CN108921786B - 基于残差卷积神经网络的图像超分辨率重构方法 - Google Patents
基于残差卷积神经网络的图像超分辨率重构方法 Download PDFInfo
- Publication number
- CN108921786B CN108921786B CN201810615086.7A CN201810615086A CN108921786B CN 108921786 B CN108921786 B CN 108921786B CN 201810615086 A CN201810615086 A CN 201810615086A CN 108921786 B CN108921786 B CN 108921786B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution image
- residual
- resolution
- low
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009394 selective breeding Methods 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 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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)
Abstract
本发明属于图像处理、计算机视觉技术领域,为提出新的技术方案,通过多层卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系,将低分辨率图像作为网络的输入,输出具有丰富高频信息的高分辨率图像,提高图像的重建质量和视觉效果。为此,本发明采用的技术方案是,基于残差卷积神经网络的图像超分辨率重构方法,通过多个残差单元的连接学习低分辨率图像与高分辨率图像之间的映射关系,利用学习到的映射关系重建高分辨率图像。本发明主要应用于图像处理场合。
Description
技术领域
本发明属于图像处理、计算机视觉技术领域,涉及一种基于卷积神经网络的图像超分辨率重构方法。
背景技术
图像超分辨率重构技术是从单帧或多帧的低分辨率图像中重建出高分辨率图像的过程。重构图像相较于低分辨率图像具有更丰富的高频细节信息,所以在计算机视觉和图像处理中有着广泛的应用。图像超分辨率重构是一个具有理论意义和实践价值的计算机视觉问题。图像超分辨率重构技术可以分为三类:基于插值的方法、基于重建的方法和基于学习的方法。
基于插值的方法主要包括双线性插值、双三次插值、最近邻方法等,由于基于插值的方法具有低复杂度的优势,算法的运行速度较快。但是基于插值的超分辨率重构算法较为简单,并不能取得较好的图像重建效果。基于重建的超分辨率重构的方法是对图像的降质过程建立模型,通过获得模型逆过程的最优解,重建出高分辨率图像的方法。该方法由于受配准效果和先验知识的限制,具有一定局限性。
基于学习的方法是学习低分辨图像块与高分辨率图像块之间的映射关系,利用学习到的映射关系重建出高分辨率图像,由于其优越的性能越来越成为超分辨率重构研究的重点。近几年,随着深度学习理论的发展,卷积神经网络在图像分类、图像去雨、图像去噪等研究领域取得了较好的效果,在图像超分辨率重构中也有越来越多的应用。相较于人为的选取特征,使用卷积神经网络能够提取到较丰富、更有利于重建的图像特征。但是现有的基于卷积神经网络图像超分辨率重构算法存在网络较浅,可利用的上下文信息较少,需要对图像进行预处理,网络训练速度较慢与梯度消失等问题。
发明内容
为克服现有技术的不足,本发明旨在提出新的技术方案,通过多层卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系,将低分辨率图像作为网络的输入,输出具有丰富高频信息的高分辨率图像,提高图像的重建质量和视觉效果。为此,本发明采用的技术方案是,基于残差卷积神经网络的图像超分辨率重构方法,通过多个残差单元的连接学习低分辨率图像与高分辨率图像之间的映射关系,利用学习到的映射关系重建高分辨率图像。
具体步骤细化如下:
1)图像预处理
在网络训练前需要将低分辨率图像进行图像预处理,具体过程为使用双三次插值的方法将低分辨率图像扩展为相应尺寸图像,再将图像从RGB空间转换为YCbCr空间,由于人眼对于亮度信息更敏感,因此只处理图像的Y通道,将其作为网络的输入;
2)特征提取
对于输入的低分辨率图像,使用卷积神经网络对低分辨率图像进行特征提取,计算关系为:
F1(I)=σ(W1*I+B1)
式中,I表示输入的图像,W1表示卷积层的权重,B1表示卷积层的偏置值,σ表示线性修正单元ReLU(Rectified Linear Unit)激励函数;
3)非线性映射
在非线性映射过程中使用残差连接的方式,改进的残差单元表示如下式:
式中,N为网络中残差单元的数量,n表示网络中的第n个残差单元,x表示残差单元的输入,y表示残差单元的输出,Wi,i=1,2,3,...,N表示第i层的权重,表示反卷积操作,*表示卷积操作,在残差单元中使了卷积和反卷积操作,对图像特征进了放缩,卷积层使特征图尺寸缩小,反卷积层使特征图尺寸增大;
4)图像重建
图像重建是将非线性映射后的特征融合成高分辨率图像的过程,通过一个卷积层实现超分辨率图像的重建,计算关系为:
F(I)=Wm*Fm(I)+Bm,
式中,Wm表示该卷积层的权重,Bm表示卷积层的偏置,Wm包含1个fm×fm×nm-1尺寸大小的滤波器,fm×fm为滤波器的尺寸,nm-1为非线性映射后的特征图数量,重建后的图像为亮度分量,将低分辨率图像的Cb、Cr分量与重建后的Y分量结合,再转换到RGB空间,得到重建的高分辨率图像。
本发明的特点及有益效果是:
1)本发明采用残差卷积神经网络进行图像超分辨率重构,能够学习到更丰富的图像特征,可以重建出具有丰富纹理信息的高频图像。
2)本发明将残差单元进行改进,提出了卷积层与反卷积结合的残差单元结构,可以更好的提取用于重建的敏感特征,加速网络的收敛,避免信息在训练过程中丢失。
3)本发明提出的卷积神经网络图像超分辨率重构有一定的应用价值,该算法可以被应用到如图像处理和计算机视觉等领域。
附图说明:
图1网络结构。(Conv表示卷积层,ReLU为线性修正单元,Residual Unit为残差单元,LR为低分辨率图像,HR为高分辨率图像)
图2残差单元。(Conv表示卷积层,Deconv表示解卷积层,ReLU为修正线性单元)
图3本发明实验结果
(a)低分辨率Y分量图像,(b)双三次插值Y分量图像,(c)本发明重建Y分量图像,(d)高分辨率Y分量图像。
具体实施方式
本发明实现了一种基于残差卷积神经网络的图像超分辨率重构方法,对卷积神经网络的残差单元结构进行了改进,通过多个残差单元的连接学习低分辨率图像与高分辨率图像之间的映射关系,利用学习到的映射关系重建高分辨率图像。
1图像预处理
在网络训练前需要将低分辨率图像进行图像预处理,具体过程为使用双三次插值的方法将低分辨率图像扩展为相应尺寸图像。再将图像从RGB空间转换为YCbCr空间,由于人眼对于亮度信息更敏感,因此只处理图像的Y通道,将其作为网络的输入。
2特征提取
对于输入的低分辨率图像,为了获取图像的特征,相较于传统算法中人为的去选取特征,使用卷积神经网络对低分辨率图像进行特征提取更易获得用于图像超分辨率重构的有效特征。本发明的特征提取过程由一个卷积层组成,计算关系为:
F1(I)=σ(W1*I+B1)
式中,I表示输入的图像,W1表示卷积层的权重,B1表示卷积层的偏置值,σ表示线性修正单元(Rectified Linear Unit,ReLU)激励函数;经过特征提取后,图像被表示为高维向量,有利于后续非线性映射过程学习到高水平图像特征。
3非线性映射
在图像超分辨率重构任务中,训练深层卷积神经网络时,由于网络层数过深,图像细节信息在经过多层卷积处理后会消失,引起网络性能退化的问题,从而不能得到最优的训练结果。为了保留不同水平的图像特征,本文在非线性映射过程中使用了残差连接的方式,改进的残差单元可表示为式
式中,N为网络中残差单元的数量,n表示网络中的第n个残差单元,x表示残差单元的输入,y表示残差单元的输出,Wi,i=1,2,3,...,N表示第i层的权重,表示反卷积操作,*表示卷积操作,为了表示方便省略了偏置项。本发明在残差单元中使用了卷积和反卷积操作,对图像特征进行了放缩,卷积层使特征图尺寸缩小,反卷积层使特征图尺寸增大,通过卷积层与反卷积层的结合并引入跳跃连接,可以提取更深层次的特征,更好的实现非线性映射过程。
4图像重建
图像重建是将非线性映射后的特征融合成高分辨率图像的过程,本发明通过一个卷积层实现超分辨率图像的重建,计算关系为:
F(I)=Wm*Fm(I)+Bm,
式中,Wm表示该卷积层的权重,Bm表示该卷积层的偏置,为了产生一幅高分辨率图像,Wm包含1个fm×fm×nm-1尺寸大小的滤波器,fm×fm为滤波器的尺寸,nm-1为非线性映射后的特征图数量。重建后的图像为亮度分量,将低分辨率图像的Cb、Cr分量与重建后的Y分量结合,再转换到RGB空间,得到重建的高分辨率图像。
下面结合算法流程框图对本发明进行详细的描述。
如图1所示,本发明提供一种基于残差卷积神经网络的图像超分辨率重构方法,其包括以下步骤:
步骤1:预处理
将训练数据集进行下采样,再将其插值放大到相应的倍数,将颜色空间转换到YCbCr空间,只取Y分量,再将图像切成41×41大小的小块作为网络输入。
步骤2:特征提取
本发明的特征提取过程由一个卷积层组成,计算关系为:
F1(I)=σ(W1*I+B1)
式中,I表示输入的图像,W1表示卷积层的权重,B1表示卷积层的偏置值,σ表示线性修正单元(Rectified Linear Unit,ReLU)激励函数;经过特征提取后,图像被表示为高维向量,有利于后续非线性映射过程学习到高水平图像特征。
步骤3:非线性映射
非线性映射由多个残差单元的连接组成,改进的第n个残差单元可表示为式
式中,N为网络中残差单元的数量,n表示网络中的第n个残差单元,x表示残差单元的输入,y表示残差单元的输出,Wi,i=1,2,3,...,N表示第i层的权重,表示反卷积操作,*表示卷积操作,为了表示方便省略了偏置项。
步骤4:图像重建
图像重建是将非线性映射后的特征融合成高分辨率图像的过程,本发明通过一个卷积层实现超分辨率图像的重建,计算关系为:
F(I)=Wm*Fm(I)+Bm,
式中,Wm表示该卷积层的权重,Bm表示该卷积层的偏置值,为了产生一幅高分辨率图像,Wm包含1个fm×fm×nm-1尺寸大小的滤波器,fm×fm为滤波器的尺寸,nm-1为非线性映射后的特征图数量。重建后的图像为亮度分量,将低分辨率图像的Cb、Cr分量与重建后的Y分量结合,再转换到RGB空间,得到重建的高分辨率图像。
Claims (1)
1.一种基于残差卷积神经网络的图像超分辨率重构方法,其特征是,通过多个残差单元的连接学习低分辨率图像与高分辨率图像之间的映射关系,利用学习到的映射关系重建高分辨率图像;具体步骤细化如下:
1)图像预处理
在网络训练前需要将低分辨率图像进行图像预处理,具体过程为使用双三次插值的方法将低分辨率图像扩展为相应尺寸图像,再将图像从RGB空间转换为YCbCr空间,由于人眼对于亮度信息更敏感,因此只处理图像的Y通道,将其作为网络的输入;
2)特征提取
对于输入的低分辨率图像,使用卷积神经网络对低分辨率图像进行特征提取,计算关系为:
F1(I)=σ(W1*I+B1)
式中,W1表示卷积层的权重,B1表示卷积层的偏置值,σ表示线性修正单元ReLU(Rectified Linear Unit)激励函数;
3)非线性映射
在非线性映射过程中使用残差连接的方式,改进的残差单元表示如下式:
式中,N为网络中残差单元的数量,n表示网络中的第n个残差单元,x表示残差单元的输入,y表示残差单元的输出,Wi,i=1,2,3,...,N表示第i层的权重,表示反卷积操作,*表示卷积操作,在残差单元中使了卷积和反卷积操作,对图像特征进了放缩,卷积层使特征图尺寸缩小,反卷积层使特征图尺寸增大;
4)图像重建
图像重建是将非线性映射后的特征融合成高分辨率图像的过程,通过一个卷积层实现超分辨率图像的重建,计算关系为:
F(I)=Wm*Fm(I)+Bm,
式中,Wm表示该卷积层的权重,Bm表示卷积层的偏置,Wm包含1个fm×fm×nm-1尺寸大小的滤波器,fm×fm为滤波器的尺寸,nm-1为非线性映射后的特征图数量,重建后的图像为亮度分量,将低分辨率图像的Cb、Cr分量与重建后的Y分量结合,再转换到RGB空间,得到重建的高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615086.7A CN108921786B (zh) | 2018-06-14 | 2018-06-14 | 基于残差卷积神经网络的图像超分辨率重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615086.7A CN108921786B (zh) | 2018-06-14 | 2018-06-14 | 基于残差卷积神经网络的图像超分辨率重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921786A CN108921786A (zh) | 2018-11-30 |
CN108921786B true CN108921786B (zh) | 2022-06-28 |
Family
ID=64420228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810615086.7A Expired - Fee Related CN108921786B (zh) | 2018-06-14 | 2018-06-14 | 基于残差卷积神经网络的图像超分辨率重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921786B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886871B (zh) * | 2019-01-07 | 2023-04-07 | 国家新闻出版广电总局广播科学研究院 | 基于通道注意力机制和多层特征融合的图像超分辨率方法 |
CN109816592B (zh) * | 2019-01-26 | 2022-05-13 | 福州大学 | 一种基于卷积神经网络的单帧图像连续尺度超分辨率方法 |
CN109949222B (zh) * | 2019-01-30 | 2020-11-13 | 北京交通大学 | 基于语义图的图像超分辨率重建方法 |
CN109903226B (zh) * | 2019-01-30 | 2023-08-15 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
CN109949224B (zh) * | 2019-02-26 | 2023-06-30 | 北京悦图遥感科技发展有限公司 | 一种基于深度学习的联级超分辨率重建的方法及装置 |
CN109978764B (zh) * | 2019-03-11 | 2021-03-02 | 厦门美图之家科技有限公司 | 一种图像处理方法及计算设备 |
CN110175953B (zh) * | 2019-05-24 | 2023-04-18 | 鹏城实验室 | 一种图像超分辨方法和系统 |
CN110706154B (zh) * | 2019-08-28 | 2021-08-31 | 西北大学 | 一种基于层次化残差神经网络的图像超分辨率方法 |
CN110852944B (zh) * | 2019-10-12 | 2023-11-21 | 天津大学 | 基于深度学习的多帧自适应融合的视频超分辨方法 |
CN111626937A (zh) * | 2020-05-28 | 2020-09-04 | 成都三零凯天通信实业有限公司 | 一种人像超分辨率重建方法 |
CN111667444B (zh) * | 2020-05-29 | 2021-12-03 | 湖北工业大学 | 一种基于多通道残差网络的图像压缩感知重建方法 |
CN112070676B (zh) * | 2020-09-10 | 2023-10-27 | 东北大学秦皇岛分校 | 一种双通道多感知卷积神经网络的图片超分辨率重建方法 |
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 |
CN112308094B (zh) * | 2020-11-25 | 2023-04-18 | 创新奇智(重庆)科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113130050B (zh) * | 2021-04-20 | 2023-11-24 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 一种医学信息显示方法及显示系统 |
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 |
GB2611519A (en) * | 2021-09-30 | 2023-04-12 | Smiths Detection France S A S | Denoising and super resolution |
CN116883246B (zh) * | 2023-09-06 | 2023-11-14 | 感跃医疗科技(成都)有限公司 | 一种用于cbct图像的超分辨率方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106998A1 (en) * | 2015-12-21 | 2017-06-29 | Sensetime Group Limited | A method and a system for image processing |
CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
CN107274347A (zh) * | 2017-07-11 | 2017-10-20 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的视频超分辨率重建方法 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI624804B (zh) * | 2016-11-07 | 2018-05-21 | 盾心科技股份有限公司 | 利用超解析重建法生成高解析度影像的方法與系統 |
-
2018
- 2018-06-14 CN CN201810615086.7A patent/CN108921786B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106998A1 (en) * | 2015-12-21 | 2017-06-29 | Sensetime Group Limited | A method and a system for image processing |
CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
CN107274347A (zh) * | 2017-07-11 | 2017-10-20 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的视频超分辨率重建方法 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
Non-Patent Citations (4)
Title |
---|
Image Super-Resolution Using Deep Convolutional Networks;Chao Dong et al;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20150601;第38卷(第2期);第295-307页 * |
Image Super-Resolution via Deep Recursive Residual Network;Ying Tai et al;《2017 IEEE Conference on Computer Vision and Pattern Recognition》;20171109;全文 * |
基于残差神经网络的图像超分辨率改进算法;王一宁 等;《计算机应用》;20180110;第38卷(第1期);第246-254页 * |
基于特征损失的医学图像超分辨率重建;邢晓羊 等;《计算机工程与应用》;20180206;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108921786A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921786B (zh) | 基于残差卷积神经网络的图像超分辨率重构方法 | |
CN106910161B (zh) | 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 | |
CN111161150B (zh) | 一种基于多尺度注意级联网络的图像超分辨率重建方法 | |
CN108537733B (zh) | 基于多路径深度卷积神经网络的超分辨率重建方法 | |
CN113096017A (zh) | 基于深度坐标注意力网络模型的图像超分辨率重建方法 | |
CN109035146B (zh) | 一种基于深度学习的低质量图像超分方法 | |
CN109785236B (zh) | 一种基于超像素和卷积神经网络的图像超分辨方法 | |
CN110276389B (zh) | 一种基于边缘修正的矿井移动巡检图像重建方法 | |
CN109191392B (zh) | 一种语义分割驱动的图像超分辨率重构方法 | |
CN113808032A (zh) | 多阶段渐进式的图像去噪算法 | |
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 | |
CN113298716B (zh) | 基于卷积神经网络的图像超分辨率重建方法 | |
CN116682120A (zh) | 基于深度学习的多语种马赛克图像文本识别方法 | |
CN108989731B (zh) | 一种提高视频空间分辨率的方法 | |
CN113870124B (zh) | 基于弱监督的双网络互激励学习阴影去除方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
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 | |
CN111402138A (zh) | 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法 | |
CN111861884A (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN112598602A (zh) | 一种基于掩码的深度学习视频去摩尔纹方法 | |
CN112288630A (zh) | 一种基于改进的广泛深度神经网络的超分辨率图像重建方法及系统 | |
CN114820408A (zh) | 基于自注意力和卷积神经网络的红外可见光图像融合方法 | |
CN113112401A (zh) | 一种基于跨尺度纹理迁移的图像超分辨率方法 | |
Yang et al. | A survey of super-resolution based on deep learning | |
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 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220628 |