CN112435192B - 一种轻量级的图像清晰度增强方法 - Google Patents
一种轻量级的图像清晰度增强方法 Download PDFInfo
- Publication number
- CN112435192B CN112435192B CN202011373558.6A CN202011373558A CN112435192B CN 112435192 B CN112435192 B CN 112435192B CN 202011373558 A CN202011373558 A CN 202011373558A CN 112435192 B CN112435192 B CN 112435192B
- Authority
- CN
- China
- Prior art keywords
- loss
- image
- model
- vgg
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种轻量级的图像清晰度增强方法，其特征在于，包括如下步骤：步骤1：构建网络，并通过设定的加权LOSS进行训练迭代，得到完成训练的模型；LOSS包括VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss；步骤2：完成训练的模型接收待处理图像，并输出经过清晰度增强处理的效果图像；本发明通过设置多个loss值对模型进行校正，相比传统的仅仅通过MAE Loss的值对模型进行校正，能够保证校正后的模型更好的处理图片中图像的边缘特征。
Description
技术领域
本发明涉及深度学习领域，特别是涉及一种轻量级的图像清晰度增强方法。
背景技术
随着图像算法的演变，现在对于模糊图像进行清晰校正也逐渐得到了优化。目前在移动端APP或者PC图像处理软件中存在各种清晰度增强的功能，主要是通过算法对图像进行锐化处理，实现清晰增强的目的，比如锐化算法、基于深度学习技术的算法等等。其中基于深度学习技术的清晰度算法相比锐化算法，对图像的清晰度提升更为显著，但是由于深度学习的建立的模型较大，算法复杂，难以运用到移动端。在移动端的图像清晰处理，往往还是通过传统的锐化算法进行清晰处理。传统的锐化算法虽然也能够使图像的清晰度得到提升，但是得不到理想的效果。
另一方面，随着拍摄像素的提高，图像的组成也越来越复杂，对图像进行清晰处理也需要更高的算力要求。因此需要一种适合移动端的轻量级的图像清晰度增强方法。
发明内容
本发明的目的是解决现有技术的不足，提供一种轻量级的图像清晰度增强方法，结构简单，使用方便，能够得到清晰度增强的图像，并且适应移动端。
一种轻量级的图像清晰度增强方法，其特征在于，包括如下步骤：
步骤1：构建网络，并通过设定的加权LOSS进行训练迭代，得到完成训练的模型；LOSS包括VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss；
步骤2：完成训练的模型接收待处理图像，并输出经过清晰度增强处理的效果图像；
所述步骤1中模型的训练，包括如下步骤：
步骤11：构建清晰度增强网络；
步骤12：采集数据样本；
步骤13：根据采集的数据样本完成模型迭代训练；
步骤14：完成模型的轻量化设置。
进一步的，所述步骤11中构建清晰度增强网络时，设定输入图像的宽为Width，高为Height；清晰度增强网络的构建包括如下步骤：
步骤111：输入RGB24的图像数据，选择通道数为N，即网络输出的W×H×N；
步骤112：对输入的图像数据Input，进行至少两次卷积下采样；每次卷积使得W和H每次减小为原来的1/2，卷积的通道数依次增大；
步骤113：完成卷积下采样后，对输出的结果进行m次ResBlock处理；ResBlock表示残差模块；
步骤114：对完成ResBlock处理后的输出结果依次与对应的下采样的结果进行Add操作；完成Add操作后进行至少两次上采样UpSampling和卷积操作，在最后一次上采样和卷积操作的时候选择tanh激活函数，得到清晰度增强网络的第一输出；
步骤115：将第一输出与输入Input进行Add操作，然后进行卷积处理，完成清晰度增强网络的构建；在完成网络的构建后输出对应的清晰度增强的效果图。
进一步的，所述步骤111中输入图像的Width为1024，Height为1024，输入RGB24的图像数据的通道数N为3，得到网络输出为1024×1024×3；步骤112中进行4次卷积下采样；步骤113中进行4次ResBlock处理；步骤114中进行4次上采样和卷积操作。
进一步的，所述步骤12中采集数据样本包括如下步骤：
步骤121：准备Z张场景图片，对每张图片进行缩放，将图片缩放到W×H的尺寸，得到缩放图；缩放倍数根据图片的原尺寸进行调节；
步骤122：对完成缩放后的图片进行半径为Radius的高斯模糊，得到模糊图；其中Radius＝1或者2；
其中经过步骤121缩放后获得的图像称为缩放图，经过步骤122高斯模糊处理后得到的图像称为模糊图。
进一步的，所述步骤13的模型训练首先需要将模糊图输入步骤11构建的清晰度增强网络，得到真实结果y_true；其次根据网络的损失函数LOSS对模型进行迭代训练，得到校正后的模型；损失函数LOSS包括三部分，分别是VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss。
进一步的，所述VGG Loss的计算，包括如下步骤：
步骤131：将模型的预测结果y_pred和真实结果y_true的图像分别输入到VGG-19分类网络中；预测结果y_pred的图像为缩放图，真实结果y_true的图像为清晰度增强网络根据模糊图输出的图像；
步骤132：对VGG-19中的最后三个卷积层分别计算预测结果图像和真实结果图像对应特征图的最小均方误差MSE，得到loss_vgg_1,loss_vgg_2,loss_vgg_3；
步骤1333：VGG Loss为loss_vgg_1,loss_vgg_2和loss_vgg_3的均值。
进一步的，所述Huber Loss通过模型的预测结果y_pred和真实结果y_true得出，Huber Loss的值用loss_huber表示，loss_huber的具体计算如下：
其中L(y_true,y_pred)表示loss_huber；δ为设定的常数。
进一步的，所述MAE Loss也通过模型的预测结果y_pred和真实结果y_true得出，MAE Loss的值用loss_mae表示，loss_mae的具体计算如下：
L′(y_true,y_pred)＝|y_true-y_pred|
其中L′(y_true,y_pred)表示loss_mae。
进一步的，所述清晰度增强网络的损失函数LOSS的值为VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss的加权和，表示为：
LOSS＝loss_huber+loss_mae+(loss_vgg_1+loss_vgg_2+loss_vgg_3)*0.33。
进一步的，所述步骤2中输入的待处理图像用S表示；在输入待处理图像之前，先将任意S进行预处理，预处理包括对S的宽和高进行裁剪，使裁剪后S的宽和高皆为4的倍数，多余部分的像素进行丢弃；步骤14中，第一层卷积的kernel_size设置为7，其余层卷积的kernel_size设置为3；通道数的最大值设置为48；最终模型的体积设置为0.8M。
本发明的有益效果为：
通过设置多个loss值对模型进行校正，相比传统的仅仅通过MAE Loss的值对模型进行校正，能够保证校正后的模型更好的处理图片中图像的边缘特征；
通过完成模型的轻量化设置，使计算量限制在100M FLOPs以内，保证模型能够在移动端运行。
附图说明
图1为本发明实施例一的整体结构框图；
图2为本发明实施例一的清晰度增强网络结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一：
如图1所示，一种轻量级的图像清晰度增强方法，包括如下步骤：
步骤1：构建网络，并通过设定的加权LOSS进行训练迭代，得到完成训练的模型；LOSS包括VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss；
步骤2：完成训练的模型接收待处理的图像，并输出经过清晰度增强处理的图像。
所述步骤1中的LOSS为损失函数，步骤1中模型的训练，包括如下步骤：
步骤11：构建清晰度增强网络；
步骤12：采集数据样本；
步骤13：根据采集的数据样本完成模型迭代训练；
步骤14：完成模型的轻量化设置。
如图2所示，所述步骤11中清晰度增强网络的设计思想，是通过大量的数据样本，来学习清晰的目标图和模糊的图片之间的边缘偏差规律，并根据偏差规律，对任意图片实现清晰度增强的操作。其中设定输入图像的宽为Width，高为Height，在本例中Width＝Height＝1024像素。清晰度增强网络的构建包括如下步骤：
步骤111：输入RGB24的图像数据，选择通道数N为3，即网络输出的W×H×N为1024×1024×3；
步骤112：对输入的图像数据Input，进行至少两次卷积下采样；在本例中为4次卷积下采样，分别为C1，C2，C3，C4，每次卷积使得W和H每次减小为原来的1/2，卷积的通道数依次增大；
步骤113：完成卷积下采样后，对输出的结果进行m次ResBlock处理；在本例中m＝4；ResBlock表示残差模块；
步骤114：对完成ResBlock处理后的输出结果依次与对应的下采样的结果进行Add操作；完成Add操作后进行至少两次上采样UpSampling和卷积操作，在最后一次上采样和卷积操作的时候选择tanh激活函数，得到清晰度增强网络的第一输出；在本例中共进行4次上采样和卷积操作，每次上采样和卷积操作分别用U1，U2，U3，U4表示；
步骤115：将第一输出与输入Input进行Add操作，然后进行卷积处理，完成清晰度增强网络的构建；在完成网络的构建后输出对应的清晰度增强的效果图。
所述步骤12中采集数据样本包括如下步骤：
步骤121：准备Z张场景图片，在本例中为10万张；对每张图片进行缩放，将图片缩放到W×H的尺寸，即1024×1024，得到缩放图；实际的缩放倍数根据图片的原尺寸进行调节；
步骤122：对完成缩放后的图片进行半径为Radius的高斯模糊，得到模糊图；在本例中Radius＝1或者2。
所述步骤122中高斯模糊的公式如下：
其中，x表示当前像素值；μ表示以x像素位置为中心位置，半径为Radius的正方形区域内所有像素的均值；σ表示以x像素位置为中心位置，半径为Radius的正方形区域内所有像素的方差；GaussFilter(x)表示该像素该是模糊后的结果。
其中将经过步骤121缩放后的10万张缩放图以及经过步骤122高斯模糊处理后的10万张模糊图作为模型训练的数据样本对，其中缩放图作为输出，模糊图作为输入。
所述步骤13的模型训练首先需要将数据样本对中的模糊图输入步骤11构建的清晰度增强网络，得到真实结果y_true。其次根据网络的损失函数LOSS对模型进行迭代训练，得到校正后的模型。损失函数LOSS包括三部分，分别是VGG Loss、Huber Loss以及平均绝对误差损失(MAE Loss)。
所述VGG Loss的计算，包括如下步骤：
步骤131：将模型的预测结果y_pred和真实结果y_true的图像分别输入到VGG-19分类网络中；预测结果y_pred的图像为缩放图，真实结果y_true的图像为清晰度增强网络根据模糊图输出的图像；
步骤132：对VGG-19中的最后三个卷积层分别计算预测结果图像和真实结果图像对应特征图的最小均方误差MSE，得到loss_vgg_1,loss_vgg_2,loss_vgg_3；
步骤1333：VGG Loss为loss_vgg_1,loss_vgg_2和loss_vgg_3的均值。
所述Huber Loss通过模型的预测结果y_pred和真实结果y_true得出，Huber Loss的值用loss_huber表示，loss_huber的具体计算如下：
其中L(y_true,y_pred)表示loss_huber；δ为设定的常数，在本例中为1.0。
所述MAE Loss也通过模型的预测结果y_pred和真实结果y_true得出，MAE Loss的值用loss_mae表示，loss_mae的具体计算如下：
L′(y_true,y_pred)＝|y_true-y_pred|
其中L′(y_true,y_pred)表示loss_mae。
最终清晰度增强网络的损失函数LOSS的值为VGG Loss、Huber Loss以及平均绝对误差损失(MAE Loss)的加权和，表示为：
LOSS＝loss_huber+loss_mae+(loss_vgg_1+loss_vgg_2+loss_vgg_3)*0.33
根据求取的LOSS函数对模型进行训练，得到训练模型。
所述步骤14，在模型轻量化的设置中，将第一层卷积的kernel_size设置为7，其余层卷积的kernel_size设置为3；通道数的最大值设置为48；最终模型的体积设置为0.8M。通过模型的轻量化设置使计算量限制在100M FLOPs以内，使其能够适应移动端。当GPU处理720P分辨率的图像时，处理速度在200ms以内；通过运用多种加权的loss值，包括VGG Loss、Huber Loss以及MAE Loss的值，替换MSE Loss的值，使得图像边缘的细节特征效果更丰富、真实。
所述步骤2中输入的待处理图像用S表示，由于网络设计为卷积网络，能够拓展为任意尺寸输入，因此，首先将任意S进行预处理，预处理包括对S进行裁剪，使得S的宽高皆为4的倍数，多余部分的像素进行丢弃，需要说明的是裁剪时仅裁剪满足条件的最小像素值，比如原先图像的宽为9像素，此时裁剪的部分为1像素而非5像素；其次将S输入到完成轻量化设置的模型，得到对应输出的清晰度增强后的效果图像。
在实施的过程中，通过设置多个loss值对模型进行校正，相比传统的仅仅通过MAELoss的值对模型进行校正，本例能够保证校正后的模型更好的处理图片中图像的边缘特征；通过完成模型的轻量化设置，使计算量限制在100M FLOPs以内，保证模型能够在移动端运行。
以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (8)
1.一种轻量级的图像清晰度增强方法，其特征在于，包括如下步骤：
步骤1：构建网络，并通过设定的加权LOSS进行训练迭代，得到完成训练的模型；LOSS包括VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss；
步骤2：完成训练的模型接收待处理图像，并输出经过清晰度增强处理的效果图像；
所述步骤1中模型的训练，包括如下步骤：
步骤11：构建清晰度增强网络；
所述步骤11中构建清晰度增强网络时，设定输入图像的宽为W，高为H；清晰度增强网络的构建包括如下步骤：
步骤111：输入RGB24的图像数据，选择通道数为N，即网络输出为W×H×N；
步骤112：对输入的图像数据Input，进行至少两次卷积下采样；每次卷积使得W和H每次减小为原来的1/2，卷积的通道数依次增大；
步骤113：完成卷积下采样后，对输出的结果进行m次ResBlock处理；ResBlock表示残差模块；
步骤114：对完成ResBlock处理后的输出结果依次与对应的下采样的结果进行Add操作；完成Add操作后进行至少两次上采样UpSampling和卷积操作，在最后一次上采样和卷积操作的时候选择tanh激活函数，得到清晰度增强网络的第一输出；
步骤115：将第一输出与输入的图像数据Input进行Add操作，然后进行卷积处理，完成清晰度增强网络的构建；在完成网络的构建后输出对应的清晰度增强的效果图像；
步骤12：采集数据样本；
步骤13：根据采集的数据样本完成模型迭代训练，所述步骤13的模型训练首先需要将模糊图输入步骤11构建的清晰度增强网络，得到真实结果y_true；其次根据网络的损失函数LOSS对模型进行迭代训练，得到校正后的模型；损失函数LOSS包括三部分，分别是VGGLoss、Huber Loss以及平均绝对误差损失MAE Loss；
步骤14：完成模型的轻量化设置。
2.根据权利要求1所述的一种轻量级的图像清晰度增强方法，其特征在于，所述步骤111中输入图像的W为1024，H为1024，输入RGB24的图像数据的通道数N为3，得到网络输出为1024×1024×3；步骤112中进行4次卷积下采样；步骤113中进行4次ResBlock处理；步骤114中进行4次上采样和卷积操作。
3.根据权利要求1所述的一种轻量级的图像清晰度增强方法，其特征在于，所述步骤12中采集数据样本包括如下步骤：
步骤121：准备Z张场景图片，对每张图片进行缩放，将图片缩放到W×H的尺寸，得到缩放图；缩放倍数根据图片的原尺寸进行调节；
步骤122：对完成缩放后的图片进行半径为Radius的高斯模糊，得到模糊图；其中Radius＝1或者2。
4.根据权利要求1所述的一种轻量级的图像清晰度增强方法，其特征在于，所述VGGLoss的计算，包括如下步骤：
步骤131：将模型的预测结果y_pred和真实结果y_true的图像分别输入到VGG-19分类网络中；预测结果y_pred的图像为缩放图，真实结果y_true的图像为清晰度增强网络根据模糊图输出的图像；
步骤132：对VGG-19中的最后三个卷积层分别计算预测结果图像和真实结果图像对应特征图的最小均方误差MSE，得到loss_vgg_1,loss_vgg_2,loss_vgg_3；
步骤133：VGG Loss为loss_vgg_1,loss_vgg_2和loss_vgg_3的均值。
5.根据权利要求4所述的一种轻量级的图像清晰度增强方法，其特征在于，所述HuberLoss通过模型的预测结果y_pred和真实结果y_true得出，Huber Loss的值用loss_huber表示，loss_huber的具体计算如下：
其中L(y_true,y_pred)表示loss_huber；δ为设定的常数。
6.根据权利要求5所述的一种轻量级的图像清晰度增强方法，其特征在于，所述MAELoss也通过模型的预测结果y_pred和真实结果y_true得出，MAE Loss的值用loss_mae表示，loss_mae的具体计算如下：
L'(y_true,y_pred)＝|y_true-y_pred|
其中L'(y_true,y_pred)表示loss_mae。
7.根据权利要求6所述的一种轻量级的图像清晰度增强方法，其特征在于，所述清晰度增强网络的损失函数LOSS的值为VGG Loss、Huber Loss以及平均绝对误差损失MAE Loss的加权和，表示为：
LOSS＝loss_huber+loss_mae+(loss_vgg_1+loss_vgg_2+loss_vgg_3)*0.33。
8.根据权利要求2所述的一种轻量级的图像清晰度增强方法，其特征在于，所述步骤2中输入的待处理图像用S表示；在输入待处理图像之前，先将任意S进行预处理，预处理包括对S的宽和高进行裁剪，使裁剪后S的宽和高皆为4的倍数，多余部分的像素进行丢弃；步骤14中，第一层卷积的kernel_size设置为7，其余层卷积的kernel_size设置为3；通道数的最大值设置为48；最终模型的体积设置为0.8M。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011373558.6A CN112435192B (zh) | 2020-11-30 | 2020-11-30 | 一种轻量级的图像清晰度增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011373558.6A CN112435192B (zh) | 2020-11-30 | 2020-11-30 | 一种轻量级的图像清晰度增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112435192A CN112435192A (zh) | 2021-03-02 |
| CN112435192B true CN112435192B (zh) | 2023-03-14 |
Family
ID=74697583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011373558.6A Active CN112435192B (zh) | 2020-11-30 | 2020-11-30 | 一种轻量级的图像清晰度增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435192B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
| CN108549892A (zh) * | 2018-06-12 | 2018-09-18 | 东南大学 | 一种基于卷积神经网络的车牌图像清晰化方法 |
| CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
| US10646156B1 (en) * | 2019-06-14 | 2020-05-12 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
| CN111192206A (zh) * | 2019-12-03 | 2020-05-22 | 河海大学 | 一种提高图像清晰度的方法 |
-
2020
- 2020-11-30 CN CN202011373558.6A patent/CN112435192B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
| CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
| CN108549892A (zh) * | 2018-06-12 | 2018-09-18 | 东南大学 | 一种基于卷积神经网络的车牌图像清晰化方法 |
| US10646156B1 (en) * | 2019-06-14 | 2020-05-12 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
| CN111192206A (zh) * | 2019-12-03 | 2020-05-22 | 河海大学 | 一种提高图像清晰度的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丁予康.基于卷积神经网络的图像超分辨方法研究.《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》.2019,(第1期),第I138-2990页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112435192A (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Real-esrgan: Training real-world blind super-resolution with pure synthetic data | |
| CN109389556B (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| CN109389552B (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 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN110766632A (zh) | 基于通道注意力机制和特征金字塔的图像去噪方法 | |
| CN112446383A (zh) | 车牌识别方法及装置、存储介质、终端 | |
| WO2020206630A1 (zh) | 用于图像复原的神经网络及其训练与使用方法 | |
| CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
| CN112419191B (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
| CN110942436B (zh) | 一种基于图像质量评价的图像去模糊方法 | |
| WO2021115403A1 (zh) | 一种图像的处理方法及装置 | |
| CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
| CN113658044A (zh) | 提高图像分辨率的方法、***、装置及存储介质 | |
| Bhowmik et al. | Training-free, single-image super-resolution using a dynamic convolutional network | |
| CN114399440B (zh) | 图像处理方法、图像处理网络训练方法、装置及电子设备 | |
| CN113096032B (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
| Shao et al. | Nonparametric blind super-resolution using adaptive heavy-tailed priors | |
| CN112435192B (zh) | 一种轻量级的图像清晰度增强方法 | |
| CN116029943B (zh) | 基于深度学习的红外图像超分辨率增强方法 | |
| CN109996085B (zh) | 模型训练方法、图像处理方法、装置及电子设备 | |
| Albluwi et al. | Super-resolution on degraded low-resolution images using convolutional neural networks | |
| Esmaeilzehi et al. | DSegAN: A deep light-weight segmentation-based attention network for image restoration | |
| CN113240589A (zh) | 一种多尺度特征融合的图像去雾方法及*** | |
| CN113724134B (zh) | 一种基于残差蒸馏网络的航拍图像盲超分辨率重建方法 |
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 | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 22nd floor, block a, Huaxing Times Square, 478 Wensan Road, Xihu District, Hangzhou, Zhejiang 310000 Patentee after: Hangzhou Xiaoying Innovation Technology Co.,Ltd. Address before: 16 / F, HANGGANG Metallurgical Science and technology building, 294 Tianmushan Road, Xihu District, Hangzhou City, Zhejiang Province, 310012 Patentee before: Hangzhou Xiaoying Innovation Technology Co.,Ltd. |