CN109509152B - 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 - Google Patents
一种基于特征融合的生成对抗网络的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109509152B CN109509152B CN201811640616.XA CN201811640616A CN109509152B CN 109509152 B CN109509152 B CN 109509152B CN 201811640616 A CN201811640616 A CN 201811640616A CN 109509152 B CN109509152 B CN 109509152B
- Authority
- CN
- China
- Prior art keywords
- network
- resolution
- resolution image
- image
- training
- 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 32
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008447 perception Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于特征融合的生成对抗网络的图像超分辨率重建方法,其步骤为:预处理ImageNet数据集,得到高、低分辨率图像对应的重建数据集;构建用于训练的生成对抗网络模型,在该模型中引入插值重建模块,构建用于多特征融合的生成网络和感知网络;将得到的重建数据集依次输入生成对抗网络中进行模型训练;将待处理的图像进行归一化处理得到低分辨率图像,输入到训练完毕的生成网络,得到重建后的高分辨率图像。本发明通过利用递归残差网络提取边缘和纹理等多种特征,突出生成图像的边缘和纹理信息,使得重建图像更加清晰,利用插值重建模块作为中介实现残差判别,突出重建的和真实的高分辨率图像之间的差异并降低判别网络的计算复杂度,利用VGG网络融合多种特征计算生成损失函数,使重建后的图像效果更佳,更符合人眼的观察模式。
Description
技术领域
本发明涉及图像重建方法领域,尤其涉及一种基于特征融合的生成对抗网络的图像重建方法。
背景技术
超分辨率重建(SR)是一种从低分辨率图像中恢复出对应的高分辨率图像的技术。数字图像的采集和处理过程不可避免地会削弱图像的分辨率,从而影响多媒体的应用。因此,如何将质量较低、分辨率有限的图像转换为质量较高、分辨率较高的图像一直是涉及社会生产和国防军事领域的热点研究问题。
目前超分辨率重建算法主要可分为三大类:基于插值重建的方法,基于重建的方法和基于学习的方法。基于插值重建的方法简单,速度快,但准确率较差。基于重建的方法利用低分辨率图像作为约束条件,利用图像的先验知识进行还原。基于学习的方法是直接学习高低分辨率图像之间的映射关系,其中深度学习的方法通过神经网络直接学习高低分辨率图像之间端到端的映射函数。
在先技术“基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法”(申请号:CN201710347472.8)利用生成对抗网络和亚像素卷积层进行人脸超分辨率重建,简单利用生成对抗网络的对抗结构,使用原始的交叉熵损失函数将数据集中的低分辨率图像送入生成网络生成高分辨率图像,再将生成的高分辨率图像和真实的高分辨率图像送入判别网络中,判别生成效果,不断进行训练,调整参数。其存在的主要问题是重建图像边缘细节信息不足,最终图像的表现效果不佳。
发明内容
为了解决上述技术问题本发明提出了一种基于特征融合的生成对抗网络的图像超分辨率重建方法。
本发明的技术方案是这样实现的:
一种基于特征融合的生成对抗网络的图像超分辨率重建方法,包括以下步骤:
A、预处理ImageNet数据集,得到高、低分辨率图像对应的重建数据集;
B、构建用于训练的生成对抗网络模型,在该模型中引入插值重建模块,构建用于多特征融合的生成网络和感知网络;
C、将步骤A得到的重建数据集依次输入生成对抗网络中进行模型训练;
D、将待处理的图像进行归一化处理得到低分辨率图像,输入到训练完毕的生成网络,得到重建后的高分辨率图像。
进一步的,步骤A中所述的重建数据集的制作方法为:
A1、获取ImageNet数据集,随机挑选部分图像作为训练数据集;
A2、对获得的训练数据集中的所有图像进行归一化处理得到尺寸一致的高分辨率图像数据集;
A3、对高分辨率图像数据集进行双线性插值处理,下采样得到低分辨率图像。
更进一步的,步骤A3中所述高分辨率图像与低分辨率图像的实际张量大小分别为rH*rW*C和H*W*C,其中r为降采样比例,具体缩小比例为2-5倍。
更进一步的,所述降采样比例r为4,即为4倍缩小比例。
进一步的,步骤B中所述用于训练的生成对抗网络模型的构建方法为:
B1、使用ResNet构建生成网络,利用分支结构提取边缘、纹理的特征信息,进行多特征的融合;
B2、构建感知网络,融合多种特征,并将多个损失函数进行整合;
B3、使用卷积层和全连接层构建判别网络;
B4、添加插值重建模块,将得到的残差图像送入判别网络;
B5、生成对抗网络,使用基于Wasserstein距离的对抗损失函数。
进一步的,步骤C中所述模型训练的步骤为:
C1、利用TensorFlow深度学习平台,优化函数为Adam,基础学习率设置为10e-4,学习策略step为100000,gamma为0.1,采用GPU进行加速训练;
C2、预训练,利用步骤A1处理后剩余的ImageNet数据集作为预训练数据集,预训练生成对抗模型中的感知网络,不断迭代使得感知网络具备识别能力,预训练完毕后,感知网络停止更新;
C3、正式训练,将训练集中成对的高、低分辨率图像作为样本输入,将低分辨率图像输入生成网络中,得到重建后的高分辨率图像,将低分辨率图像送入插值模块,得到插值后的高分辨率图像;将重建后的高分辨率图像和真实的高分辨率图像送入感知网络,得到感知损失,最终得到生成损失;将重建后得到的高分辨率图像和真实的高分辨率图像分别与插值得到的高分辨率图像进行差值处理,得到两幅高分辨率差值图像;将两幅高分辨率差值图像送入判别网络中,得到判别信息,并将判别信息反向传播至生成网络,指导其进行训练。
本发明的有益效果在于:
1.通过构建生成网络和判别网络组成生成对抗网络,利用插值重建模块作为中介实现残差判别,突出生成的和真实的高分辨率图像之间的差异并降低判别网络的计算复杂度。
2.利用递归残差网络提取边缘和纹理等多种特征,突出生成图像的边缘和纹理信息,使得重建图像更加清晰。
3.引入感知损失提高了生成效果。
4.利用VGG网络融合多种特征计算生成损失函数,重建后的图像边缘和细节信息更加清晰,重建效果更佳,更符合人眼的观察模式。
附图说明
图1是本发明所述图像超分辨率重建方法的工作框图。
图2是本发明所述图像超分辨率重建方法的生成网络结构图
具体实施方式
下面结合附图详述本发明具体实施方式:
参考1、2所示,一种基于特征融合的生成对抗网络的图像超分辨率重建方法,包括以下步骤:
A、预处理ImageNet数据集,得到高、低分辨率图像对应的重建数据集;
B、构建用于训练的生成对抗网络模型,在该模型中引入插值重建模块,构建用于多特征融合的生成网络和感知网络;
C、将步骤A得到的重建数据集依次输入生成对抗网络中进行模型训练;
D、将待处理的图像进行归一化处理得到低分辨率图像,输入到训练完毕的生成网络,得到重建后的高分辨率图像。
进一步的,步骤A中所述的重建数据集的制作方法为:
A1、获取ImageNet数据集,随机挑选部分图像作为训练数据集;
A2、对获得的训练数据集中的所有图像进行归一化处理得到尺寸一致的高分辨率图像数据集;
A3、对高分辨率图像数据集进行双线性插值处理,下采样得到低分辨率图像。
更进一步的,步骤A3中所述高分辨率图像与低分辨率图像的实际张量大小分别为rH*rW*C和H*W*C,其中r为降采样比例,具体缩小比例为2-5倍,优选的,所述降采样比例r为4,即为4倍缩小比例。
进一步的,步骤B中所述用于训练的生成对抗网络模型的构建方法为:
B1、使用ResNet(残差网络)构建生成网络,利用分支结构提取边缘、纹理的特征信息,进行多特征的融合;
B2、构建感知网络,融合多种特征,并将多个损失函数进行整合;
B3、使用卷积层和全连接层构建判别网络;
B4、添加插值重建模块,将得到的残差图像送入判别网络;
B5、生成对抗网络,使用基于Wasserstein距离的对抗损失函数。
上述网络模型构建方法中使用ResNet的残差卷积块搭建生成网络,每一层输出图像大小与输入图像的大小相等。所述残差块由两组卷积层、BN层、激活层组成,其中激活函数为PReLU函数,其中第二组的激活层实际为元素操作层。将低分辨率图像的边缘和纹理特征作为先验信息,利用递归残差网络的特点在残差分支上提取边缘和纹理等特征,最后将不同的特征进行组合并通过亚像素卷积层进行重建,其中两组亚像素卷积层用于提升分辨率,将一个大小为H*W*r^2C张量变换为rH*rW*C大小的张量。搭建由卷积层、BN层、LReLU激活层组成的判别网络,最终通过全连接层和sigmoid激活函数得到判别损失。
在判别网络和生成网络中引入插值重建模块,将低分辨率图像输入插值重建模块中,得到经过简单插值操作得到的高分辨率图像。将经过生成网络得到的高分辨率图像与真实的高分辨率图像分别与通过插值操作得到的高分辨率图像进行差值处理,得到两幅高分辨率差值图;利用残差网络改进VGG网络作为提取感知损失的感知网络,增加识别边缘细节特征的分支。将重建后的高分辨率图像和真实的高分辨率图像送入感知网络,将上述步骤得到的两幅高分辨率差值图像送入判别网络中。前者得到生成损失、边缘纹理损失和感知损失,最终得到生成损失。后者得到判别损失信息,并利用判别损失信息指导生成网络进行训练。内容损失是生成的和真实的高分辨率图像之间的MSE损失,感知损失是两者通过感知网络得到的MSE损失,边缘纹理损失是两者通过感知网络得到的。
利用感知网络的前几层特征图计算内容损失,中后几层卷积特征图计算边缘纹理损失,最后一层计算感知损失,将三种损失融合在感知网络中进行计算。
损失函数主要包括生成损失和判别损失,生成损失包括内容损失、感知损失、对抗损失、边缘纹理损失;判别损失为两幅高分辨率差值图通过判别网络得到的差异损失。
生成网络的内容损失为生成的高分辨率图像和真实的高分辨率图像之间的MSE损失,公式为:
感知损失为生成的高分辨率图像和真实的高分辨率图像通过感知网络并计算两特征图像之间的差异损失,公式为:
对抗损失利用Wasserstein距离计算对抗的损失,公式为:
进一步的,步骤C中所述模型训练的步骤为:
C1、利用TensorFlow深度学习平台,优化函数为Adam,基础学习率设置为10e-4,学习策略step为100000,gamma为0.1,采用GPU进行加速训练;
C2、预训练,利用步骤A1处理后剩余的ImageNet数据集作为预训练数据集,预训练生成对抗模型中的感知网络,不断迭代使得感知网络具备识别能力,预训练完毕后,感知网络停止更新;
C3、正式训练,将训练集中成对的高、低分辨率图像作为样本输入,将低分辨率图像输入生成网络中,得到重建后的高分辨率图像,将低分辨率图像送入插值模块,得到插值后的高分辨率图像;将重建后的高分辨率图像和真实的高分辨率图像送入感知网络,得到感知损失,最终得到生成损失;将重建后得到的高分辨率图像和真实的高分辨率图像分别与插值得到的高分辨率图像进行差值处理,得到两幅高分辨率差值图像;将两幅高分辨率差值图像送入判别网络中,得到判别信息,并将判别信息反向传播至生成网络,指导其进行训练。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于特征融合的生成对抗网络的图像超分辨率重建方法,其特征在于,包括以下步骤:
A、预处理ImageNet数据集,得到高、低分辨率图像对应的重建数据集;
B、构建用于训练的生成对抗网络模型,在该模型中引入插值重建模块,构建用于多特征融合的生成网络和感知网络;
C、将步骤A得到的重建数据集依次输入生成对抗网络中进行模型训练;
D、将待处理的图像进行归一化处理得到低分辨率图像,输入到训练完毕的生成网络,得到重建后的高分辨率图像;
其中,步骤B中所述用于训练的生成对抗网络模型的构建方法为:
B1、使用ResNet构建生成网络,利用分支结构提取边缘、纹理的特征信息,进行多特征的融合;
B2、构建感知网络,融合多种特征,并将多个损失函数进行整合;
B3、使用卷积层和全连接层构建判别网络;
B4、添加插值重建模块,将得到的残差图像送入判别网络;
B5、生成对抗网络,使用基于Wasserstein距离的对抗损失函数。
2.根据权利要求1所述的方法,其特征在于:步骤A中所述的重建数据集的制作方法为:
A1、获取ImageNet数据集,随机挑选部分图像作为训练数据集;
A2、对获得的训练数据集中的所有图像进行归一化处理得到尺寸一致的高分辨率图像数据集;
A3、对高分辨率图像数据集进行双线性插值处理,下采样得到低分辨率图像。
3.根据权利要求2所述的方法,其特征在于:步骤A3中所述高分辨率图像与低分辨率图像的实际张量大小分别为rH*rW*C和H*W*C,其中r为降采样比例,具体缩小比例为2-5倍。
4.根据权利要求3所述的方法,其特征在于:所述降采样比例r为4,即为4倍缩小比例。
5.根据权利要求1所述的方法,其特征在于,步骤C中所述模型训练的步骤为:
C1、利用TensorFlow深度学习平台,优化函数为Adam,基础学习率设置为10e-4,学习策略step为100000,gamma为0 .1,采用GPU进行加速训练;
C2、预训练,利用步骤A1处理后剩余的ImageNet数据集作为预训练数据集,预训练生成对抗模型中的感知网络,不断迭代使得感知网络具备识别能力,预训练完毕后,感知网络停止更新;
C3、正式训练,将训练集中成对的高、低分辨率图像作为样本输入,将低分辨率图像输入生成网络中,得到重建后的高分辨率图像,将低分辨率图像送入插值模块,得到插值后的高分辨率图像;将重建后的高分辨率图像和真实的高分辨率图像送入感知网络,得到感知损失,最终得到生成损失;将重建后得到的高分辨率图像和真实的高分辨率图像分别与插值得到的高分辨率图像进行差值处理,得到两幅高分辨率差值图像;将两幅高分辨率差值图像送入判别网络中,得到判别信息,并将判别信息反向传播至生成网络,指导其进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640616.XA CN109509152B (zh) | 2018-12-29 | 2018-12-29 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640616.XA CN109509152B (zh) | 2018-12-29 | 2018-12-29 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509152A CN109509152A (zh) | 2019-03-22 |
CN109509152B true CN109509152B (zh) | 2022-12-20 |
Family
ID=65757022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811640616.XA Active CN109509152B (zh) | 2018-12-29 | 2018-12-29 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509152B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489289B (zh) * | 2019-04-02 | 2023-09-12 | 长信智控网络科技有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
CN110009568A (zh) * | 2019-04-10 | 2019-07-12 | 大连民族大学 | 满文图像超分辨率重建的生成器构建方法 |
CN109991602A (zh) * | 2019-04-10 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于深度残差网络的isar图像分辨率增强方法 |
CN109993702B (zh) * | 2019-04-10 | 2023-09-26 | 大连民族大学 | 基于生成对抗网络的满文图像超分辨率重建方法 |
CN110211035B (zh) * | 2019-04-18 | 2023-03-24 | 天津中科智能识别产业技术研究院有限公司 | 融合互信息的深度神经网络的图像超分辨率方法 |
CN110084863B (zh) * | 2019-04-25 | 2020-12-25 | 中山大学 | 一种基于生成对抗网络的多域图像转换方法与系统 |
CN110610458B (zh) * | 2019-04-30 | 2023-10-20 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
CN110473142B (zh) * | 2019-05-22 | 2022-09-27 | 南京理工大学 | 基于深度学习的单幅图像超分辨率重建方法 |
CN110322403A (zh) * | 2019-06-19 | 2019-10-11 | 怀光智能科技(武汉)有限公司 | 一种基于生成对抗网络的多监督图像超分辨重建方法 |
CN110264407B (zh) * | 2019-06-28 | 2023-01-03 | 北京金山云网络技术有限公司 | 图像超分辨模型训练及重建方法、装置、设备及存储介质 |
CN110458758B (zh) * | 2019-07-29 | 2022-04-29 | 武汉工程大学 | 一种图像超分辨率重建方法、系统及计算机存储介质 |
CN110443755B (zh) * | 2019-08-07 | 2023-05-30 | 杭州智团信息技术有限公司 | 一种基于高低频信号量的图像超分辨率的方法 |
CN110443244B (zh) * | 2019-08-12 | 2023-12-05 | 深圳市捷顺科技实业股份有限公司 | 一种图形处理的方法以及相关装置 |
CN110660020B (zh) * | 2019-08-15 | 2024-02-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于融合互信息的对抗生成网络的图像超分辨率方法 |
CN110490807A (zh) * | 2019-08-27 | 2019-11-22 | 中国人民公安大学 | 图像重建方法、装置及存储介质 |
CN110766609B (zh) * | 2019-08-29 | 2023-02-10 | 王少熙 | 一种针对ToF相机的景深图超分辨率重建方法 |
WO2021042270A1 (zh) * | 2019-09-03 | 2021-03-11 | 中山大学 | 基于双流多路径递归残差网络的压缩伪影去除方法 |
CN110660038B (zh) * | 2019-09-09 | 2023-06-09 | 山东工商学院 | 一种基于生成对抗网络的多光谱图像与全色图像融合方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
CN110796599B (zh) * | 2019-10-15 | 2023-08-01 | 哈尔滨工程大学 | 视网膜图像超分辨率重建的通道加权生成式对抗网络方法 |
TWI719696B (zh) * | 2019-11-01 | 2021-02-21 | 財團法人工業技術研究院 | 臉部影像重建方法與系統 |
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 |
CN111402137B (zh) * | 2020-03-20 | 2023-04-18 | 南京信息工程大学 | 一种基于感知损失引导的深度注意力编解码单图像超分辨率算法 |
CN111598778B (zh) * | 2020-05-13 | 2023-11-21 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子图像超分辨率重建方法 |
CN111461134B (zh) * | 2020-05-18 | 2023-04-07 | 南京大学 | 一种基于生成对抗网络的低分辨率车牌识别方法 |
CN113836974A (zh) * | 2020-06-23 | 2021-12-24 | 江苏翼视智能科技有限公司 | 一种基于超分辨率重构的监控视频行人检测方法 |
CN112001847A (zh) * | 2020-08-28 | 2020-11-27 | 徐州工程学院 | 相对生成对抗超分辨率重建模型生成高质量图像的方法 |
CN112037131A (zh) * | 2020-08-31 | 2020-12-04 | 上海电力大学 | 一种基于生成对抗网络的单图像超分辨率重建方法 |
CN112200751A (zh) * | 2020-10-23 | 2021-01-08 | 华强方特(深圳)电影有限公司 | 一种图像增强方法 |
CN112561799A (zh) * | 2020-12-21 | 2021-03-26 | 江西师范大学 | 一种红外图像超分辨率重建方法 |
CN112699929B (zh) * | 2020-12-25 | 2022-11-01 | 南京理工大学 | 一种多监督递归学习的深度网络多源光谱图像融合方法 |
CN112734645B (zh) * | 2021-01-19 | 2023-11-03 | 青岛大学 | 一种基于特征蒸馏复用的轻量化图像超分辨率重建方法 |
CN112597983B (zh) * | 2021-03-04 | 2021-05-14 | 湖南航天捷诚电子装备有限责任公司 | 一种遥感图像中目标对象的识别方法及其存储介质和系统 |
CN113269722A (zh) * | 2021-04-22 | 2021-08-17 | 北京邮电大学 | 生成对抗网络的训练方法、及高分辨率图像重建方法 |
CN113256497B (zh) * | 2021-06-21 | 2021-09-24 | 中南大学 | 图像重建方法及系统 |
CN113344110B (zh) * | 2021-06-26 | 2024-04-05 | 浙江理工大学 | 一种基于超分辨率重建的模糊图像分类方法 |
CN113674154B (zh) * | 2021-08-23 | 2023-10-27 | 北京印刷学院 | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 |
CN115984106B (zh) * | 2022-12-12 | 2024-04-02 | 武汉大学 | 一种基于双边生成对抗网络的线扫描图像超分辨率方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2018
- 2018-12-29 CN CN201811640616.XA patent/CN109509152B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
基于生成对抗网络的单帧红外图像超分辨算法;邵保泰等;《红外与毫米波学报》;20180815(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109509152A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509152B (zh) | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 | |
CN109816593B (zh) | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 | |
CN109685716B (zh) | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 | |
CN111275618B (zh) | 一种基于双支感知的深度图超分辨率重建网络构建方法 | |
CN111062872B (zh) | 一种基于边缘检测的图像超分辨率重建方法及系统 | |
CN111047515B (zh) | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 | |
CN110020989B (zh) | 一种基于深度学习的深度图像超分辨率重建方法 | |
CN110728219A (zh) | 基于多列多尺度图卷积神经网络的3d人脸生成方法 | |
CN107590775B (zh) | 一种利用回归树场的图像超分辨率放大方法 | |
CN113837946B (zh) | 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法 | |
Hu et al. | Hyperspectral image super resolution based on multiscale feature fusion and aggregation network with 3-D convolution | |
CN114862731A (zh) | 低秩先验与空谱信息引导的多-高光谱影像融合方法 | |
CN115484410A (zh) | 基于深度学习的事件相机视频重建方法 | |
CN115936992A (zh) | 一种轻量级Transformer的垃圾图像超分辨方法及系统 | |
CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN114943646A (zh) | 基于纹理导向的梯度权重损失和注意力机制超分辨方法 | |
CN112102388B (zh) | 基于巡检机器人单目图像获取深度图像的方法及装置 | |
CN113538402A (zh) | 一种基于密度估计的人群计数方法及系统 | |
CN115511705A (zh) | 一种基于可变形残差卷积神经网络的图像超分辨率重建方法 | |
CN116486074A (zh) | 一种基于局部和全局上下文信息编码的医学图像分割方法 | |
CN115713462A (zh) | 超分辨模型训练方法、图像识别方法、装置及设备 | |
CN115797181A (zh) | 一种面向矿井模糊环境的图像超分辨率重建方法 | |
CN113128586B (zh) | 基于多尺度机制和串联膨胀卷积遥感图像时空融合方法 | |
CN113421188B (zh) | 一种图像均衡增强的方法、系统、装置及存储介质 | |
CN111382845B (zh) | 一种基于自注意力机制的模板重建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |