CN112070669B - 一种针对任意模糊核的超分辨率图像重建方法 - Google Patents
一种针对任意模糊核的超分辨率图像重建方法 Download PDFInfo
- Publication number
- CN112070669B CN112070669B CN202010889177.7A CN202010889177A CN112070669B CN 112070669 B CN112070669 B CN 112070669B CN 202010889177 A CN202010889177 A CN 202010889177A CN 112070669 B CN112070669 B CN 112070669B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- module
- super
- resolution image
- 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 34
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000006731 degradation reaction Methods 0.000 claims description 23
- 230000015556 catabolic process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习针对任意模糊核的深度即插即用超分辨率图像重建方法,可以实现基于任意模糊核的低分辨率图像的实时超分辨率重建,包括:浅层特征提取模块;深层特征提取模块;图像上采样模块;图像重建模块;评估模块。浅层特征提取模块进行输入低分辨率图像中高低频特征信息的浅层提取;深层特征提取模块进行输入高分辨率图像中高低频特征信息的深层提取;图像上采样模块对深层特征信息进行放大;图像重建模块对映射后放大的信息进行重建,评估模块对重建后的图像与原有的高分辨率图像进行性能评估。本发明可将具有任意模糊核的输入低分辨率图像在不同的放大倍率下进行超分辨率图像重建。
Description
技术领域
本发明涉及图像处理中低分辨率图像超分辨率重建技术领域,尤其涉及一种针对任意模糊核的超分辨率图像重建方法。
背景技术
人类从外部接受的信息80%是以上都是视觉信息,视觉作为人类与环境进行互动的基本组成部分,对其信息的存储一般以图像或视频的方式进行留存。依托于承载视觉信息的图像,目标检测等技术应运而生。然后,由于硬件成本和环境的限制,图像一般以较低的分辨率进行存储和显示。为了使得图像能够以高分辨率的形式进行展示,一般从硬件和软件两个层面出发来解决问题。实践证明,相比较从硬件层面来解决问题,从软件层面来解决问题具有较高的可行性和有效性。近年来,随着深度学习的兴起,基于深度学习的超分辨率图像重建算法表现出了极其优异的效果。但现有各类基于深度学习的超分辨率图像重建算法,对具有任意模糊核的低分辨率图像进行重建的研究尚处于初级阶段,未形成***化成果。
发明内容
为了解决上述背景技术中提出的问题,本发明提供了一种针对任意模糊核的超分辨率图像重建方法,本发明将具有任意模糊核的低分辨率图像进行超分辨率图像重建,提供针对任意模糊核低分辨率图像重建的解决方案。
为了实现上述目的,本发明采用的技术方案是:
一种针对任意模糊核的超分辨率图像重建方法,包括:
浅层特征提取模块;主要包括当输入各类具有任意模糊核的图像时,采用基于深度学习的卷积神经网络方法,使用一个卷积层来对浅层特征中的高频信息和低频信息进行提取;
深层特征提取模块,主要包括残差密集块模块,将输入图像中的深层特征进行高频和低频信息的提取,脑电信号采集子***输出的脑电信号进行特征提取与分类;
图像上采样模块,主要包括Pixelshuffle操作对提取到的各类特征进行成比例的放大;
图像重建模块,主要包括一个卷积层将上面放大的高维特征量重建为在屏幕上面可显示的高分辨率图像;
评估模块,通过对重建模块输出的超分辨率算法重建后的高分辨率图像与原来的高分辨率图像对比,来评判重建图像的质量。
本发明视觉重建包括如下步骤:
在开始所有的改进工作之前,先设计出一种适用于具有任意模糊核图像的退化模型;
进一步的,本专利所设计的退化模型在考虑到现有通用的退化模型核双三次退化模型的基础之上,囊括了二者各自的优缺点,得到新的退化模型;
进一步的,该退化模型的数学表达式为:
式中,其中y为低分辨率(LR)图像,x为高分辨率(HR)图像,k为模糊核,G为一定的噪声水平下的白色高斯噪声(AWGN),为卷积运算,↓s”为比例因子s的下采样运算。
进一步的,为了求解该退化模型,采用变量分割等手段对其进行求解。
本专利所用超分辨率算法在基础网络结构选择了模块化程度较高的SRResNet。
本专利所设计的超分辨率算法为带有通道注意力机制的即插即用超分辨率算法,该算法具体可分为4个部分:浅层特征提取模块,深层特征提取模块,上采样模块,图像重建模块。
在浅层特征提取模块,本专利使用一个卷积层来提取来自LR图像中的浅层特征
本专利所设计的超分辨率算法在深层特征提取模块的设计上,采用残差密集块(RDB)来作为基本组成块。
进一步的,本专利所述残差密集块主要由密集的连接层、局部特征融合(LFF)和局部剩余学习三部分组成。
进一步的,在密集的连接层方面,通过多个不同尺寸大小的卷积层之间的配合,来挖掘出隐含的有用信息。
进一步的,在局部特征融合(LFF)方面,本专利所述LFF能够自适应地融合前一个RDB的状态和当前RDB中的整个卷积层。
进一步的,在局部剩余学习方面,本专利主要相利用其所具有的局部剩余学习(local residual learning,LRL)来进一步改善信息流。
本专利所设计的超分辨率算法在图像上采样模块的设计上,通过采用像素重组(Pixelshuffle)来实现上采样过程。
本专利所设计的超分辨率算法在图像重建模块的设计上,通过采用一个卷积层来实现图像重建过程。
本专利所设计的超分辨率算法在评估模块的设计上,采用峰值信噪比(PeakSignal to Noise Ratio,PSNR)和结构相似度(structural similarity index,SSIM)来实现重建图像的质量评估。
本专利所述的超分辨率图像重建算法在上述模块的配合下,按照具体的训练步骤,能够实现对具有任意模糊核图像的特征提取与学习。
本专利按照上述步骤进行后,最终可以实现对具有任意模糊核的低分辨率图像重建。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明提供的一种针对任意模糊核的超分辨率图像重建方法流程图;
图2是本发明所采用的基础网络SRResNet的网络结构示意图;
图3是本发明所设计的一种针对任意模糊核的超分辨率图像重建方法的算法网络结构图;
图4是本发明所设计图像重建方法的浅层特征提取模块示意图;
图5是本发明所设计图像重建方法的深层特征提取模块示意图;
图6是本发明所设计图像重建方法的上采样模块示意图;
图7是本发明所设计图像重建方法的重建模块示意图。
具体实施方式
如图1所示,本发明视觉重建包括如下步骤:
在开始所有的改进工作之前,先设计出一种适用于具有任意模糊核图像的退化模型;
进一步的,该退化模型既考虑到现有通用的退化模型计算量偏大的缺点,又考虑到双三次退化模型过于简单的缺点,在现有两类最为常见的退化模型基础上,综合各自的优缺点后,得到新的退化模型;
进一步的,该退化模型的数学表达式为:
式中,其中y为低分辨率(LR)图像,x为高分辨率(HR)图像,k为模糊核,G为一定的噪声水平下的白色高斯噪声(AWGN),⊕为卷积运算,↓s”为比例因子s的下采样运算。
进一步的,为了求解该退化模型,对其改写后的数学表达式为:
其中,用来保证解符合退化过程的数据保真度项,/>是正则先验项,/>是正则化参数。为了更加高效地处理上式,可采用变量分割技术对其进行等效替换,即引入辅助变量Z来代替x↓s”。
进一步的,上式可以等价变形为:
s.t.Z=x↓s”
进一步的,采用半二次方程分式将上式中的正则项的原始变量进行替换,上式可以等价变形为:
其中,μ是惩罚参数。如果μ足够大,则可使Z近似于x↓s”。
进一步的,上式可以拆分为如下两个子公式进行迭代求解:
该式对于模糊核进行更新估计,
该式在模糊图像与清晰图像之间实现连续映射。
本专利所用超分辨率算法在基础网络结构的选择方面,多次比较后,选择了模块化程度较高的SRResNet,如图2所示。
本专利所设计的超分辨率算法为带有通道注意力机制的即插即用超分辨率算法,如图3所示,该算法具体可分为4个部分:浅层特征提取模块,深层特征提取模块,上采样模块,图像重建模块。
从图4可以看出,在浅层特征提取模块,本专利使用一个卷积层来提取来自LR图像中的浅层特征F0:
F0=HSF(ILR)
式中,HSF代表卷积操作,然后使用提取的浅层特征F0,来在深层特征提取部分进行深层特征提取。
进一步的,本专利所述卷积层的卷积操作如下:
式中,stride代表卷积步长,padding代表输入的每一条边补充0的层数,heightkernel和widthkernel代表卷积核的尺寸,widthin和heightin代表输入图像的宽高尺寸,widthout和heightout代表卷积操作后输出图像的宽高尺寸。
本专利所设计的超分辨率算法在深层特征提取模块的设计上,从图5可以看出,在深层特征提取部分,本专利使用残差密集块(RDB)来作为SRResNet结构的基本组成块,在N个残差密集块(RDB)与长跳连接的组合下,构成了本专利所设计的深层特征提取模块。
进一步的,本专利所述残差密集块主要由密集的连接层、局部特征融合(LFF)和局部剩余学习三部分组成
在密集的连接层功能实现方面,本专利所述密集的连接层实现步骤分为两步:
第一步,假设Fd-1和Fd分别为第d个RDB的输入量和输出量,两者的特征图数量都为G0。第d个RDB中的第c个卷积层的输出量计算公式为:
Fd,c=σ(Wd,c[Fd-1,Fd,…,Fd,c-1])
式中,σ代表ReLU激活函数,Wd,c是第c个卷积层的权重,为了简化计算,省略了偏置项。
第二步,本专利假设Fd,c由G(也等价为增长率)个特征图组成。[Fd-1,Fd,…,Fd,c-1]代表第d-1个RDB中的特征图之间的连接。在第d个RDB中,有1,…,(c-1)个不同的卷积层。在这些卷积层的配合之下,最终生成的特征图为G0+(c-1)G。
在上述第一步和第二步的共同配合之下,本专利所述残差密集块中密集的连接层功能实现。
在局部特征融合(LFF)方面,本专利所述LFF能够自适应地融合前一个RDB的状态和当前RDB中的整个卷积层。
进一步的,本专利所述LFF其特征在于两个方面:一方面,如上所述,将第(d-1)个RDB的不同特征图以通道连接的方式直接引入到第d个RDB中,通过上述操作。特征的数量将会自然而然的减少。另一方面,本专利通过引入1x1的卷积层来自适应地控制输出信息。上述两个方面的操作共同形成了本专利中的局部特征融合,相应的,其数学公式为
其中,表示第d个RDB中1×1卷积层的功能函数。
进一步的,随着增长率G的增大,没有LFF的非常深的稠密网络将难以训练。
在局部剩余学习方面,本专利主要相利用其所具有的局部剩余学习(localresidual learning,LRL)来进一步改善信息流。
进一步的,由于在一个RDB中有多个卷积层,LRL的价值体现在对RDB最终输出端信息流的调整上面。在LRL的作用下,第d个RDB的最终输出为:
Fd=Fd-1+Fd,LF
从上式可见,LRL通过调整RDB的信息流动,从而能够进一步提高网络的表示能力,获得更好的性能。
本专利所设计的超分辨率算法在图像上采样模块的设计上,如图6所示,通过采用像素重组(Pixelshuffle)来实现上采样过程。
进一步的,Pixelshuffle的计算过程为:
其中是一个周期变换算子,它将一个H×W×C·r2张量的元素重新排列为一个形状为rH×rW×C的张量。x和y是HR空间中输出的像素坐标。当LR空间中的卷积步长为1/r时,像素之间的权重不需要被激活,也不需要计算。在滤波器对图像进行卷积时,根据不同的亚像素位置,周期性激活模态mod(x,r)和mod(y,r)。
本专利所设计的超分辨率算法在图像重建模块的设计上,如图7所示,通过采用一个卷积层来实现图像重建过程。
进一步的,卷积层通过将高维的特征降为低维的图像特征,进行展示。
本专利所设计的超分辨率算法在评估模块的设计上,采用峰值信噪比(PeakSignal to Noise Ratio,PSNR)和结构相似度(structural similarity index,SSIM)来实现重建图像的质量评估。
进一步的,PSNR的表达式为:
式中,MAXI是图像的灰度等级,一般取值为255;H(i,j)代表高清图像某个点像素坐标的值;L(i,j)代表重建后的图像对应于高清图像某个点像素的坐标值。
进一步的,SSIM的表达式为:
式中,H和L是图像的灰度等级,C1和C2为两个常数,避免除0情况的发生。
本专利所述的超分辨率图像重建算法在上述模块的配合下,能够实现对具有任意模糊核图像的特征提取与学习。其具体实现过程为:
首先,将超分辨率算法领域通用的公共训练集按照不同的批次大小送入算法中进行训练;
其次,每轮训练完成后,将该轮训练模型所生成的重建图像送入评估模块中与高分辨率图像做对比;
最终,经过反复多次的训练,待模型训练的结果趋于稳定后,从众多训练好的模型找到训练结果最好的模型,将其做为最终的模型。
本专利按照上述步骤进行后,最终可以实现对具有任意模糊核的低分辨率图像重建。
与现有技术相比,本发明所述方法能够通过底层退化模型的改进,将已有成熟的超分辨率模型框架做以扩展,使其适用范围更加宽广;通过对具有任意模糊核的低分辨率图像的重建,为探索超分辨率算法在面对任意模糊核问题提供了全新的解决思路。相比较现有的其他脑电信号图像重建,本发明无论是在退化模型还是退化模型的求解方式方面,都做出了质的改变,并设计改进后的网络结构,使其重建图像质量得到大幅提升。为今后基于任意模糊核的低分辨率图像的重建提供了新的解决思路。
对所公开的实施例的上述说明,仅为了使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种针对任意模糊核的超分辨率图像重建方法,其特征在于,包括:浅层特征提取模块;深层特征提取模块;图像上采样模块;图像重建模块;评估模块;
所述浅层特征提取模块,包括当获取到输入的低分辨率图像时,对图像浅层特征中的高低频信息进行提取和捕捉;
所述深层特征提取模块,包括当获取到输入的低分辨率图像时,对图像深层特征中的高低频信息进行提取和捕捉;
所述图像上采样模块,包括对捕获到的通道特征进行一定比例系数的放大;
所述图像重建模块,包括对放大后的高维抽象特征处理成为能够具体显示出来的二维图像;
所述评估模块,包括对重建后的图像与真正的高分辨率图像画面质量之间的对比;
所述浅层特征提取模块采用一个卷积层进行浅层特征提取,方法如下:
式中,stride代表卷积步长,padding代表输入的每一条边补充0的层数,heightkernel和widthkernel代表卷积核的尺寸,widthin和heightin代表输入图像的宽高尺寸,widthout和heightout代表卷积操作后输出图像的宽高尺寸;
所述深层特征提取模块采用残差密集块做为基本构建单元,通过堆叠若干个残差密集块来构建深层特征提取模块,进行深层特征提取。
2.根据权利要求1所述一种针对任意模糊核的超分辨率图像重建方法,其特征在于,所述超分辨率图像重建的退化模型为改进现有双三次退化模型和通用退化模型后的模型,具体表达式如下:
式中,其中y为低分辨率(LR)图像,x为高分辨率(HR)图像,k为模糊核,G为一定的噪声水平下的白色高斯噪声(AWGN),为卷积运算,↓s″为比例因子s的下采样运算。
3.根据权利要求1所述一种针对任意模糊核的超分辨率图像重建方法,其特征在于,所述超分辨率图像重建算法的网络结构基础模型为SRResNet网络模型。
4.根据权利要求1所述一种针对任意模糊核的超分辨率图像重建方法,其特征在于,所述图像上采样模块,通过采用像素重组上采样方法包括对捕获到的通道特征进行一定比例系数的放大。
5.根据权利要求1所述一种针对任意模糊核的超分辨率图像重建方法,其特征在于,所述图像重建模块,通过一个卷积层来将上采样模块放大后的特征量进行图像重建。
6.根据权利要求1所述一种针对任意模糊核的超分辨率图像重建方法,其特征在于,在上述组成模块的配合下,能够实现对于具有任意模糊核低分辨率图片的高分辨率重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889177.7A CN112070669B (zh) | 2020-08-28 | 2020-08-28 | 一种针对任意模糊核的超分辨率图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889177.7A CN112070669B (zh) | 2020-08-28 | 2020-08-28 | 一种针对任意模糊核的超分辨率图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070669A CN112070669A (zh) | 2020-12-11 |
CN112070669B true CN112070669B (zh) | 2024-04-16 |
Family
ID=73660002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010889177.7A Active CN112070669B (zh) | 2020-08-28 | 2020-08-28 | 一种针对任意模糊核的超分辨率图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070669B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240581A (zh) * | 2021-04-09 | 2021-08-10 | 辽宁工程技术大学 | 一种针对未知模糊核的真实世界图像超分辨率方法 |
CN113538245A (zh) * | 2021-08-03 | 2021-10-22 | 四川启睿克科技有限公司 | 基于退化模型的超分辨率图像重建方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903255A (zh) * | 2019-03-04 | 2019-06-18 | 北京工业大学 | 一种基于3d卷积神经网络的高光谱图像超分辨率复原方法 |
WO2020056791A1 (zh) * | 2018-09-21 | 2020-03-26 | 五邑大学 | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 |
CN111161150A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
-
2020
- 2020-08-28 CN CN202010889177.7A patent/CN112070669B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020056791A1 (zh) * | 2018-09-21 | 2020-03-26 | 五邑大学 | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 |
CN109903255A (zh) * | 2019-03-04 | 2019-06-18 | 北京工业大学 | 一种基于3d卷积神经网络的高光谱图像超分辨率复原方法 |
CN111161150A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
改进的RDN灰度图像超分辨率重建方法;魏子康;刘云清;;红外与激光工程(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070669A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192200A (zh) | 基于融合注意力机制残差网络的图像超分辨率重建方法 | |
Nazeri et al. | Edge-informed single image super-resolution | |
CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN109389552A (zh) | 一种基于上下文相关多任务深度学习的图像超分辨算法 | |
CN111667410B (zh) | 图像分辨率提升方法、装置及电子设备 | |
CN112070669B (zh) | 一种针对任意模糊核的超分辨率图像重建方法 | |
CN112669214B (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 | |
US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
Huang et al. | A short survey of image super resolution algorithms | |
CN117575915B (zh) | 一种图像超分辨率重建方法、终端设备及存储介质 | |
CN113469884A (zh) | 基于数据仿真的视频超分辨方法、***、设备及存储介质 | |
CN108416736A (zh) | 一种基于二次锚点邻域回归的图像超分辨率重建方法 | |
López-Tapia et al. | A single video super-resolution GAN for multiple downsampling operators based on pseudo-inverse image formation models | |
CN115393191A (zh) | 一种轻量级遥感图像超分辨率重建方法、装置及设备 | |
CN114022809A (zh) | 基于改进自编码网络的视频运动放大方法 | |
CN116188272B (zh) | 适用于多模糊核的两阶段深度网络图像超分辨率重建方法 | |
Liu et al. | Arbitrary-scale super-resolution via deep learning: A comprehensive survey | |
CN111986079A (zh) | 基于生成对抗网络路面裂缝图像超分辨率重建方法及装置 | |
CN113674154B (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及*** | |
Lu et al. | Utilizing homotopy for single image superresolution | |
CN112348745B (zh) | 一种基于残差卷积网络的视频超分辨率重构方法 | |
CN115082296A (zh) | 一种基于小波域图像生成框架的图像生成方法 | |
Zhang et al. | Deep residual network based medical image reconstruction |
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 |