CN108805814B - 基于多频段深度卷积神经网络的图像超分辨重建方法 - Google Patents
基于多频段深度卷积神经网络的图像超分辨重建方法 Download PDFInfo
- Publication number
- CN108805814B CN108805814B CN201810582458.0A CN201810582458A CN108805814B CN 108805814 B CN108805814 B CN 108805814B CN 201810582458 A CN201810582458 A CN 201810582458A CN 108805814 B CN108805814 B CN 108805814B
- Authority
- CN
- China
- Prior art keywords
- resolution image
- image
- reconstruction
- resolution
- 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 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 abstract description 5
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 230000015654 memory Effects 0.000 abstract description 2
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000241796 Christia obcordata Species 0.000 description 1
- 241001504519 Papio ursinus Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000007704 transition Effects 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 transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
Abstract
本发明公开了一种基于多频段深度卷积神经网络的图像超分辨重建方法。其步骤为：选取训练样本和测试样本；训练图像进行分批输入网络，进行特征提取，并结合长短期记忆构建多频段学习结构，再进行特征细化、特征映射和上采样重建；根据训练得到的模型，获得网络参数，完成图像重建。本发明通过引入多频段学习，增强高频信息重建，并利用记忆迁移操作使网络同时具有长短期记忆，加快了图像重建速度，增强了图像边缘和纹理细节的重建，获得了质量更好的图像超分辨重建结果。本发明具有较强的超分辨率能力，重建的图像更接近真实图像。
Description
技术领域
本发明属于图像技术领域，具体涉及一种基于多频段深度卷积神经网络的单幅图像超分辨重建方法。
背景技术
在医学、天文、监控、军事等领域中，高分辨率图像具有很大的意义。而目前传统的图像超分辨技术无法重建出较好的高分辨率图像，其纹理细节、边缘特征的恢复还有待提高。近年来，基于卷积神经网络的图像超分辨重建方法比传统方法更具优势，受到了广泛的关注。
Dong等人首次提出基于卷积神经网络的图像超分辨重建方法SRCNN，利用三层卷积神经网络大大提高了图像分辨率，随后该团队又提出FSRCNN，利用转置卷积操作替代传统方法中的上采样操作；kim等人提出基于深度卷积神经网络的图像超分辨重建方法VDSR，利用梯度剪裁和残差学习解决深层网络训练困难的问题。随后又提出DRCN方法，实现共享参数；随后又相继出现了很多基于深度学习的图像超分辨重建方法，如Jia等人提出MSSR方法，利用多路径实现图像在单个网络中可多倍放大的目的。
现有的基于卷积神经网络的图像超分辨重建方法可有效地提高图像超分辨重建性能，但是却有以下缺陷：这些方法都利用图像的低频信息重建高频信息，计算复杂度高，重建后的图像细节恢复还是不够，重建图像的边缘和纹理细节不够清晰，难以满足现实需求。而且由于网络结构使得训练难度高，很难达到收敛，容易出现梯度消失现象，灵活性低。
发明内容
为了解决现有技术中存在的上述缺陷，本发明针对近年来基于卷积神经网络的图像超分辨重建方法的不足之处，提出一种基于多频段深度卷积神经网络的图像超分辨重建方法，目的在于有效地降低计算复杂度，提高图像重建的精度，增强图像恢复的细节，满足现实需求。
为了实现上述目的，本发明是通过下述技术方案：
本发明采用残差学习思想，提供一种基于多频段深度卷积神经网络的图像超分辨重建方法，使网络同时具有长短期记忆，并利用不同的通路提取图像的高、中、低频段信息，并设置合适的参数，不仅增强了重建精度，还降低了网络的计算复杂度，训练速度快，具体步骤包括：
步骤S1，用291幅图像数据集生成真实高分辨率图像库X，根据此高分辨率图像下采样得到低分辨率图像库Y，利用Set5数据集中的高分辨率图像构成验证集图像库；
步骤S2，将步骤S1所述的真实高分辨率图像库X、低分辨率图像库Y和验证集图像库图像进行分块，并分批存入数据集中，得到最后的训练数据集；
步骤S3，构建多频段深度卷积神经网络训练模型，将整个网络分为特征提取层、特征细化层、特征映射层和重建层四个部分；
步骤S4，将步骤S2得到的训练数据集输入构建的多频段深度卷积神经网络训练模型中，经过N次寻优，获得模型用于重建；
步骤S5，将待处理的低分辨图像输入训练得到的模型中，获得高分辨率图像输出。
上述技术方案中，本发明进一步优选的方案为：
优选的，所述步骤S1中，将真实高分辨率图像库X和验证集图像库由RGB色彩空间转换为YCbCr色彩空间，并提取其亮度通道得到单通道图像作为最终的高分辨图像库和验证集图像库。
优选的，所述步骤S1中，对高分辨率图像库X＝{X1,X2,...,Xn}进行双三次插值算法下采样得到低辨率图像库Y＝{Y1,Y2,...,Yn}，其中Xn∈RM×L表示第n个真实高分辨率图像样本，
表示第n个低分辨率图像样本，1≤n≤N，N表示真实高分辨率图像样本个数，M×L表示真实高分辨率图像的大小，s表示放大倍数。
优选的，所述步骤S2中，将低分辨率图像库Y的图像采用步长为11分割成15×15的小图像块，将高分辨率图像库X的图像采用步长为33分割成45×45的小图像块，并用128的批量保存在训练数据文件中，对验证集图像库的图像采取与高分辨率图像库X的图像相同分割的操作，得到最终的训练数据集。
优选的，所述步骤S3中，构建的多频段深度卷积神经网络训练模型中，设置特征提取层的卷积层个数NT＝3，特征细化层的卷积层个数NX＝6，特征映射层的卷积层个数NY＝2，重建层的卷积层个数NC＝1。
优选的，所述的特征细化层中将图像信息分为高、中、低三个频段，使用三个不同的通路进行多频段的特征提取，高频段通路采用NH＝3个卷积层，中频段通路采用NM＝2个卷积层，而低频通路则直接采用残差学习模块中的跳连接操作，即NL＝0，并设置网络中所有的卷积核大小为3×3。
优选的，所述步骤S4中，包括以下步骤：
4a)采用真实高分辨率图像与预测高分辨率图像之间的均方误差作为损失函数，利用caffe框架进行模型训练，其数学模型为：
其中，F(Y；θ)为预测高分辨率图像，Xi为第i个真实高分辨率图像，n为真实高分辨率图像样本个数；
4b)采用Adma优化网络参数，通过BP算法传递梯度误差，并不断更新权值参数，更新方式为：
其中，Δ表示权值更新增量，W表示权值，L表示损失函数，l和i分别指层数和迭代次数，α是学习率；
4c)用损失函数的值作为衡量图像质量的标准，不断更新网络参数，寻找网络中参数的最优解。
优选的，所述步骤S5中，训练的网络模型最适用于放大倍数为3的超分辨重建任务，利用此训练好的参数文件，整体复制到放大倍数为2和4的网络中，继续训练，得到放大倍数分别为2和4的网络模型。
优选的，所述步骤S5中，将待测图像由RGB空间转换为YCbCr空间，提取其亮度通道，并输入到训练好的网络模型中，执行一次前向传播操作，获得亮度通道经过超分辨处理的高分辨率图像，将其与双三次插值上采样的Cb和Cr两个通道获得的高分辨率图像相加，再转换到RGB色彩空间中，获得最终的高分辨率图像输出。
本发明由于采取以上技术方案，其具有以下有益效果：
第一，本发明利用局部长期记忆，有效地保留低分辨率特征空间中的图像信息，使整个网络同时具有长短期记忆，不仅提高了图像重建的精度，还为梯度传递提供另一个通道，缓解了梯度弥散造成的问题；
第二，本发明利用多频段学习结构，重构图像的中频信息，丰富了重建图像的信息，有效地增强了图像细节。
第三，本发明的网络结构卷积层数相对较少，重建结果好，速度快。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：
图1为本发明的网络模型；
图2为本发明训练阶段流程图；
图3为本发明重建阶段流程图。
图4(a)为现有技术真实的高分辨率图像，图4(b)-图4(e)为其他四种方法的重建结果，图4(f)-图4(g)为本发明重建图像；
图5(a)为现有技术真实的高分辨率图像，图5(b)-图5(e)为其他四种方法的重建结果，图5(f)-图5(g)为本发明重建图像。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图以及具体实施例对本发明进行更完整的描述。在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定，基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。
图1为本发明提供的一种基于多频段深度卷积神经网络的图像超分辨重建方法的网络模型，图2为本发明的网络模型训练流程图，图3为本发明处理待测低分辨率图像的重建流程图，基于多频段深度卷积神经网络的图像超分辨重建方法具体包括以下流程：
步骤S1，用291幅图像数据集生成真实高分辨率图像库，根据此高分辨率图像下采样得到低分辨率图像库，利用Set5数据集中的高分辨率图像构成验证集。
其中，真实高分辨率图像库用X表示，低分辨率图像库用Y表示。
具体地，在生成低分辨率图像库之前，需要对彩色图像进行RGB到YCbCR空间的转换，并提取其亮度通道图像，作为最终的高分辨率图像库。对高分辨率图像库X＝{X1,X2,...,Xn}进行双三次插值算法下采样得到低辨率图像库Y＝{Y1,Y2,...,Yn}，其中Xn∈RM×L表示第n个真实高分辨率图像样本，
表示第n个低分辨率图像样本，其中，1≤n≤N，N表示真实高分辨率图像样本个数，M×L表示真实高分辨率图像的大小，s表示放大倍数。用Set5数据集中的高分辨率图像构成验证集，用同样的操作构成其高、低分辨率图像库。
步骤S2，将S1所述的图像库进行分块，并分批存入数据集中，得到最后的训练集。
具体地，将低分辨率图像库的图像采用步长为11分割成15×15的小图像块，将高分辨率图像库图像采用步长为33分割成45×45的小图像块，并用128的批量保存在训练数据文件中，对Set5验证集采取相同的操作，并用2的批量存入验证数据文件中，训练集和验证集构成最终的训练数据集。
步骤S3，构建多频段深度卷积神经网络模型，将整个网络分为特征提取层、特征细化层、特征映射层和重建层四个部分。
其中，构建的训练模型中设置特征提取层的卷积层个数NT＝3、特征细化层的卷积层个数NX＝6、特征映射层的卷积层个数NY＝2和重建层的卷积层个数NC＝1。
具体地，特征细化层中将图像信息分为高、中、低三个频段，使用三个不同的通路进行多频段的特征提取，高频段通路采用NH＝3个卷积层，中频段通路采用NM＝2个卷积层，而低频通路则直接采用残差学习模块中的跳连接操作，即NL＝0，并设置网络中所有的卷积核大小为3×3。
步骤S4，将训练集输入构建的多频段深度卷积神经网络模型中，采用caffe框架进行模型训练，用损失函数的值作为衡量图像质量的标准，不断更新网络参数，经过N次寻优，得到网络中参数的最优解，获得模型用于重建。
其中，采用真实高分辨率图像与预测高分辨率图像之间的均方误差作为损失函数，其数学模型为：
其中，F(Y；θ)为预测高分辨率图像，Xi为真实高分辨率图像为，n为样本个数。
具体地，采用Adma优化网络参数，通过BP算法传递梯度误差，并不断更新权值参数，更新方式为：
其中，Δ表示权值更新增量，W表示权值，L表示损失函数，l和i分别指层数和迭代次数，α是学习率。
步骤S5，初次训练得到的网络模型只适用于放大倍数为3的超分辨重建任务，利用此训练好的参数文件，整体复制到放大倍数为2和4的网络中，重复S4继续训练，得到放大倍数分别为2和4的网络模型。将待处理的低分辨图像输入训练得到的模型中，获得高分辨率图像输出。
具体地，在对低分辨率图像超分辨重建之前将待测图像由RGB空间转换为YCbCr空间，提取其亮度通道，并输入到训练好的网络模型中，执行一次前向传播操作，获得亮度通道经过超分辨处理的高分辨率图像，将其与双三次插值上采样的Cb和Cr两个通道获得的高分辨率图像相加，再转换到RGB色彩空间中，获得最终的高分辨率图像输出。
本发明的效果可以通过如下实验具体说明：
1.实验条件：
1)实验所用的训练集是公用的291幅图像，验证集用的是Set5数据集；
2)实验所用的编程平台为caffe和matlab；
3)实验中采用峰值信噪比PSNR和结构相似性SSIM指标来评价实验结果，并用均方误差MSE作为损失函数。
2.实验内容：采用现有的caffe框架，编写相应文件，获得训练参数，并在matlab中对待处理的低分辨率图像进行超分辨重建。
为了客观评价本发明的有效性，实验选取了四个具有代表性的超分辨方法作为比较对象，分别是SRCNN、FSRCNN、VDSR和DRCN，并从客观性能参数和主观质量两个方面比较不同方法的重建效果。本次实验图像的客观评价标准选取PSNR和SSIM，放大倍数分别是2、3、4倍。
如表1所示是不同方法重建图像在四个数据集上的对比结果。其中，上方数值和下方数值分别表示PSNR和SSIM.
表1不同方法的重建结果对比
从表1中可以看出，本发明的图像超分辨重建方法在所有放大倍数上都优于其他四种方法，表现出更高的精度。表1中MTSR-2和MTSR-4分别表示MTSR在2个和4个记忆迁移多频段学习模块的测试结果。
因为客观评价指标并不能完全代表一幅图像分辨率的高低，人类的主观评价同样占有重要的作用，因此，本发明展示了两幅不同方法的视觉效果对比图。
图4(a)-图4(g)和图5(a)-图5(g)为列举的两幅视觉效果对比图，放大倍数均为4倍。图4(a)和图5(a)都是真实的高分辨率图像，图4(b)-图4(e)和图5(b)-图5(e)分别为其他四种方法的重建结果，图4(f)-图4(g)和图5(f)-图5(g)则为本发明的重建结果。
从图4(a)-图4(g)可以看出，SRCNN、FSRCNN、VDSR和DRCN重建结果中边缘过渡平滑，而在MTSR方法重建结果中，baboon的胡须与鼻子的相交部分比其他四种方法更为清晰，重建出的纹理细节更精确，更能分辨胡须的细节。从图5(a)-图5(g)可以看出，图像271035的蝴蝶翅膀部分，其他四种方法的重建结果中明显出现模糊现象，蝴蝶白色花纹的边缘处有振铃效应，而本发明的方法可更好的恢复这些细节信息，边缘更加清晰。
最后说明的是：以上的具体实施方式仅用于说明本发明，但并非对本发明的限制。相关领域的技术人员可在不超出本发明的精神和范围内，可对本发明作出改进，但任何与本发明等同和类似的变化都属于本发明保护范围。
Claims (8)
1.一种基于多频段深度卷积神经网络的图像超分辨重建方法，其特征在于，包括：
步骤S1，用291幅图像数据集生成真实高分辨率图像库X，根据此高分辨率图像下采样得到低分辨率图像库Y，利用Set5数据集中的高分辨率图像构成验证集图像库；
步骤S2，将步骤S1所述的真实高分辨率图像库X、低分辨率图像库Y和验证集图像库图像进行分块，并分批存入数据集中，得到最后的训练数据集；
步骤S3，构建多频段深度卷积神经网络训练模型，将整个网络分为特征提取层、特征细化层、特征映射层和重建层四个部分；
所述的特征细化层中将图像信息分为高、中、低三个频段，使用三个不同的通路进行多频段的特征提取，高频段通路采用NH＝3个卷积层，中频段通路采用NM＝2个卷积层，而低频通路则直接采用残差学习模块中的跳连接操作，即NL＝0，并设置网络中所有的卷积核大小为3×3；
步骤S4，将步骤S2得到的训练数据集输入构建的多频段深度卷积神经网络训练模型中，经过N次寻优，获得模型用于重建；
步骤S5，将待处理的低分辨图像输入训练得到的模型中，获得高分辨率图像输出。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，将真实高分辨率图像库X和验证集图像库由RGB色彩空间转换为YCbCr色彩空间，并提取其亮度通道得到单通道图像作为最终的高分辨图像库和验证集图像库。
3.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对高分辨率图像库X＝{X1,X2,...,Xn}进行双三次插值算法下采样得到低辨率图像库Y＝{Y1,Y2,...,Yn}，其中Xn∈RM×L表示第n个真实高分辨率图像样本，
表示第n个低分辨率图像样本，1≤n≤N，N表示真实高分辨率图像样本个数，M×L表示真实高分辨率图像的大小，s表示放大倍数。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，将低分辨率图像库Y的图像采用步长为11分割成15×15的小图像块，将高分辨率图像库X的图像采用步长为33分割成45×45的小图像块，并用128的批量保存在训练数据文件中，对验证集图像库的图像采取与高分辨率图像库X的图像相同分割的操作，得到最终的训练数据集。
5.根据权利要求1所述的方法，其特征在于，所述步骤S3中，构建的多频段深度卷积神经网络训练模型中，设置特征提取层的卷积层个数NT＝3，特征细化层的卷积层个数NX＝6，特征映射层的卷积层个数NY＝2，重建层的卷积层个数NC＝1。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4中，包括以下步骤：
4a)采用真实高分辨率图像与预测高分辨率图像之间的均方误差作为损失函数，利用caffe框架进行模型训练，其数学模型为：
其中，F(Y；θ)为预测高分辨率图像，Xi为第i个真实高分辨率图像，n为真实高分辨率图像样本个数；
4b)采用Adma优化网络参数，通过BP算法传递梯度误差，并不断更新权值参数，更新方式为：
其中，Δ表示权值更新增量，W表示权值，L表示损失函数，l和i分别指层数和迭代次数，α是学习率；
4c)用损失函数的值作为衡量图像质量的标准，不断更新网络参数，寻找网络中参数的最优解。
7.根据权利要求1所述的方法，其特征在于，所述步骤S5中，训练的网络模型最适用于放大倍数为3的超分辨重建任务，利用此训练好的参数文件，整体复制到放大倍数为2和4的网络中，继续训练，得到放大倍数分别为2和4的网络模型。
8.根据权利要求1所述的方法，其特征在于，所述步骤S5中，将待测图像由RGB空间转换为YCbCr空间，提取其亮度通道，并输入到训练好的网络模型中，执行一次前向传播操作，获得亮度通道经过超分辨处理的高分辨率图像，将其与双三次插值上采样的Cb和Cr两个通道获得的高分辨率图像相加，再转换到RGB色彩空间中，获得最终的高分辨率图像输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810582458.0A CN108805814B (zh) | 2018-06-07 | 2018-06-07 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810582458.0A CN108805814B (zh) | 2018-06-07 | 2018-06-07 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108805814A CN108805814A (zh) | 2018-11-13 |
| CN108805814B true CN108805814B (zh) | 2020-05-19 |
Family
ID=64087817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810582458.0A Active CN108805814B (zh) | 2018-06-07 | 2018-06-07 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108805814B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740505B (zh) * | 2018-12-29 | 2021-06-18 | 成都视观天下科技有限公司 | 一种训练数据生成方法、装置及计算机设备 |
| CN109905624B (zh) * | 2019-03-01 | 2020-10-16 | 北京大学深圳研究生院 | 一种视频帧插值方法、装置及设备 |
| CN110084773A (zh) * | 2019-03-25 | 2019-08-02 | 西北工业大学 | 一种基于深度卷积自编码网络的图像融合方法 |
| CN110595603B (zh) * | 2019-04-26 | 2022-04-19 | 深圳市豪视智能科技有限公司 | 基于视频进行振动分析方法及相关产品 |
| CN110084752B (zh) * | 2019-05-06 | 2023-04-21 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
| CN110288524B (zh) * | 2019-05-09 | 2020-10-30 | 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 |
| WO2021163844A1 (en) * | 2020-02-17 | 2021-08-26 | Intel Corporation | Super resolution using convolutional neural network |
| RU2764395C1 (ru) | 2020-11-23 | 2022-01-17 | Самсунг Электроникс Ко., Лтд. | Способ и устройство для совместного выполнения дебайеризации и устранения шумов изображения с помощью нейронной сети |
| CN113538229B (zh) * | 2021-05-28 | 2023-12-12 | 华南师范大学 | 基于特征循环融合的多帧红外图像超分辨率方法和系统 |
| CN113538307B (zh) * | 2021-06-21 | 2023-06-20 | 陕西师范大学 | 基于多视角超分辨深度网络的合成孔径成像方法 |
| CN115735225A (zh) * | 2021-06-28 | 2023-03-03 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
| CN114254715B (zh) * | 2022-03-02 | 2022-06-03 | 自然资源部第一海洋研究所 | 一种gf-1 wfv卫星影像超分辨率方法、系统及应用 |
| CN114847963B (zh) * | 2022-05-06 | 2023-08-01 | 广东工业大学 | 一种高精度的心电图特征点检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
| CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
| CN106874898A (zh) * | 2017-04-08 | 2017-06-20 | 复旦大学 | 基于深度卷积神经网络模型的大规模人脸识别方法 |
| CN106910161A (zh) * | 2017-01-24 | 2017-06-30 | 华南理工大学 | 一种基于深度卷积神经网络的单幅图像超分辨率重建方法 |
-
2018
- 2018-06-07 CN CN201810582458.0A patent/CN108805814B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
| CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
| CN106910161A (zh) * | 2017-01-24 | 2017-06-30 | 华南理工大学 | 一种基于深度卷积神经网络的单幅图像超分辨率重建方法 |
| CN106874898A (zh) * | 2017-04-08 | 2017-06-20 | 复旦大学 | 基于深度卷积神经网络模型的大规模人脸识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《Reducing the Dimensionality of Data with Neural Networks》;G.E.Hinton等;《SCIENCE》;20060728;第504-507页 * |
| 《基于极深卷积神经网络的人脸超分辨率重建算法》;孙毅堂等;《计算机应用》;20161231;第1-8页 * |
| 《基于深度学习的图像超分辨率复原研究进展》;孙旭等;《自动化学报》;20170531;第697-709页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108805814A (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805814B (zh) | 基于多频段深度卷积神经网络的图像超分辨重建方法 | |
| CN109064396B (zh) | 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 | |
| CN109118435A (zh) | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 | |
| WO2021022929A1 (zh) | 一种单帧图像超分辨率重建方法 | |
| CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
| CN110136060B (zh) | 基于浅层密集连接网络的图像超分辨率重建方法 | |
| CN108921786A (zh) | 基于残差卷积神经网络的图像超分辨率重构方法 | |
| CN109035267B (zh) | 一种基于深度学习的图像目标抠取方法 | |
| CN110322402B (zh) | 基于稠密混合注意力网络的医学图像超分辨率重建方法 | |
| CN105513033B (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
| CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
| Wei et al. | Improving resolution of medical images with deep dense convolutional neural network | |
| CN111951164B (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 | |
| Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
| CN113902622B (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
| CN110930308A (zh) | 一种图像超分辨生成网络的结构搜索方法 | |
| Song et al. | Grouped multi-scale network for real-world image denoising | |
| CN109801218A (zh) | 基于多层耦合卷积神经网络的多光谱遥感图像Pan-sharpening方法 | |
| CN113744136A (zh) | 基于通道约束多特征融合的图像超分辨率重建方法和系统 | |
| 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 | |
| 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 | |
| He et al. | A lightweight multi-scale feature integration network for real-time single image super-resolution | |
| Yang et al. | RSAMSR: A deep neural network based on residual self-encoding and attention mechanism for image super-resolution | |
| CN116029908A (zh) | 基于跨模态和跨尺度特征融合的3d磁共振超分辨率方法 | |
| Siddiqui et al. | Hierarchical color correction for camera cell phone images |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240412 Address after: No. 10301, 3rd Floor, Block F, BDEF, Airport International Business Center, Airport New City, Xixian New Area, Xi'an City, Shaanxi Province, 712035, E-34 Patentee after: Xi'an best information technology Co.,Ltd. Country or region after: China Address before: 710065 No. 2 Taibai South Road, Yanta District, Xi'an, Shaanxi Patentee before: XIDIAN University Country or region before: China |