CN112734646B - 一种基于特征通道划分的图像超分辨率重建方法 - Google Patents
一种基于特征通道划分的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN112734646B CN112734646B CN202110070247.0A CN202110070247A CN112734646B CN 112734646 B CN112734646 B CN 112734646B CN 202110070247 A CN202110070247 A CN 202110070247A CN 112734646 B CN112734646 B CN 112734646B
- Authority
- CN
- China
- Prior art keywords
- module
- image
- resolution
- feature
- super
- 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
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000007670 refining Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉技术领域,涉及一种基于特征通道划分的图像超分辨率重建方法,该方法包括:构建图像超分辨率重建模型,图像超分辨率重建模型包括特征提取模块、非线性特征映射模块和重建模块;特征提取模块用于提取浅层特征;非线性特征映射模块用于提取深层特征并送入重建模块;重建模块用于将输入的深层特征提取信息后通过亚像素卷积生成残差图像与低分辨率图像使用最近邻插值法上采样后获得的图像相加获得高分辨率图像;构建训练集;训练图像超分辨率重建模型;将待处理图像输入到训练后的图像超分辨率重建模型,输出得到重建后的高分辨率图像;有效的降低了参数量和计算量,对图像的纹理进行更好的恢复,提高了图像超分辨率重建性能。
Description
技术领域:
本发明属于计算机视觉技术领域,涉及一种基于特征通道划分的图像超分辨率重建方法,通过利用特征通道划分,有效的降低了参数量和计算量,提高了图像超分辨率重建性能。
背景技术:
图像超分辨率旨在将给定的具有粗糙细节的低分辨率图像转换为具有更好视觉质量和精致细节的相应高分辨率图像。图像超分辨率是计算机视觉中的一项重要的图像处理技术,在许多其他领域中具有重要的应用,例如场景中的物体检测(尤其是小物体),监视视频中的人脸识别,医学成像,天文图像。
在图像超分辨率的研究工作中,传统超分辨率重建方法主要依赖于约束项的构造以及图像之间配准的精确度达到重建效果,但其不适用于放大倍数较大的超分辨率重建。深度学习方法的出现解决了传统超分辨率技术中的许多瓶颈问题,在近几年发展迅速。例如中国专利CN201610545884.8公开了一种结合深度学习与梯度转换的单幅图像超分辨率重建方法。主要包括以下步骤:用基于深度学习的超分辨率方法对输入的低分辨率图像进行上采样,得到上采样图像;用梯度算子对上采样图像进行梯度提取;用深度卷积神经网络对提取到的梯度进行转换;将输入的低分辨率图像与转换后的梯度作为约束,建立重建代价函数;利用梯度下降法来最优化重建代价函数,得到最终输出的高分辨率图像;中国专利CN201811576216.7公开了一种基于深度学习的快速图像超分辨率重建方法,具体步骤包括:选取图像训练集与测试集,用深度神经网络对低分辨率图像进行特征抽取、嵌套网络的特征精细化和子像素上采样操作,得到图像高分辨细节残差信息;将低分辨率图像进行转置卷积处理,获得图像的高分辨率空间低频特征信息;图像高分辨细节残差信息与高分辨率空间低频特征信息的结合,获得图像预估的高分辨率重建结果;图像预估的高分辨率重建结果与高分辨率图像块进行损失值度量;再对网络权值使用Adam算子进行更新,得到训练好的网络模型;在训练好的网络模型输入低分辨率图像得到高分辨率重建的图像;CN201710301990.6公开了一种基于内容感知深度学习网络的遥感图像超分辨率重建方法,提出了图像内容复杂性的综合度量指标及计算方法,将样本图像按内容复杂性分类,构建和训练高、中、低三种复杂性不等的深层GAN网络模型,然后根据待超分的输入图像的内容复杂性,选取对应的网络进行重建。
目前已经公开的算法大多从网络层数与参数量上进行提升以获得更好的图像超分辨率效果,并没有充分的提取特征之间的信息,因此仍存在进一步提升的空间。
发明内容:
本发明的目的在于克服现有技术的缺点,设计一种基于特征通道划分的图像超分辨率重建方法,用于对神经网络中特征信息进行充分利用,提高图像超分辨率重建性能,对图像的纹理进行更好的恢复。
为达到上述目的,本发明涉及的基于特征通道划分的图像超分辨率重建方法,具体步骤包括:
S1、构建图像超分辨率重建模型,图像超分辨率重建模型包括特征提取模块、非线性特征映射模块和重建模块;特征提取模块、非线性特征映射模块和重建模块串联;特征提取模块用于对输入的低分辨率图像提取浅层特征作为非线性特征映射模块的输入;非线性特征映射模块用于对输入的浅层特征进行提取信息,得到深层特征并送入重建模块;重建模块用于将输入的深层特征提取信息后通过亚像素卷积生成残差图像与低分辨率图像使用最近邻插值法上采样后获得的图像相加获得高分辨率图像;
S2、构建训练集;
S3、训练图像超分辨率重建模型,用步骤S2的训练集对步骤S1的图像超分辨率重建模型进行训练,包括设置损失函数、权重更新算法和设置学习率;
S4、将待处理的图像输入到训练后的图像超分辨率重建模型,输出得到重建后的高分辨率图像。
进一步的,所述特征提取模块采用3×3卷积对输入的低分辨率图像提取浅层特征后输入非线性特征映射模块,同时将RGB通道转化为n通道。
进一步的,所述非线性特征映射模块由n(n为大于1的整数)个串联的特征通道划分模块组成,前一个特征通道划分模块的输出特征作为后一个特征通道划分模块的输入,其中最后一个特征通道划分模块的输出特征将作为重建模块的输入。
进一步的,每个特征通道划分模块用于使用特征通道划分对输入特征进行分别处理,充分利用特征的信息,其主体结构包括1个初始特征处理模块、3个通道划分子模块、3个残差块、1个聚合模块和1个通道注意力模块;初始特征处理模块用于对输入的浅层特征进行3×3卷积后输入通道划分子模块;每个通道划分子模块用于对输入的图像特征使用通道划分,获得待精炼特征Freserved和待处理粗特征Fcoarse,对获得的Freserved用1×1残差块对其进行精炼获得精炼特征Frefined,并输出到聚合模块;对获得的Fcoarse进行3×3卷积后作为下一个通道划分子模块的输入;最后一个通道划分子模块获得的Fcoarse进行3×3卷积后得到精炼特征Frefined,并输出到聚合模块;聚合模块用于将所有的Frefined特征聚合,聚合后的特征经过1×1卷积后输入通道注意力模块;通道注意力模块用于对输入的特征进行精炼并输出特征。
进一步的,步骤S2具体为:将训练数据中高分辨率裁减192×192大小图片,低分辨率按超分辨率倍数缩小;同时,对训练数据进行旋转,翻转进行数据增强,得到训练集。
进一步的,步骤S3的具体训练过程如下:
S31、预训练模型:首先训练放大倍数为2的超分辨率模型,对于放大倍数为3或4模型,使用放大倍数为2的模型参数初始化网络;
S32、设置损失函数:使用L1范数损失函数,公式为:
其中θ代表模型的参数,代表将低分辨率图像输入模型后重建的高分辨率图像,/>代表真实图像,||*||1代表L1损失;
S33、权重更新算法:使用Adam算法作为网络优化器,其初始参数设置为β1=0.9,β2=0.99,ε=0.99;
S34、学习率设置:初始学习率设置为2×10-4,并每200个批次学习率减半;
S35、在训练1000批次后模型得到收敛,获得最优的图像超分辨率重建***。
本发明与现有技术相比,通过利用特征通道划分,解决了目前图像超分辨率算法中没有充分利用特征之间信息的问题,有效的降低了参数量和计算量,对图像的纹理进行更好的恢复,提高了图像超分辨率重建性能。
附图说明:
图1是本发明涉及的基于特征通道划分的图像超分辨率重建方法的具体流程示意图。
图2是本发明涉及的图像超分辨率重建模型的整体结构示意图。
图3是本发明涉及的图像超分辨率重建模型的网络结构示意图。
图4是本发明涉及的特征通道划分模块的网络结构示意图。
具体实施方式:
下面通过具体实施例并结合附图对本发明进行详细说明。
实施例1:
本实施例涉及的基于特征通道划分的图像超分辨率重建方法,包括
S1、构建图像超分辨率重建模型,图像超分辨率重建模型包括特征提取模块、非线性特征映射模块和重建模块;特征提取模块、非线性特征映射模块和重建模块串联;特征提取模块用于将低分辨率图像从RGB通道转化为n通道,并提取浅层特征作为非线性特征映射模块的输入;非线性特征映射模块用于对输入的浅层特征进行提取信息,得到深层特征并送入重建模块;重建模块用于将输入的深层特征提取信息后通过亚像素卷积生成残差图像与低分辨率图像使用最近邻插值法上采样后获得的图像相加获得高分辨率图像。
所述特征提取模块采用3×3卷积对输入的低分辨率图像提取浅层特征后输入非线性特征映射模块,同时将RGB通道转化为n通道。
所述非线性特征映射模块由6个串联的特征通道划分模块组成,前一个特征通道划分模块的输出特征作为后一个特征通道划分模块的输入,其中最后一个特征通道划分模块的输出特征将作为重建模块的输入;每个特征通道划分模块用于使用特征通道划分对特征进行分别处理,充分利用特征的信息,其主体结构包括1个初始特征处理模块、3个通道划分子模块、3个残差块、1个聚合模块和1个通道注意力模块;初始特征处理模块用于对输入的浅层特征进行3×3卷积后输入通道划分子模块;每个通道划分子模块用于对输入的图像特征使用通道划分,获得待精炼特征Freserved和待处理粗特征Fcoarse,对获得的Freserved用1×1残差块对其进行精炼获得精炼特征Frefined,并输出到聚合模块;对获得的Fcoarse进行3×3卷积后作为下一个通道划分子模块的输入;最后一个通道划分子模块获得的Fcoarse进行3×3卷积后得到精炼特征Frefined,并输出到聚合模块;聚合模块用于将所有的Frefined特征聚合,聚合后的特征经过1×1卷积后输入通道注意力模块;通道注意力模块用于对输入的特征进行精炼并输出特征。
S2、构建训练集,将训练数据中高分辨率裁减192×192大小图片,低分辨率按超分辨率倍数缩小;同时,对训练数据进行旋转,翻转进行数据增强,得到训练集。
S3、训练图像超分辨率重建模型,用步骤S2的训练集对步骤S1的图像超分辨率重建模型进行训练,具体步骤如下:
S31、预训练模型:首先训练放大倍数为2的超分辨率模型,对于放大倍数为3或4模型,使用放大倍数为2的模型参数初始化网络;
S32、设置损失函数:使用L1范数损失函数,公式为:
其中θ代表模型的参数,代表将低分辨率图像输入模型后重建的高分辨率图像,/>代表真实图像,||*||1代表L1损失。
S33、权重更新算法:使用Adam算法作为网络优化器,其初始参数设置为β1=0.9,β2=0.99,ε=0.99;
S34、学习率设置:初始学习率设置为2×10-4,并每200个批次学习率减半;
S35、在训练1000批次后模型得到收敛,获得最优的图像超分辨率重建***。
S4、将待处理的图像输入到训练后的图像超分辨率重建模型,输出得到重建后的高分辨率图像。
本实施例涉及的图像超分辨率重建模型的工作流程为:
S11、对输入的低分辨率图像通过3×3卷积对特征进行浅层特征提取,将RGB通道转化为n通道;
S12:将浅层特征输入非线性特征映射模块,非线性特征映射模块由特征通道划分模块组成,其数量为6,6个特征通道划分模块采用串联组成,前一个特征通道划分模块的输出特征作为后一个特征通道划分模块的输入,其中最后特征通道划分模块的输出特征将作为重建模块的输入;每个特征通道划分模块的工作流程如下:
S121:对初始特征进行3×3卷积后使用通道划分,获得Freserved_1和Fcoarse_1,划分比例为1:3;
S122:对Freserved_1使用1×1残差块对特征进行精炼后获得Frefined_1,对Fcoarse_1进行3×3卷积后使用通道划分,获得Freserved_2和Fcoarse_2,划分比例为1:3;
S123:对Freserved_2使用1×1残差块对特征进行精炼后获得Frefined_2,对Fcoarse_2进行3×3卷积后使用通道划分,获得Freserved_3和Fcoarse_3,划分比例为1:3;
S124:对Freserved_3使用1×1残差块对特征进行精炼后获得Frefined_3,对Fcoarse_3进行3×3卷积获得Frefined_4;
S125:将Frefined_1,Frefined_2,Frefined_3和Frefined_4聚合,对聚合后的特征进行1×1卷积后进一步使用通道注意力模块精炼特征;
S13:特征通道划分模块采用串联组成,将模块最后的输出特征作为后一个特征通道划分模块的输入,其中最后特征通道划分模块的输出将作为重建模块的输入。
Claims (4)
1.一种基于特征通道划分的图像超分辨率重建方法,其特征在于,具体步骤包括:
S1、构建图像超分辨率重建模型,图像超分辨率重建模型包括特征提取模块、非线性特征映射模块和重建模块;特征提取模块、非线性特征映射模块和重建模块串联;特征提取模块用于输入的低分辨率图像提取浅层特征作为非线性特征映射模块的输入;非线性特征映射模块用于对输入的浅层特征进行提取信息,得到深层特征并送入重建模块;重建模块用于将输入的深层特征提取信息后通过亚像素卷积生成残差图像与低分辨率图像使用最近邻插值法上采样后获得的图像相加获得高分辨率图像;
所述非线性特征映射模块由n个串联的特征通道划分模块组成,前一个特征通道划分模块的输出特征作为后一个特征通道划分模块的输入,其中最后一个特征通道划分模块的输出特征将作为重建模块的输入;
每个特征通道划分模块用于使用特征通道划分对输入特征进行分别处理,充分利用特征的信息,其主体结构包括1个初始特征处理模块、3个通道划分子模块、3个残差块、1个聚合模块和1个通道注意力模块;初始特征处理模块用于对输入的浅层特征进行3×3卷积后输入通道划分子模块;每个通道划分子模块用于对输入的图像特征使用通道划分,获得待精炼特征Freserved和待处理粗特征Fcoarse,对获得的Freserved用1×1残差块对其进行精炼获得精炼特征Frefined,并输出到聚合模块;对获得的Fcoarse进行3×3卷积后作为下一个通道划分子模块的输入;最后一个通道划分子模块获得的Fcoarse进行3×3卷积后得到精炼特征Frefined,并输出到聚合模块;聚合模块用于将所有的Frefined特征聚合,聚合后的特征经过1×1卷积后输入通道注意力模块;通道注意力模块用于对输入的特征进行精炼并输出特征;
S2、构建训练集;
S3、训练图像超分辨率重建模型,用步骤S2的训练集对步骤S1的图像超分辨率重建模型进行训练,包括设置损失函数、权重更新算法和设置学习率;
S4、将待处理的图像输入到训练后的图像超分辨率重建模型,输出得到重建后的高分辨率图像。
2.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法,其特征在于,所述特征提取模块采用3×3卷积对输入的低分辨率图像提取浅层特征后输入非线性特征映射模块,同时将RGB通道转化为n通道。
3.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法,其特征在于,步骤S2具体为:将训练数据中高分辨率裁减192×192大小图片,低分辨率按超分辨率倍数缩小;同时,对训练数据进行旋转,翻转进行数据增强,得到训练集。
4.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法,其特征在于,步骤S3的具体训练过程如下:
S31、预训练模型:首先训练放大倍数为2的超分辨率模型,对于放大倍数为3或4模型,使用放大倍数为2的模型参数初始化网络;
S32、设置损失函数:使用L1范数损失函数,公式为:
其中θ代表模型的参数,代表将低分辨率图像输入模型后重建的高分辨率图像,代表真实图像,||*||1代表L1损失;
S33、权重更新算法:使用Adam算法作为网络优化器,其初始参数设置为β1=0.9,β2=0.99,ε=0.99;
S34、学习率设置:初始学习率设置为2×10-4,并每200个批次学习率减半;
S35、在训练1000批次后模型得到收敛,获得最优的图像超分辨率重建***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070247.0A CN112734646B (zh) | 2021-01-19 | 2021-01-19 | 一种基于特征通道划分的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070247.0A CN112734646B (zh) | 2021-01-19 | 2021-01-19 | 一种基于特征通道划分的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734646A CN112734646A (zh) | 2021-04-30 |
CN112734646B true CN112734646B (zh) | 2024-02-02 |
Family
ID=75592440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110070247.0A Active CN112734646B (zh) | 2021-01-19 | 2021-01-19 | 一种基于特征通道划分的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734646B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139907B (zh) * | 2021-05-18 | 2023-02-14 | 广东奥普特科技股份有限公司 | 视觉分辨率增强的生成方法、***、装置及存储介质 |
CN113313632A (zh) * | 2021-06-11 | 2021-08-27 | 展讯通信(天津)有限公司 | 一种图像重建方法、***及相关设备 |
CN113822802A (zh) * | 2021-07-05 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 基于显微镜的超分辨率方法、装置、设备及介质 |
CN113610706A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 基于卷积神经网络的模糊监控图像超分辨率重建方法 |
CN113793265A (zh) * | 2021-09-14 | 2021-12-14 | 南京理工大学 | 一种基于深度特征关联性的图像超分辨率方法及*** |
CN115526775B (zh) * | 2022-01-10 | 2023-09-22 | 荣耀终端有限公司 | 图像数据处理方法及装置 |
CN114663280A (zh) * | 2022-03-15 | 2022-06-24 | 北京万里红科技有限公司 | 远距离虹膜图像的超分辨率重建模型及训练方法、重建方法、设备及介质 |
CN114742706B (zh) * | 2022-04-12 | 2023-11-28 | 内蒙古至远创新科技有限公司 | 一种用于智慧环保的水污染遥感图像超分辨率重建方法 |
CN115205120A (zh) * | 2022-07-26 | 2022-10-18 | 中国电信股份有限公司 | 图像处理方法、图像处理装置、介质及电子设备 |
CN116912305B (zh) * | 2023-09-13 | 2023-11-24 | 四川大学华西医院 | 基于深度学习的脑部ct图像三维重建方法及装置 |
CN117132472B (zh) * | 2023-10-08 | 2024-05-31 | 兰州理工大学 | 基于前向-反向可分离自注意力的图像超分辨率重建方法 |
CN117422614B (zh) * | 2023-12-19 | 2024-03-12 | 华侨大学 | 基于混合特征交互Transformer的单帧图像超分辨率方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3166070A1 (en) * | 2015-11-09 | 2017-05-10 | Thomson Licensing | Method for upscaling noisy images, and apparatus for upscaling noisy images |
KR20190010489A (ko) * | 2017-07-20 | 2019-01-30 | 한국과학기술원 | 선택 유닛을 이용한 이미지 처리 방법 및 장치 |
CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
CN111311488A (zh) * | 2020-01-15 | 2020-06-19 | 广西师范大学 | 一种基于深度学习的高效超分辨率重建方法 |
CN111461983A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学鄂州工业技术研究院 | 一种基于不同频度信息的图像超分辨率重建模型及方法 |
CN111986085A (zh) * | 2020-07-31 | 2020-11-24 | 南京航空航天大学 | 一种基于深度反馈注意力网络***的图像超分辨率方法 |
CN112037131A (zh) * | 2020-08-31 | 2020-12-04 | 上海电力大学 | 一种基于生成对抗网络的单图像超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102215757B1 (ko) * | 2019-05-14 | 2021-02-15 | 경희대학교 산학협력단 | 이미지 세그멘테이션 방법, 장치 및 컴퓨터 프로그램 |
-
2021
- 2021-01-19 CN CN202110070247.0A patent/CN112734646B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3166070A1 (en) * | 2015-11-09 | 2017-05-10 | Thomson Licensing | Method for upscaling noisy images, and apparatus for upscaling noisy images |
KR20190010489A (ko) * | 2017-07-20 | 2019-01-30 | 한국과학기술원 | 선택 유닛을 이용한 이미지 처리 방법 및 장치 |
CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
CN111311488A (zh) * | 2020-01-15 | 2020-06-19 | 广西师范大学 | 一种基于深度学习的高效超分辨率重建方法 |
CN111461983A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学鄂州工业技术研究院 | 一种基于不同频度信息的图像超分辨率重建模型及方法 |
CN111986085A (zh) * | 2020-07-31 | 2020-11-24 | 南京航空航天大学 | 一种基于深度反馈注意力网络***的图像超分辨率方法 |
CN112037131A (zh) * | 2020-08-31 | 2020-12-04 | 上海电力大学 | 一种基于生成对抗网络的单图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
Channel Splitting Network for Single MR Image Super-Resolution;Xiaole Zhao et al;《 IEEE Transactions on Image Processing》;第28卷(第11期);第5649-5662页 * |
基于深度可分离卷积和宽残差网络的医学影像超分辨率重建;高媛等;《计算机应用》;第39卷(第9期);第2731-2737页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112734646A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN106952228B (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 | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
CN111062872A (zh) | 一种基于边缘检测的图像超分辨率重建方法及*** | |
CN109741256A (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
CN108259994B (zh) | 一种提高视频空间分辨率的方法 | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
CN107220957B (zh) | 一种利用滚动导向滤波的遥感图像融合方法 | |
CN112837224A (zh) | 一种基于卷积神经网络的超分辨率图像重建方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN110533591A (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN116563100A (zh) | 一种基于内核引导网络的盲超分辨率重建方法 | |
CN112184552B (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
CN113128517B (zh) | 色调映射图像混合视觉特征提取模型建立及质量评价方法 | |
CN110288529A (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
CN117173025A (zh) | 基于跨层混合注意力Transformer的单帧图像超分辨率方法及*** | |
CN113096015A (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN116681592A (zh) | 基于多尺度自适应非局部注意力网络的图像超分辨率方法 | |
CN116703725A (zh) | 感知多重特征的双分支网络实现针对真实世界文本图像的超分辨率的方法 | |
CN117315735A (zh) | 基于先验信息与注意力机制的人脸超分辨率重建方法 |
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 |