CN109429030A - 利用超分辨率算法重建视频的方法 - Google Patents

利用超分辨率算法重建视频的方法 Download PDF

Info

Publication number
CN109429030A
CN109429030A CN201710769584.2A CN201710769584A CN109429030A CN 109429030 A CN109429030 A CN 109429030A CN 201710769584 A CN201710769584 A CN 201710769584A CN 109429030 A CN109429030 A CN 109429030A
Authority
CN
China
Prior art keywords
thread
video
frame
super
resolution
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
Application number
CN201710769584.2A
Other languages
English (en)
Inventor
刘阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ulsee Inc
Original Assignee
Ulsee Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ulsee Inc filed Critical Ulsee Inc
Priority to CN201710769584.2A priority Critical patent/CN109429030A/zh
Priority to US16/021,438 priority patent/US10817715B2/en
Publication of CN109429030A publication Critical patent/CN109429030A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/239—Image signal generators using stereoscopic image cameras using two 2D image sensors having a relative position equal to or related to the interocular distance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H04N7/0117—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving conversion of the spatial resolution of the incoming video signal
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Television Systems (AREA)

Abstract

利用超分辨率算法重建视频的方法，包括：(a)提供一视频，该视频是由多个具有序列的帧所构成；(b)开启一第一线程与一第二线程，该第一线程与该第二线程分别执行提高分辨率的一第一算法与一第二算法，其中该第一算法的时间复杂度是高于该第二算法的时间复杂度；(c)该第一线程依序列以一第一间格为单位读入该视频中的帧并进行处理，而该第二线程以一第二间格为单位读入该视频中的帧并进行处理，其中该一间格的值为大于1的整数，而该第二间格的值为1；(d)经由该第二线程所处理过的帧与最邻近之经由该第一线程所处理过的帧相融合，以得到多个融合帧；及(e)将这些融合帧依序列进行显示。本发明的有益效果为可解决在视频超分辨率实时，运算时间与分辨率难以兼顾的问题。

Description

利用超分辨率算法重建视频的方法
技术领域
本发明是一种利用超分辨率算法重建视频的方法，特别是使用两个时间 复杂度不同的线程来处理视频的利用超分辨率算法重建视频的方法。
背景技术
随着网络技术与显示技术的快速发展，市场对于视频的分辨率要求越来 越高，特别是针对目前很流行的网络实时拨放，稳定提供高分辨率视频对于 相关业者来说是相当重要的课题。
目前比较常用的技术为透过插植提高分辨率或是超分辨率重建技术，相 较之下超分辨率重建技术更能够维持原始分辨率，同时减少清晰度下降。目 前视频分辨率技术多采用融合低分辨率图片的方式来提高分辨率。
然而，上述技术可有效维持或提高视频的分辨率，但是效果越好的超分 辨率技术通常时间复杂度越高，意味者会需要更多传输时间，这对于将视频 传输制行动装置上相当不易，特别是实时播放的视频，对于行动装置将是一 大挑战。
发明内容
有鉴于上述问题，本发明提供一利用超分辨率算法重建视频的方法，利 用两个时间复杂度不同的线程来处理视频，并透过融合运算的方式来结合两 个线程所处理的视频，本发明的有益效果为可解决在视频超分辨率实时，运 算时间与分辨率难以兼顾的问题。
本发明提供一种利用超分辨率算法重建视频的方法，包括：
(a)提供一视频，该视频是由多个具有序列的帧所构成；
(b)开启一第一线程与一第二线程，该第一线程与该第二线程分别执行提 高分辨率的一第一算法与一第二算法，其中该第一算法的时间复杂度是高于 该第二算法的时间复杂度；
(c)该第一线程依序列以一第一间格为单位读入该视频中的帧并进行处 理，而该第二线程以一第二间格为单位读入该视频中的帧并进行处理，其中 该一间格的值为大于1的整数，而该第二间格的值为1；
(d)经由该第二线程所处理过的帧与最邻近之经由该第一线程所处理过 的帧相融合，以得到多个融合帧；及
(e)将这些融合帧依序列进行显示。
上述之的利用超分辨率算法重建视频的方法，其特征在于，于，于该(d) 步骤与该(e)步骤中还包括下列步骤：
将这些融合帧进行储存，直到该视频结束。
上述之的利用超分辨率算法重建视频的方法，其特征在于，于该(a)步骤 中，该视频为实时视频，且于该(e)步骤中经由该(d)步骤所得到的每一融合 帧是实时显示。
上述之的利用超分辨率算法重建视频的方法，其特征在于，于该(d)步骤 中，是使用下述的公式以得到融合帧：
F2F＝A·F1H+B·F2L；
其中，F2L是指经由该第二线程所处理过的帧，F1H是指经由该第一线 程所处理过且最邻近F2L的帧，A，B∈Rm×n，而A，B满足以下关系：
其中，F1L与F1H是对应到相同的一原始帧，且F1L是该原始帧经由该第 二线程处理过而得，I为元素都为1的m×n矩阵，函数f表示如下：
上述之的利用超分辨率算法重建视频的方法，其特征在于，其特征在于， a，b的值可由以下关系式表示：
上述之的利用超分辨率算法重建视频的方法，其特征在于，f(0.03)＝ 0.97。
上述之的利用超分辨率算法重建视频的方法，其特征在于，该第一算法 为基于深度学习的超分辨率算法，该第二算法为双三次插值。
为让本发明的上述目的、特征和优点更能明显易懂，下文将以实施例并 配合所附图式，作详细说明如下。需注意的是，所附图式中的各组件仅是示 意，并未按照各组件的实际比例进行绘示。
附图说明
图1所示为本发明之利用超分辨率算法重建视频的方法。
图2所示为重建视频的示意图。
图3A与图3B所示为函数f之曲线。
图4所式为视频转换的示意图。
具体实施方式
利用超分辨率算法重建视频的方法是利用两个时间复杂度不同的线程来 处理视频，并透过融合运算的方式来结合两个线程所处理的视频，借此达到 重建视频的效果，并可有效应用于移动装置上。
请参阅图1与图2，图1所示为本发明之利用超分辨率算法重建视频的 方法。图2所示为重建视频的示意图。首先，提供一视频100(步骤(a))， 视频100是由多个具有序列的帧101所构成。接下来，开启一第一线程110 与一第二线程120，第一线程110与第二线程220分别执行提高分辨率的第 一算法与第二算法，其中第一算法的时间复杂度高于第二算法的时间复杂度 (步骤(b))。换言之，第一线程110与第二线程220分别使用不同时间复杂 度的演算方式处理视频100的帧101。且第一线程110为较高时间复杂度的 演算方式，第二线程220则是时间复杂度较低的演算方法。
接下来，第一线程110以第一间格为单位读入视频100的帧101，并进 行演算处理。而第二线程120则是以第二间格为单位读入视频100的帧101， 并进行演算处理。其中第一间格的数值为大于1的整数，第二间格的数值则 为1(步骤(c))。也就是说，第一线程110的时间复杂度较高，无法逐一处 理视频100的每个帧101，因此设置第一间格处理视频100中的特定的帧101。 在图2的实施例中，第一间格为4。而第二线程120的时间复杂度较低，故可处理视频100的每个帧101，故第二间格为1。
之后，经由第二线程120所处理过的帧121与最邻近之经由第一线程110 所处理过的帧111相融合，以得到多个融合帧131(步骤(d))。在本实施例 中，视频100通过第二线程120处理后会产生多个帧121，这些帧121的分 辨率可能较低；而视频100通过第一线程110处理后会产生多个帧111，帧 111的数量会比帧121少，但帧111的分辨率较高。因此，使用融合运算技 术将帧121与邻近的帧111融合，即可得到高分辨率的帧131，帧131的分 辨率将接近于原始视频100的帧101。在某些实施例中，可再融合前对帧111 与帧121进行校正。
而上述的融合运算的公式如下：
F2F＝A·F1H+B·F2L
F2L是指经由第二线程120所处理过的帧121，F1H是指经由第一线程110 所处理过且最邻近F2L的帧121，其中F1H，F2L∈Rm×n，表示帧图像亮度信 道的像素矩阵。且A,B∈Rm×n，而A,B满足以下关系：
其中，F1L与F1H是对应到相同的一原始帧101，且F1L是原始帧101经由 第二线程处理121过而得的帧121，I为元素都为1的m×n矩阵，函数f表 示如下：
请参阅图3A与图3B，图3A与图3B所示为函数f之曲线。在函数f中， a，b将影响函数f的平滑程度与x方向平移大小。
其中，a，b的值可由以下关系式表示：
即a与两帧差值的方差成反比，然后求b使得f(0.03)＝0.97。
经由上述公式的计算即可将帧121与帧111相继融合运算成融合帧131。 接下来将这些融合帧131依序列进显示(步骤(e))，并构成转换视频130。 此外，在步骤d与e中，这些融合帧131将会被储存，直到视频100结束。 在某些实施例中，若步骤(a)的视频100为实时视频，则(e)步骤中经由(d)步 骤所得到的每一融合帧131是实时显示，即转换视频130是实时的实时播放 视频。
请参阅图4，图4所式为视频转换的示意图。在此实施例中，第一线程 110使用的第一算法为基于深度学习的超分辨率算法，第二线程120所使用 的第二算法则为双三次插值算法。图4左图200a为双三次插值算法的结果帧 121，可以看出方块201a中的细节图案分辨率较低。而图4右图200b则为帧 111与帧121融合之后的融合帧131，可以看出方块201b中的图案细节分辨 率大幅提高。
本发明之利用超分辨率算法重建视频的方法，可解决在视频超分辨率实 时，运算时间与分辨率难以兼顾的问题。利用高时间复杂度所得出的间隔较 大但分辨率高的帧作为帧序列参考，再利用低时间复杂度所得出的实时播放 的帧进行融合，以得到较好分辨率的处理效果。
上述实施例仅是为了方便说明而举例，虽遭所属技术领域的技术人员任 意进行修改，均不会脱离如权利要求书中所欲保护的范围。

Claims (7)

1.一种利用超分辨率算法重建视频的方法，包括：
(a)提供一视频，该视频是由多个具有序列的帧所构成；
(b)开启一第一线程与一第二线程，该第一线程与该第二线程分别执行提高分辨率的一第一算法与一第二算法，其中该第一算法的时间复杂度是高于该第二算法的时间复杂度；
(c)该第一线程依序列以一第一间格为单位读入该视频中的帧并进行处理，而该第二线程以一第二间格为单位读入该视频中的帧并进行处理，其中该一间格的值为大于1的整数，而该第二间格的值为1；
(d)经由该第二线程所处理过的帧与最邻近之经由该第一线程所处理过的帧相融合，以得到多个融合帧；及
(e)将这些融合帧依序列进行显示。
2.如权利要求1所述的利用超分辨率算法重建视频的方法，其特征在于，于该(d)步骤与该(e)步骤中还包括下列步骤：
将这些融合帧进行储存，直到该视频结束。
3.如权利要求1所述的利用超分辨率算法重建视频的方法，其特征在于，于该(a)步骤中，该视频为实时视频，且于该(e)步骤中经由该(d)步骤所得到的每一融合帧是实时显示。
4.如权利要求1或权利要求3所述的利用超分辨率算法重建视频的方法，其特征在于，于该(d)步骤中，是使用下述的公式以得到融合帧：
F2F＝A·F1H+B·F2L；
其中，F2L是指经由该第二线程所处理过的帧，F1H是指经由该第一线程所处理过且最邻近F2L的帧，A，B∈Rm×n，而A，B满足以下关系：
其中，F1L与F1H是对应到相同的一原始帧，且F1L是该原始帧经由该第二线程处理过而得，I为元素都为1的m×n矩阵，函数f表示如下：
5.如权利要求4所述的利用超分辨率算法重建视频的方法，其特征在于，a，b的值可由以下关系式表示：
6.如权利要求5所述的利用超分辨率算法重建视频的方法，其特征在于，f(0.03)＝0.97。
7.如权利要求1所述的利用超分辨率算法重建视频的方法，其特征在于，该第一算法为基于深度学习的超分辨率算法，该第二算法为双三次插值。
CN201710769584.2A 2017-08-31 2017-08-31 利用超分辨率算法重建视频的方法 Pending CN109429030A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710769584.2A CN109429030A (zh) 2017-08-31 2017-08-31 利用超分辨率算法重建视频的方法
US16/021,438 US10817715B2 (en) 2017-08-31 2018-06-28 Number-of-people detection system and number-of-people detection method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710769584.2A CN109429030A (zh) 2017-08-31 2017-08-31 利用超分辨率算法重建视频的方法

Publications (1)

Publication Number Publication Date
CN109429030A true CN109429030A (zh) 2019-03-05

Family

ID=65435305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710769584.2A Pending CN109429030A (zh) 2017-08-31 2017-08-31 利用超分辨率算法重建视频的方法

Country Status (2)

Country Link
US (1) US10817715B2 (zh)
CN (1) CN109429030A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992260A (zh) * 2019-10-15 2020-04-10 网宿科技股份有限公司 一种视频超分辨率重建的方法和装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965701B (zh) * 2021-09-10 2023-11-14 苏州雷格特智能设备股份有限公司 一种基于两个深度相机的多目标空间坐标对应绑定方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120314037A1 (en) * 2010-02-23 2012-12-13 Ben-Gurion University Of The Negev System and method for providing 3d imaging
US8958484B2 (en) * 2009-08-11 2015-02-17 Google Inc. Enhanced image and video super-resolution processing
CN104967864A (zh) * 2014-09-26 2015-10-07 腾讯科技（北京）有限公司 一种合并视频的方法及装置
CN105354795A (zh) * 2015-10-08 2016-02-24 Tcl集团股份有限公司 一种基于相位相关的自学习超分辨率图像获取方法及系统
US20160163021A1 (en) * 2014-12-03 2016-06-09 King Abdulaziz City For Science And Technology Super-resolution of dynamic scenes using sampling rate diversity
CN106204447A (zh) * 2016-06-30 2016-12-07 北京大学 基于总变差分和卷积神经网络的超分辨率重建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9177195B2 (en) * 2011-09-23 2015-11-03 Shoppertrak Rct Corporation System and method for detecting, tracking and counting human objects of interest using a counting system and a data capture device
US9904852B2 (en) * 2013-05-23 2018-02-27 Sri International Real-time object detection, tracking and occlusion reasoning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8958484B2 (en) * 2009-08-11 2015-02-17 Google Inc. Enhanced image and video super-resolution processing
US20120314037A1 (en) * 2010-02-23 2012-12-13 Ben-Gurion University Of The Negev System and method for providing 3d imaging
CN104967864A (zh) * 2014-09-26 2015-10-07 腾讯科技（北京）有限公司 一种合并视频的方法及装置
US20160163021A1 (en) * 2014-12-03 2016-06-09 King Abdulaziz City For Science And Technology Super-resolution of dynamic scenes using sampling rate diversity
CN105354795A (zh) * 2015-10-08 2016-02-24 Tcl集团股份有限公司 一种基于相位相关的自学习超分辨率图像获取方法及系统
CN106204447A (zh) * 2016-06-30 2016-12-07 北京大学 基于总变差分和卷积神经网络的超分辨率重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOHAI HE: "A video Coding System with Spatial-temporal down-/up-sampling and Super-Resolution Reconstruction", 《2016 8TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS》 *
陈湘骥: "基于GPU加速的实时视频超分辨率重建", 《计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992260A (zh) * 2019-10-15 2020-04-10 网宿科技股份有限公司 一种视频超分辨率重建的方法和装置
WO2021072869A1 (zh) * 2019-10-15 2021-04-22 网宿科技股份有限公司 一种视频超分辨率重建的方法和装置
CN110992260B (zh) * 2019-10-15 2022-04-22 网宿科技股份有限公司 一种视频超分辨率重建的方法和装置

Also Published As

Publication number Publication date
US20190065837A1 (en) 2019-02-28
US10817715B2 (en) 2020-10-27

Similar Documents

Publication Publication Date Title
Fang et al. Soft-edge assisted network for single image super-resolution
CN107507134B (zh) 基于卷积神经网络的超分辨率方法
DE102020201787A1 (de) Erzeugen von blickkorrigierten bildern unter verwendung eines bidirektional trainierten netzwerks
Goyal et al. Fast and enhanced algorithm for exemplar based image inpainting
DE112018007721T5 (de) Aufnehmen und modifizieren von 3D-Gesichtern unter Verwendung neuronaler Bild-und Zeitverfolgungsnetze
CN105744357B (zh) 一种基于在线分辨率提升的降低网络视频带宽占用方法
CN104376535B (zh) 一种基于样本的快速图像修复方法
TWI520598B (zh) 影像處理裝置與影像處理方法
CN109671023A (zh) 一种人脸图像超分辨率二次重建方法
CN110324664A (zh) 一种基于神经网络的视频补帧方法及其模型的训练方法
CN107590791B (zh) 图像增强方法以及图像处理装置
CN104252700B (zh) 一种红外图像的直方图均衡化方法
CN107330854B (zh) 一种基于新型模板的图像超分辨率增强方法
CN104021523B (zh) 一种基于边缘分类的图像超分辨率放大的方法
CN110324601A (zh) 渲染方法、计算机产品及显示装置
CN104680518B (zh) 一种基于色度溢出处理的蓝屏抠像方法
CN110428382A (zh) 一种用于移动终端的高效视频增强方法、装置和存储介质
WO2020259123A1 (zh) 一种调整图像画质方法、装置及可读存储介质
CN112767252B (zh) 一种基于卷积神经网络的图像超分辨率重建方法
CN104537697A (zh) 一种渐进模糊动画的实现方法
CN104200498B (zh) 融合Cortex‑A7的实时视频超分辨率处理方法
CN108171735A (zh) 基于深度学习的十亿像素视频对齐方法及系统
Zheng et al. Truncated low-rank and total p variation constrained color image completion and its moreau approximation algorithm
CN109429030A (zh) 利用超分辨率算法重建视频的方法
Ni et al. Unpaired image enhancement with quality-attention generative adversarial network

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190305

WD01 Invention patent application deemed withdrawn after publication