CN108428212A - 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 - Google Patents
一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 Download PDFInfo
- Publication number
- CN108428212A CN108428212A CN201810095396.0A CN201810095396A CN108428212A CN 108428212 A CN108428212 A CN 108428212A CN 201810095396 A CN201810095396 A CN 201810095396A CN 108428212 A CN108428212 A CN 108428212A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- definition picture
- obtains
- double
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000003321 amplification Effects 0.000 claims abstract description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 10
- 230000001174 ascending effect Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
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
本发明公开了一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法，其中，所述方法包括：获取低分辨率的图像，进行双三次放大处理，获得对应放大倍数的模糊高分辨率图像；将模糊高分辨率图像进行提取特征处理，获得由大到小不同尺度的图像特征；将低分辨率的图像进行提取特征处理，获得由小到大的逐层不同尺度的图像特征；获取所述的由大到小不同尺度的图像特征以及所述的由小到大的逐层不同尺度的图像特征通过重建超分辨率网络进行融合，获得高分辨率的图像。通过实施本发明实施例，能够较为快速的重建出高质量的高分辨率图像，使得通过将低分辨率的图像进行重建图像质量得到提高能够更好的被应用于更多场景。
Description
技术领域
本发明涉及机器视觉、超分辨重建技术领域，尤其涉及一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法。
背景技术
随着电子信息科学的不断发展以及数码产品的不断普及，在获取图像能力不断增强的同时，显示图像的能力也在日益增强。显示设备的分辨率曾在不断的提高，但是受限于过去成像设备的分辨率的制约，‘老照片’和‘老电影’并不能在现有的高清显示器是有很好的播放显示效果。同时在遥感图像的生成以及医学CT图像等方面受限于成像设备和成像条件的限制难以获得显示场景的全部信息。以上所有问题的需求可以归结为图像的超分辨问题，即通过单帧或多帧低分辨率图像重建得到对应的高分辨率图像。
而在工业生产中以及大多数的计算机视觉应用中，如图像识别，图像分割等问题，为了使得机器能够更好的“理解”图像，通常希望能够得到高分辨率的图像或者视频。越高分辨率的图像和视频所能提供的图像信息也相对应的越多。以上所提到在人们生活或者工业生产中所会遇到的问题和需求，则可以通过图像的超分辨重建得到解决，通过单帧或多帧低分辨率图像重建得到对应的高分辨率图像。
现有的单帧图像的超分辨率重建方法可以由深度学习的出现进行划分，分为经典的超分辨重建方法以及基于深度学习的超分辨率重建方法。其中经典的超分辨率重建方法又可以进而细分为基于插值的超分辨率重建方法，基于重建的超分辨率重建方法以及基于学习的超分辨率重建方法。但基于插值的超分辨率重建方法通常由于假设前提为图像平滑，所以使得重建过程中不能恢复图像所丢失的高频信息，容易造成图像边缘位置的模糊等现象，影响重建图像质量。基于重建的超分辨率方法在放大倍数较大时，低分辨率图像所能提供的有效信息相对较少，因此恢复能力受到了极大的制约，重建结果往往不尽如人意。基于学习的方法能够比价好的重建出高分辨率图像，但是其时间话费大，针对每一幅图像要进行学习，重建时间长。目前的基于深度学习的方法存在着网络层数过多导致难以训练，以及需要大量的迭代次数和样本数据等问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法，能够较为快速的重建出高质量的高分辨率图像，使得通过将低分辨率的图像进行重建图像质量得到提高能够更好的被应用于更多场景。
为了解决上述技术问题，本发明提供了一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法，所述方法包括：
获取低分辨率的图像，进行双三次放大处理，获得对应放大倍数的模糊高分辨率图像；
将模糊高分辨率图像进行提取特征处理，获得由大到小不同尺度的模糊高分辨率图像特征；
将低分辨率的图像进行提取特征处理，获得由小到大的逐层不同尺度的低分辨率图像特征；
获取模糊高分辨率图像特征以及低分辨率图像特征通过重建超分辨率网络将不同层次的图像特征进行融合，获得图像残差；
获取图像残差结合模糊高分辨率图像通过卷积方法进行叠加处理，获得高分辨率的图像。
优选地，所述双拉普拉斯金字塔卷积神经网络包括特征提取网络和重建超分辨率网络。
优选地，所述将模糊高分辨率图像进行提取特征处理及所述的将低分辨率的图像进行提取特征处理之前，根据对应放大的倍数对双拉普拉斯金字塔卷积神经网络中的特征提取网络的网络层数进行对应的调整。
优选地，所述的模糊高分辨率图像以及所述的低分辨率的图像是同时输入到双拉普拉斯金字塔卷积神经网络中的特征提取网络进行特征提取。
优选地，所述的获取所述的由大到小不同尺度的图像特征以及所述的由小到大的逐层不同尺度的图像特征通过重建超分辨率网络进行融合的步骤是采用了一种叠加的损失函数去约束图像中间过程中的特征，其计算公式为：
其中，高分辨率图像为Xs，对应S层所能得到的高分辨率图像为αs为第S层损失的权重，L是图像层次的最后一层，N是指训练是训练样本的数量，W是网络参数，最后一项是正则化项，我们设置最后一层的αL＝1，其他中间层的αs＝0.35，β是权重衰退的系数，用于防止过拟合，在本发明中，β取值是0.0001。
在本发明实施例中，能够较为快速的重建出高质量的高分辨率图像，使得重建图像质量得到提高能够更好的被应用于更多场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法流程示意图；
图2是本发明实施例中的双拉普拉斯金字塔卷积神经网络的示意图。
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。
图1是本发明实施例的一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法流程示意图。如图1所示，所述方法包括：
S1，获取低分辨率的图像，进行双三次放大处理，获得对应放大倍数的模糊高分辨率图像；
S2，将模糊高分辨率图像进行提取特征处理，获得由大到小不同尺度的模糊高分辨率图像特征；
S3，将低分辨率的图像进行提取特征处理，获得由小到大的逐层不同尺度的低分辨率图像特征；
S4，获取模糊高分辨率图像特征以及低分辨率图像特征通过重建超分辨率网络将不同层次的图像特征进行融合，获得图像残差；
S5，获取图像残差结合模糊高分辨率图像通过卷积方法进行叠加处理，获得高分辨率的图像。
在具体实施例中，双拉普拉斯金字塔卷积神经网络包括特征提取网络和重建超分辨率网络。
进一步地，所述将模糊高分辨率图像进行提取特征处理及所述的将低分辨率的图像进行提取特征处理之前，根据对应放大的倍数对双拉普拉斯金字塔卷积神经网络中的特征提取网络的网络层数进行对应的调整，如放大倍数为4时，网络的层数为3层。如图2所示，最上层由一个卷积层和6个残差块组成，其中左边3个残差块的作用为低分辨率图像特征的提取以及特征融合。每个残差块由3个卷积层和2个PReLu激活函数组成，每一个卷积层的卷积核大小均为3＊3，卷积核的数量均为64。通过足够深的网络来获得据够大的感受野。每一层的网络结构通过池化层或是反卷积层相连，用于图像特征的下采样和上采样。进一步地，S2及S3是同时输入到双拉普拉斯金字塔卷积神经网络中的特征提取网络进行特征提取。
进一步地，S4是采用了一种叠加的损失函数去约束图像中间过程中的特征，其计算公式为：
其中，高分辨率图像为Xs，对应S层所能得到的高分辨率图像为αs为第S层损失的权重，L是图像层次的最后一层，N是指训练是训练样本的数量，W是网络参数，最后一项是正则化项，我们设置最后一层的αL＝1，其他中间层的αs＝0.35，β是权重衰退的系数，用于防止过拟合，在本发明中，β取值是0.0001。
在具体实施例中，我们会事先对双拉普拉斯金字塔卷积神经网络进行数据集训练，其中利用DIV2K dataset作为训练的数据集。将数据集中的图像进行了下采样操作获得了对应的低分辨率图像，并在将低分辨率图像做了对应倍数的双三次放大获得了对应的双三次放大模糊图像。
为了扩展数据集的数量，我们对数据集中的数据进行了旋转操作，对训练集中的图像我们随意的进行了旋转90°，180°或者270°。
我们将数据集进行了分割操作，以放大倍数为4为例，我们将真实图像以及双三次图像裁剪为96＊96，对应的我们将低分辨率图像裁剪为24＊24，为了保持对应关系，低分辨率图像中的滑动步长为16，真实图像和双三次放大图像的为64个像素点。
具体地，S5是通过卷积方法进行重建超分辨率图像网络后，将获取残差图像结合模糊高分辨率图像进行叠加处理。
在本发明实施例中，能够较为快速的重建出高质量的高分辨率图像，使得重建图像质量得到提高能够更好的被应用于更多场景。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法，其特征在于，所述方法包括：
获取低分辨率的图像，进行双三次放大处理，获得对应放大倍数的模糊高分辨率图像；
将模糊高分辨率图像进行提取特征处理，获得由大到小不同尺度的模糊高分辨率图像特征；
将低分辨率的图像进行提取特征处理，获得由小到大的逐层不同尺度的低分辨率图像特征；
获取模糊高分辨率图像特征以及低分辨率图像特征通过重建超分辨率网络将不同层次的图像特征进行融合，获得图像残差；
获取图像残差结合模糊高分辨率图像通过卷积方法进行叠加处理，获得高分辨率的图像。
2.如权利要求1所述的一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法，其特征在于，所述的模糊高分辨率图像以及所述的低分辨率的图像是同时输入到双拉普拉斯金字塔卷积神经网络中的特征提取网络进行特征提取。
3.如权利要求1所述的一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法，其特征在于，所述的获取所述的由大到小不同尺度的图像特征以及所述的由小到大的逐层不同尺度的图像特征通过重建超分辨率网络进行融合的步骤是采用了一种叠加的损失函数去约束图像中间过程中的特征，其计算公式为：
其中，高分辨率图像为Xs，对应S层所能得到的高分辨率图像为αs为第S层损失的权重，L是图像层次的最后一层，N是指训练是训练样本的数量，W是网络参数，最后一项是正则化项，则设置最后一层的αL＝1，其他中间层的αs＝0.35，β是权重衰退的系数，用于防止过拟合，β取值是0.0001。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810095396.0A CN108428212A (zh) | 2018-01-30 | 2018-01-30 | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810095396.0A CN108428212A (zh) | 2018-01-30 | 2018-01-30 | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108428212A true CN108428212A (zh) | 2018-08-21 |
Family
ID=63156281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810095396.0A Pending CN108428212A (zh) | 2018-01-30 | 2018-01-30 | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428212A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
| CN109544448A (zh) * | 2018-11-09 | 2019-03-29 | 浙江工业大学 | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 |
| CN109740688A (zh) * | 2019-01-09 | 2019-05-10 | 广东工业大学 | 一种太赫兹图像信息解译方法、网络及存储介质 |
| CN109993701A (zh) * | 2019-04-09 | 2019-07-09 | 福州大学 | 一种基于金字塔结构的深度图超分辨率重建的方法 |
| CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110288524A (zh) * | 2019-05-09 | 2019-09-27 | 广东启迪图卫科技股份有限公司 | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 |
| CN110570356A (zh) * | 2019-09-18 | 2019-12-13 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110636289A (zh) * | 2019-09-27 | 2019-12-31 | 北京金山云网络技术有限公司 | 图像数据传输方法、系统、装置、电子设备及存储介质 |
| CN110647934A (zh) * | 2019-09-20 | 2020-01-03 | 北京百度网讯科技有限公司 | 视频超分辨率重建模型的训练方法、装置和电子设备 |
| 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 |
| WO2020062191A1 (zh) * | 2018-09-29 | 2020-04-02 | 华为技术有限公司 | 图像处理方法、装置及设备 |
| CN111260558A (zh) * | 2020-01-22 | 2020-06-09 | 武汉大学 | 一种可变倍率的图像超分辨率网络模型 |
| CN111369440A (zh) * | 2020-03-03 | 2020-07-03 | 网易（杭州）网络有限公司 | 模型训练、图像超分辨处理方法、装置、终端及存储介质 |
| CN111681165A (zh) * | 2020-06-02 | 2020-09-18 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
| CN112102173A (zh) * | 2020-10-26 | 2020-12-18 | 安庆师范大学 | 光场图像角度超分辨率重建方法 |
| CN112435162A (zh) * | 2020-11-13 | 2021-03-02 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
| CN112508958A (zh) * | 2020-12-16 | 2021-03-16 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
| CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
| CN107392852A (zh) * | 2017-07-10 | 2017-11-24 | 深圳大学 | 深度图像的超分辨率重建方法、装置、设备及存储介质 |
-
2018
- 2018-01-30 CN CN201810095396.0A patent/CN108428212A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
| CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
| CN107392852A (zh) * | 2017-07-10 | 2017-11-24 | 深圳大学 | 深度图像的超分辨率重建方法、装置、设备及存储介质 |
Cited By (28)
| 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 |
| WO2020062191A1 (zh) * | 2018-09-29 | 2020-04-02 | 华为技术有限公司 | 图像处理方法、装置及设备 |
| CN109376667B (zh) * | 2018-10-29 | 2021-10-01 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
| CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
| CN109544448A (zh) * | 2018-11-09 | 2019-03-29 | 浙江工业大学 | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 |
| CN109740688A (zh) * | 2019-01-09 | 2019-05-10 | 广东工业大学 | 一种太赫兹图像信息解译方法、网络及存储介质 |
| CN109993701A (zh) * | 2019-04-09 | 2019-07-09 | 福州大学 | 一种基于金字塔结构的深度图超分辨率重建的方法 |
| CN109993701B (zh) * | 2019-04-09 | 2022-06-21 | 福州大学 | 一种基于金字塔结构的深度图超分辨率重建的方法 |
| CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| WO2020220517A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110288524A (zh) * | 2019-05-09 | 2019-09-27 | 广东启迪图卫科技股份有限公司 | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 |
| CN110570356B (zh) * | 2019-09-18 | 2023-10-20 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110570356A (zh) * | 2019-09-18 | 2019-12-13 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110647934B (zh) * | 2019-09-20 | 2022-04-08 | 北京百度网讯科技有限公司 | 视频超分辨率重建模型的训练方法、装置和电子设备 |
| CN110647934A (zh) * | 2019-09-20 | 2020-01-03 | 北京百度网讯科技有限公司 | 视频超分辨率重建模型的训练方法、装置和电子设备 |
| CN110636289A (zh) * | 2019-09-27 | 2019-12-31 | 北京金山云网络技术有限公司 | 图像数据传输方法、系统、装置、电子设备及存储介质 |
| CN110636289B (zh) * | 2019-09-27 | 2021-11-05 | 北京金山云网络技术有限公司 | 图像数据传输方法、系统、装置、电子设备及存储介质 |
| CN111260558B (zh) * | 2020-01-22 | 2021-10-22 | 武汉大学 | 一种可变倍率的图像超分辨率网络模型 |
| CN111260558A (zh) * | 2020-01-22 | 2020-06-09 | 武汉大学 | 一种可变倍率的图像超分辨率网络模型 |
| CN111369440B (zh) * | 2020-03-03 | 2024-01-30 | 网易（杭州）网络有限公司 | 模型训练、图像超分辨处理方法、装置、终端及存储介质 |
| CN111369440A (zh) * | 2020-03-03 | 2020-07-03 | 网易（杭州）网络有限公司 | 模型训练、图像超分辨处理方法、装置、终端及存储介质 |
| CN111681165A (zh) * | 2020-06-02 | 2020-09-18 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
| CN112102173B (zh) * | 2020-10-26 | 2022-06-24 | 安庆师范大学 | 光场图像角度超分辨率重建方法 |
| CN112102173A (zh) * | 2020-10-26 | 2020-12-18 | 安庆师范大学 | 光场图像角度超分辨率重建方法 |
| CN112435162A (zh) * | 2020-11-13 | 2021-03-02 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
| CN112435162B (zh) * | 2020-11-13 | 2024-03-05 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
| CN112508958A (zh) * | 2020-12-16 | 2021-03-16 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
| CN112508958B (zh) * | 2020-12-16 | 2022-07-19 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108428212A (zh) | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 | |
| CN107492070A (zh) | 一种双通道卷积神经网络的单图像超分辨率计算方法 | |
| CN109741256A (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
| CN105488776B (zh) | 超分辨率图像重建方法和装置 | |
| CN106204449A (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
| CN110232653A (zh) | 快速轻型超分辨率重建密集残差网络 | |
| CN104899835B (zh) | 基于盲模糊估计与锚定空间映射的图像超分辨处理方法 | |
| CN112801901A (zh) | 基于分块多尺度卷积神经网络的图像去模糊算法 | |
| CN106952229A (zh) | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 | |
| CN104063856B (zh) | 一种快速超分辨率图像重建方法和装置 | |
| CN109272447A (zh) | 一种深度图超分辨率方法 | |
| CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
| Shen et al. | Convolutional neural pyramid for image processing | |
| CN103413286A (zh) | 一种基于学习的高动态范围与高分辨率图像联合重建方法 | |
| CN111402128A (zh) | 一种基于多尺度金字塔网络的图像超分辨率重建方法 | |
| CN111768340B (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
| CN104299193B (zh) | 一种基于高频和中频信息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 | |
| CN116309070A (zh) | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 | |
| CN110349085A (zh) | 一种基于生成对抗网络的单幅图像超分辨特征增强方法 | |
| CN117274059A (zh) | 基于图像编码-解码的低分辨率图像重构方法及其系统 | |
| CN107133915A (zh) | 一种基于学习的图像超分辨率重构方法 | |
| CN111563843B (zh) | 一种图像超分辨重构方法、系统及相关装置 | |
| Tang et al. | Deep residual networks with a fully connected reconstruction layer for single image super-resolution | |
| CN111754399A (zh) | 基于梯度的保持几何结构的图像超分辨率方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |