CN108921788A - 基于深层残差cnn的图像超分辨率方法、装置及存储介质 - Google Patents
基于深层残差cnn的图像超分辨率方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108921788A CN108921788A CN201810638233.2A CN201810638233A CN108921788A CN 108921788 A CN108921788 A CN 108921788A CN 201810638233 A CN201810638233 A CN 201810638233A CN 108921788 A CN108921788 A CN 108921788A
- Authority
- CN
- China
- Prior art keywords
- image
- residual error
- deep layer
- identification
- cnn
- 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 42
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000001052 transient effect Effects 0.000 claims abstract description 5
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 54
- 230000008447 perception Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于深层残差CNN的图像超分辨率方法,包括:构建深层残差CNN模型,将低分辨率图像输入所述深层残差CNN模型进行识别,得到识别后的图像;将所述识别后的图像输入VGG损失网络进行识别效果评价,获取具备超分辨率的识别图像。本发明实施例还提供了一种主动交互装置及非暂态可读存储介质,用来实现所述方法。本发明可以使识别后的图像具备高频信息、纹理细节充足合理且噪声较低的优点。
Description
技术领域
本发明实施例涉及深度学习技术领域,尤其涉及一种基于深层残差CNN的图像超分辨率方法、装置及存储介质。
背景技术
图像超分辨率(Super Resolution,SR)是将低分辨率(Low Resolution,LR)图像通过一定的算法提升到高分辨率(High Resolution,HR)图像的过程。现有技术提出了基于感知损失函数的超分辨率重建,并成功地生成边缘更加锐化的高感知质量的图像。虽然图像重建性能有了较大的提高,但重构出来的图像在纹理细节方面还有待提高。目前在损失函数方面,对于输出结果是图像的网络,通常做法是将结果与真值进行逐像素的欧式距离(Euclidean Distance)之和作为网络的损失函数来指导神经网络进行训练的。虽然这样做可以得到很不错的效果,但是网络训练的结果往往存在平滑的缺点,缺少高频信息,利用欧式距离不能够控制图像细节的生成,得到的图像基本在细节方面表现不足。感知损失是指将利用卷积神经网络分别处理输出图像和真实图像后得到的特征映射的逐点欧式距离和作为损失函数。实践证明,感知损失(Perceptual Loss)函数的训练结果具有很多高频信息,虽然能克服逐像素损失缺少高频信息的特点,但是它在纹理区域会产生较多的噪声。因此,找到一种能够具备高精度图像特征识别能力,并且使识别后的图像具备高频信息、纹理细节充足合理且噪声较低的图像特征识别方法,就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明实施例提供了一种基于深层残差CNN的图像超分辨率方法、装置及存储介质。
一方面,本发明实施例提供了一种基于深层残差CNN的图像超分辨率方法,包括:构建深层残差CNN模型,将待分辨图像输入所述深层残差CNN模型进行识别,得到识别后的图像;将所述识别后的图像输入VGG损失网络进行识别效果评价,获取具备超分辨率的识别图像;其中,所述VGG损失网络采用综合损失函数对所述识别后的图像进行识别效果评价。
另一方面,本发明实施例提供了一种主动交互装置及一种非暂态可读存储介质。所述一种主动交互装置包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行所述一种基于深层残差CNN的图像超分辨率方法。所述一种非暂态可读存储介质存储程序指令,用于执行所述一种基于深层残差CNN的图像超分辨率方法。
本发明实施例提供了一种基于深层残差CNN的图像超分辨率方法、装置及存储介质,通过采用深层残差CNN识别图像特征的同时,在VGG损失网络采用综合损失函数对识别后的图像进行特征评估,可以使识别后的图像具备高频信息、纹理细节充足合理且噪声较低的优点。
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他的附图。
图1是本发明实施例中基于深层残差CNN的图像超分辨率方法的整体流程图;
图2是本发明实施例中基于深层残差CNN的图像超分辨率的网络结构整体示意图;
图3是本发明实施例中深层残差CNN的结构示意图;
图4是本发明实施例中残差单元内部结构示意图;
图5是本发明实施例中不同损失函数实验效果对比图;
图6是本发明中不同损失函数纹理效果对比图;
图7是本发明实施例中不同处理方法的峰值信噪比及结构相似性效果示意图;
图8是本发明实施例的硬件装置工作示意图。
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做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。
本发明实施例提供了一种基于深层残差CNN的图像超分辨率方法、装置及存储介质。参见图1,图1是本发明实施例中基于深层残差CNN的图像超分辨率方法的整体流程图,包括:
S101:构建深层残差CNN模型,将低分辨率图像输入所述深层残差CNN模型进行识别,得到识别后的图像。
S102:将所述识别后的图像输入VGG损失网络进行识别效果评价,获取具备超分辨率的识别图像。
其中,所述VGG损失网络采用综合损失函数对所述识别后的图像进行识别效果评价。
参见图2,图2是本发明实施例中基于深层残差CNN的图像超分辨率的网络结构整体示意图,包括:
输入图像201、深层残差CNN202、内容目标203、识别后的图像204、纹理目标205、VGG损失网络206、特征损失207及纹理损失208。
整体框架由两部分组成:深层残差CNN202和VGG损失网络206,深层残差CNN202参数是权重W,它把输入图像201(用X表示)通过映射转换成识别后的图像204(用表示),每一个损失函数计算一个标量值这个标量值衡量识别后的图像204(用表示)和目标图像yi之间的差距。其中,该差距又可以分为内容目标203及纹理目标205的差距。上述两项差距通过在VGG损失网络206上计算特征损失207及纹理损失208分别得到。
在另一实施例中,本发明深层残差CNN网络的层数为20层,以使其提取的特征的抽象程度更高,所述20层网络分别是:两个步幅为一的卷积层,用于对所述待分辨图像做卷积;三个残差单元,用于提高所述待分辨图像的识别精度,并防止所述识别精度退化;两个步幅为二分之一的卷积层,用于做上采样;输出层,用于输出识别后的图像。
参见图3,图3是本发明实施例中深层残差CNN的结构示意图,包括:
步幅为一的卷积层301及步幅为一的卷积层302,用于对待分辨图像做卷积;残差单元303、残差单元304及残差单元305,用于提高所述待分辨图像的识别精度,并防止所述识别精度退化;步幅为二分之一的卷积层306及步幅为二分之一的卷积层307,用于做上采样(即放大图像);输出层308,用于输出识别后的图像。本实施例的残差单元303、残差单元304及残差单元305均具备五层卷积层。因此,深层残差CNN网络的层数就是20层,以使其提取的特征的抽象程度更高。表1是4倍图像超分辨率深层残差CNN网络结构。
在另一实施例中,步幅为一的卷积层301后面设置一个批规范化和RELU非线性映射。此外,步幅为一的卷积层302、步幅为二分之一的卷积层306及步幅为二分之一的卷积层307,上述每个卷积层后面也与步幅为一的卷积层301后面相同,分别设置一个批规范化和RELU非线性映射。
表1
表1中,如果每个残差单元均设置为5层卷积层,则整个深层残差CNN就具备20层深度。
参见图4,图4是本发明实施例中残差单元内部结构示意图,包括:
卷积层401、卷积层402、卷积层403、卷积层404、卷积层405及权重406。其中,各卷积层的滤波器均为3*3滤波器。
残差单元包含五个相同参数的卷积层,卷积核为3,采用稠密性跳跃连接,原始输入经过卷积层401卷积后,将结果输入卷积层402处理,卷积层402的输出与其输入相加,作为输出结果输入到卷积层403。以此类推,当卷积层405处理后将其处理结果与权重406相乘,再将相乘后的结果与原始输入相加得到最终输出结果。加深残差单元的卷积深度,不仅可以提取到更精确的图像特征,而且也不易出现梯度弥散和爆炸的问题,在实验中我们采用梯度裁剪规范梯度的动态范围,以防止出现梯度爆炸和梯度消失问题。实验证明,我们所采用的稠密性跳跃连接确实有效。
本发明实施例中VGG损失网络采用了综合损失函数对所述识别后的图像进行识别效果评价,所谓综合损失函数,是指在将逐像素损失函数、感知损失函数及纹理损失函数结合起来,形成的新的用于评价图像特征提取效果的损失函数。
给定一组数据集Xi表示一组真实的HR图像,Yi表示一组LR图像。本发明的学习模型,是目标图像HR图像的估计,因此利用损失网络分别对HR图像的估计和Xi提取纹理信息,然后分别计算逐像素损失、感知损失和纹理匹配损失,网络使用逐像素损失、感知损失和纹理损失的加权和作为总体目标函数。网络总的损失函数为:
lG=λ1lPixel_MSE+λ2lPerceptual_MSE+λ3lTexture
其中,λi分别为对应损失函数的权重,LPixel_MSE是逐像素损失函数,用来衡量两幅图像之间每个对应像素的匹配,Lperceptual_MSE是感知损失函数,用来衡量图像之间高层的感知及语义差距,LTexture是纹理损失函数,促进产生的图像具有更丰富的纹理信息。
实验过程中使用的是COCO数据集,采用高斯核模糊(δ=1.5),并用双三次插值进行下采样的得到训练集随机裁剪大小为128*128的小块,采用零均值,标准方差0.001(偏置项为0)的高斯分布初始化每一层的权重,权重衰减项0,学习率为0.0001,采用Adam的策略,无dropout,权重为0.4的纹理损失和权重为0.1的逐像素损失以及感知损失之和。为了验证我们组合的的损失函数的有效性,我们测试了不同损失函数组合的结果,实验效果参见图5,图5是本发明实施例中不同损失函数实验效果对比图,包括:
逐像素损失函数处理效果501、纹理损失函数处理效果502、感知损失函数与逐像素损失函数结合处理效果503及本发明综合损失函数处理效果504。由图中可见,本发明综合损失函数处理效果504明显具有优势。
参见图6,图6是本发明中不同损失函数纹理效果对比图,包括:
逐像素损失函数纹理效果601、纹理损失函数结合感知损失函数纹理效果602、感知损失函数结合逐像素损失函数纹理效果603及本发明综合损失函数纹理效果604。由图中可见,逐像素损失函数纹理效果601通常较为平滑,缺少高频信息;感知损失函数结合逐像素损失函数纹理效果603的结果虽然整体看起来效果还好,但是它会在纹理区域产生较多的噪音,主观来看本发明综合损失函数纹理效果604比其他组合方式的效果要好。
参见图7,图7是本发明实施例中不同处理方法的峰值信噪比及结构相似性效果示意图,包括:
原始图像701、Bicubic处理方法702、SRCNN处理方法703、逐像素损失函数法704、感知损失函数法705及本发明综合损失函数方法706。
采用峰值信噪比(PSNR)和结构相似性(SSIM)进行对比。PSNR是对重建图像和原始图像的误差进行定量计算,值越大复原效果越好,计算式(1)所示;SSIM是对重建图像和原始图像的结构进行计算,并且也考虑了图像的亮度、对比度和结构,值越大证明两幅图像越相似,计算式(3)所示。
(2)中I和K分别表示原HR图像和重构的HR图像,尺寸为H*W。(3)中x和y分别表示原HR图像和重构HR图像,其中μx是x的平均值,μy是y的平均值,是x的方差,是y的方差,σxy是x和y的协方差。c1=(k1L)2,c2=(k2L)2是用来维持稳定的系数。L是像素值的动态范围,k1=0.01,k2=0.03。图7中,Bicubic处理方法702的PSNR和SSIM值为31.78/0.8577,SRCNN处理方法703的PSNR和SSIM值为32.99/0.8784,逐像素损失函数法704的PSNR和SSIM值为31.47/0.8573,感知损失函数法705的PSNR和SSIM值为29.24/0.7841,本发明综合损失函数方法706的PSNR和SSIM值为30.03/0.8739,感知损失函数法705及本发明综合损失函数方法706,本发明综合损失函数方法706比感知损失函数法705的PSNR值高出0.8dB,SSIM值高出0.09dB。
参见图8,图8是本发明实施例的硬件装置工作示意图,所述硬件装置包括:一种基于深层残差CNN的图像超分辨率装置801、处理器802及存储介质803。
基于深层残差CNN的图像超分辨率装置801:所述一种基于深层残差CNN的图像超分辨率装置801实现所述一种基于深层残差CNN的图像超分辨率方法。
处理器802:所述处理器802加载并执行所述存储介质803中的指令及数据用于实现所述的一种基于深层残差CNN的图像超分辨率方法。
存储介质803:所述存储介质803存储指令及数据;所述存储介质803用于实现所述的一种基于深层残差CNN的图像超分辨率方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深层残差CNN的图像超分辨率方法,其特征在于,包括:
构建深层残差CNN模型,将低分辨率图像输入所述深层残差CNN模型进行识别,得到识别后的图像;
将所述识别后的图像输入VGG损失网络进行识别效果评价,获取具备超分辨率的识别图像;
其中,所述VGG损失网络采用综合损失函数对所述识别后的图像进行识别效果评价。
2.根据权利要求1所述的方法,其特征在于,所述深层残差CNN模型,包括:
两个步幅为一的卷积层,用于对所述待分辨图像做卷积;
三个残差单元,用于提高所述待分辨图像的识别精度,并防止所述识别精度退化;
两个步幅为二分之一的卷积层,用于做上采样;
输出层,用于输出识别后的图像。
3.根据权利要求2所述的方法,其特征在于,每个残差单元均具有五层卷积层。
4.根据权利要求3所述的方法,其特征在于,所述五层卷积层之间采用稠密性跳跃连接。
5.根据权利要求2所述的方法,其特征在于,在所述两个步幅为一的卷积层后,设置一个批规范化和RELU非线性映射。
6.根据权利要求2所述的方法,其特征在于,所述两个步幅为二分之一的卷积层后,设置一个批规范化和RELU非线性映射。
7.根据权利要求1所述的方法,其特征在于,所述综合损失函数,包括:逐像素损失函数、感知损失函数及纹理损失函数。
8.一种主动交互装置,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一权利要求所述的方法。
9.一种非暂态可读存储介质,其特征在于,所述非暂态可读存储介质存储程序指令,所述程序指令用于执行如权利要求1至7任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810638233.2A CN108921788A (zh) | 2018-06-20 | 2018-06-20 | 基于深层残差cnn的图像超分辨率方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810638233.2A CN108921788A (zh) | 2018-06-20 | 2018-06-20 | 基于深层残差cnn的图像超分辨率方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921788A true CN108921788A (zh) | 2018-11-30 |
Family
ID=64421534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810638233.2A Pending CN108921788A (zh) | 2018-06-20 | 2018-06-20 | 基于深层残差cnn的图像超分辨率方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921788A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977942A (zh) * | 2019-02-02 | 2019-07-05 | 浙江工业大学 | 一种基于场景分类和超分辨率的场景文字识别方法 |
WO2020143513A1 (zh) * | 2019-01-12 | 2020-07-16 | 深圳先进技术研究院 | 一种超分辨率图像的重构方法、装置及设备 |
CN111626932A (zh) * | 2020-05-07 | 2020-09-04 | Tcl华星光电技术有限公司 | 图像的超分辨率重建方法及装置 |
WO2022213030A1 (en) * | 2021-03-30 | 2022-10-06 | Snap Inc. | Neural networks accompaniment extraction from songs |
WO2023052755A1 (en) * | 2021-09-30 | 2023-04-06 | Smiths Detection France S.A.S. | Denoising and super resolution |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
CN107492070A (zh) * | 2017-07-10 | 2017-12-19 | 华北电力大学 | 一种双通道卷积神经网络的单图像超分辨率计算方法 |
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2018
- 2018-06-20 CN CN201810638233.2A patent/CN108921788A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107492070A (zh) * | 2017-07-10 | 2017-12-19 | 华北电力大学 | 一种双通道卷积神经网络的单图像超分辨率计算方法 |
CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
HE K ET AL: "Deep residual learning for image recognition", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
JOHNSON J ET AL: "Perceptual losses for real-time style transfer and super-resolution", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
ZHOU F ET AL: "High-frequency details enhancing DenseNet for super-resolution", 《NEUROCOMPUTING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143513A1 (zh) * | 2019-01-12 | 2020-07-16 | 深圳先进技术研究院 | 一种超分辨率图像的重构方法、装置及设备 |
CN109977942A (zh) * | 2019-02-02 | 2019-07-05 | 浙江工业大学 | 一种基于场景分类和超分辨率的场景文字识别方法 |
CN111626932A (zh) * | 2020-05-07 | 2020-09-04 | Tcl华星光电技术有限公司 | 图像的超分辨率重建方法及装置 |
CN111626932B (zh) * | 2020-05-07 | 2023-09-29 | Tcl华星光电技术有限公司 | 图像的超分辨率重建方法及装置 |
WO2022213030A1 (en) * | 2021-03-30 | 2022-10-06 | Snap Inc. | Neural networks accompaniment extraction from songs |
US11947628B2 (en) | 2021-03-30 | 2024-04-02 | Snap Inc. | Neural networks for accompaniment extraction from songs |
WO2023052755A1 (en) * | 2021-09-30 | 2023-04-06 | Smiths Detection France S.A.S. | Denoising and super resolution |
GB2611519A (en) * | 2021-09-30 | 2023-04-12 | Smiths Detection France S A S | Denoising and super resolution |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921788A (zh) | 基于深层残差cnn的图像超分辨率方法、装置及存储介质 | |
Ehrlich et al. | Quantization guided jpeg artifact correction | |
US11348005B2 (en) | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network | |
US10325346B2 (en) | Image processing system for downscaling images using perceptual downscaling method | |
Sandić-Stanković et al. | DIBR synthesized image quality assessment based on morphological wavelets | |
Li et al. | No-reference quality assessment of deblocked images | |
EP2380132B1 (en) | Denoising medical images | |
CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
CN111652818B (zh) | 一种基于金字塔的图像滤波方法、装置及存储介质 | |
US8428383B2 (en) | Method of generating a multiscale contrast enhanced image | |
CN114549308A (zh) | 面向感知的具有大感受野的图像超分辨率重建方法及系统 | |
CN114240797A (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
CN113538246A (zh) | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 | |
CN106027854A (zh) | 一种应用于相机中适于fpga实现的联合滤波降噪方法 | |
CN109064402A (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
EP2198402B1 (en) | Method of generating a multiscale contrast enhanced image | |
US20150324953A1 (en) | Method and apparatus for performing single-image super-resolution | |
Mentl et al. | Noise reduction in low-dose ct using a 3D multiscale sparse denoising autoencoder | |
RU2583725C1 (ru) | Способ и система для обработки изображения | |
CN110084750A (zh) | 基于多层岭回归的单幅图像超分辨率方法 | |
Chen et al. | An evolutionary game-theoretic approach for image interpolation | |
Huang et al. | Anatomical‐functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain | |
Enríquez et al. | Image denoising using block matching and discrete cosine transform with edge restoring | |
Canh et al. | Compressive sensing reconstruction via decomposition | |
DE102019120968A1 (de) | Bildverarbeitungsvorrichtung, welche konfiguriert ist, um eine kantenerhaltende Glättung durchzuführen und Bildverarbeitungsverfahren davon |
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: 20181130 |