任意比率图像超分辨率方法、***、设备及存储介质 | |
CN111372006A (zh) | 一种面向移动端的高动态范围成像方法及*** | |
CN115293968A (zh) | 一种超轻量高效的单图像超分辨率方法 | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
CN113628115A (zh) | 图像重建的处理方法、装置、电子设备和存储介质 | |
CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
CN114913095B (zh) | 基于域适应的深度去模糊方法 | |
CN116363014A (zh) | 一种级联自适应光学图像盲复原方法 | |
CN114187174A (zh) | 基于多尺度残差特征融合的图像超分辨率重建方法 | |
CN114943655A (zh) | 基于循环深度卷积生成对抗网络结构的图像修复*** | |
CN115511733A (zh) | 一种图像退化建模方法、神经网络训练方法和装置 |
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 |