CN109636716B - 一种基于小波系数学习的图像超分辨率重建方法 - Google Patents
一种基于小波系数学习的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109636716B CN109636716B CN201811265829.9A CN201811265829A CN109636716B CN 109636716 B CN109636716 B CN 109636716B CN 201811265829 A CN201811265829 A CN 201811265829A CN 109636716 B CN109636716 B CN 109636716B
- Authority
- CN
- China
- Prior art keywords
- resolution image
- wavelet
- resolution
- super
- image block
- 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 49
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 26
- 238000013507 mapping Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect 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 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
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于小波系数学习的图像超分辨率重建方法，属于图像超分辨率领域。本发明先选取图像训练集和测试集；对低分辨率图像进行二维平稳小波变换，对高分辨率图像进行二维小波包变换，分别得到LR图像和HR图像的小波系数；步骤三、构建深度神经网络；步骤四、利用深度神经网络对LR图像小波系数的深度网络特征进行提取，并得到HR图像小波残差系数；步骤五、将得到的HR图像小波残差系数还原为HR的小波系数，并进行二维小波包反变换得到最终的高分辨率图像。与现有技术相比，本发明通过使用大量的外部训练集训练一个深度超分辨率模型，能在极短时间内对图像进行超分辨率重建，重建结果明显优于大部分算法。
Description
技术领域
本发明属于图像超分辨率领域，具体涉及一种基于小波系数学习的图像超分辨率方法。
背景技术
单张图像超分辨率重建技术(Single Image Super-Resolution,SISR)是指根据给定的单幅低分辨率图像，经过特定算法恢复图像由于下采样而丢失的细节信息，从而得到细节信息更丰富、画质更加细腻的高像素密度图像的过程。由于能在有限信息的情况下恢复出更精细的细节，该技术已被广泛应用于多种应用场景，如高清电视播放、视频监控和卫星成像等。由于一张高分辨率图像在不同条件下的下采样过程会获得丢失细节不一的低分辨率图像，故从低分辨率图像到高分辨率图像的重建过程为一个典型的病态逆问题，因此，对单幅图像进行超分辨率是一个富有挑战力的重建任务。
SR算法主要分为基于重建约束的超分辨率和基于学习的超分辨率两大类，基于重建约束的超分辨率算法往往对成像过程进行建模，使要求生成的高分辨率图像在通过成像模型后要尽可能接近低分辨率输入图像，同时使用不同的正则优化方法来约束最终解，基于约束重建的超分辨率主要方法有：非均匀插值方法、正则化方法、凸集投影法、迭代反向投影法和自适应滤波法。此类方法基于成像模型和迭代过程，因此需要大量的计算资源。
基于学习的超分辨率方法的基本原理是通过样本学习形成一个LR图像到HR图像的映射关系模型，进而恢复LR图像中丢失的高频细节。其中Dong等人使用CNN学习一个从LR图像到HR图像的端到端映射，他们的方法SRCNN不需要任何人为设置特征而能得到当时最好的效果。在这之后，文献结合稀疏编码方法，提出了一种由中间层表示法生成SR图像的耦合网络结构，减少了训练和测试的时间。残差网络(Residual Net)能大幅减少训练时间并加快收敛速度，基于此提出的Very Deep Super-Resolution(VDSR)强调重建LR图像和HR图像之间的残差而不是花大量的努力重建HR图像中的低频信息,使用较多网络层数实现较好的超分辨率效果。VDSR的方法具有20层深层网络,其缺乏层间信息反馈及上下文信息关联。为了解决此问题,Kim等提出深度递归卷积网络的SR方法(Deeply RecursiveConvolutional Network,DRCN)。其具体思想为：1)使用递归神经网络克服因增加更多的参数而导致的过拟合、模型过大，难以存储和重现等问题。2)对于梯度消失/爆炸导致不易收敛。提出了两种解决方法：一是每层的递归层都是监督式的；二是类似于残差网络，采用skip connection结构。
然而上述的基于CNN的方法也有一些不足：1)容易产生过光滑(Over-Smoothed)的结果，缺少一些细节信息；2)往往使用固定的上采样算子，如三次样条插值算子，在增加图像分辨率的同时也引入了失真信息，并增加了网络的计算负担；3)需要大量的计算，训练阶段时间过长。
发明内容
为减少网络的计算量，同时保持良好的超分辨率重建效果，本发明提出一种基于小波系数学习的图像超分辨率重建方法，该方法将重心放在图像小波系数的重建上，小波变换将图像的低频部分和高频细节信息分离，在强调细节信息的同时增加了稀疏性，从而减少了网络的计算负担。
本发明采用的技术方案：一种基于小波系数学习的图像超分辨率重建方法，首先使用二维小波变换分离样本图像中低分辨率(LR)图像和高分辨率(HR)图像的低频部分和高频细节部分，并计算HR图像小波系数的残差，使用深度神经网络由LR图像小波系数估计HR图像的小波残差系数得到超分辨率(SR)图像小波残差系数，和LR图像小波系数进行相加操作得到SR小波系数，并使用小波反变换得到估计的SR图像。通过计算SR图像与HR图像之间损失值和SR图像小波系数和HR图像小波系数之间的损失值使用Adam优化器进行参数的不断优化，从而学习LR-HR之间的映射过程，该映射过程体现在网络中即为对参数的调整学习，具体包括以下步骤：
(1)对训练集中的高分辨率图像进行双三次插值下采样得到对应的低分辨率图像，并随机截取一定尺寸的图像块生成高分辨率图像块YHR及其对应的低分辨率图像块YLR；具体为选用包含800张png格式的高分辨图像DIV2K数据集和2650张png格式的图像集Flickr2K作为训练集，当放大倍数为4时，将图像切割成48×48大小的低分辨率图像块YLR，对应截取192×192大小的高分辨率图像块YHR。
(2)对高分辨率图像块YHR使用二维小波包变换得到高分辨率图像块小波系数SBHR，低分辨率图像块YLR使用二维平稳小波变换得到低分辨率图像块小波系数SBLR，高分辨率图像块小波系数减去堆叠后的低分辨率图像块小波系数得到高分辨率图像块小波残差系数。
(3)构建深度神经网络，包含输入层、输出层和两个长跳跃链接，每个跳跃链接之间有8个残差块和一层卷积层；残差块的结构包括两卷积层以及位于两者之间的非线性激活层，残差块的两端用跳跃链接相连，所述输入层有256个大小为3×3×4的卷积核，输出层的卷积核大小为3×3×256。
(4)在构建好的网络中输入低分辨率图像块小波系数SBLR，高分辨率图像块图像小波残差系数作为训练标签，网络输出得到超分辨率图像块小波残差系数，超分辨率图像块小波残差系数加上低分辨率图像块小波系数SBLR得到超分辨率图像块小波系数SBSR，对超分辨率图像块小波系数SBSR使用小波包逆变换得到对应的超分辨率图像块YSR。
(5)分别比较超分辨率图像块小波系数SBSR与高分辨率图像块小波系数SBHR的损失值
超分辨率图像块YSR与高分辨率图像块YHR的损失值
计算损失值，根据损失值对网络进行反向传播，调整网络参数；进行多次迭代，直至训练结束，得到优化后的网络；
(6)对任意待处理图像，在优化后的网络中输入其低分辨率图像小波系数，得到超分辨率图像残差系数，加上输入的低分辨率图像块小波系数再逆变换得到超分辨率图像。
本发明的有益效果：
(1)使用深度神经网络来自主学习低分辨率图像小波系数到高分辨率图像小波系数的映射关系，克服了很多重建约束方法定义先验的局限性。
(2)网络的输入输出使用小波系数，在强调细节信息的同时增加了稀疏性，在保证超分辨率重建的良好效果的同时，减少了网络的计算负担。
(3)网络使用了两个长跳跃链接和残差学习，进一步把训练重心放在高频细节上，加速计算并减少在串联网络中的参数数据量。
(4)卷积层使用较多的卷积核(256)，每层的神经元较多，提高了超分辨率重建的效果。
附图说明
图1为小波系数学习网络结构图。
图2为标准数据集Set14，“foreman”图放大4倍对比结果，(a)为高分辨率原图和对应的局部细节，(b)为双三次插值得到的超分辨率图像和对应的局部细节，(c)为DRCN方法得到的超分辨率图像和对应的局部细节，(d)为VDSR方法得到的超分辨率图像和对应的局部细节,(e)为DRRN方法得到的超分辨率图像和对应的局部细节，(f)为本发明方法得到的超分辨率图像和对应的局部细节。
图3为标准数据集Set14，“barbara”图放大4倍对比结果，(a)为高分辨率原图和对应的局部细节，(b)为双三次插值得到的超分辨率图像和对应的局部细节，(c)为DRCN方法得到的超分辨率图像和对应的局部细节，(d)为VDSR方法得到的超分辨率图像和对应的局部细节,(e)为DRRN方法得到的超分辨率图像和对应的局部细节，(f)为本发明方法得到的超分辨率图像和对应的局部细节。
图4为标准数据集Set5，“bird”图放大4倍对比结果，(a)为高分辨率原图和对应的局部细节，(b)为双三次插值得到的超分辨率图像和对应的局部细节，(c)为DRCN方法得到的超分辨率图像和对应的局部细节，(d)为VDSR方法得到的超分辨率图像和对应的局部细节,(e)为DRRN方法得到的超分辨率图像和对应的局部细节，(f)为本发明方法得到的超分辨率图像和对应的局部细节。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
实施例1：对几张不同的图片按照上述方法进行处理，具体步骤如下：
(1)选择超分辨率方法中常用的训练集，本实施例中的训练集使用DIV2K中的800张2k分辨率图像和Flickr2K中的2650张2k分辨率图像，对训练集中的高分辨率图像进行双三次插值下采样得到对应的低分辨率图像，当放大倍数为4时，将图像切割成48×48大小的低分辨率图像块YLR，对应截取192×192大小的高分辨率图像块YHR，并随机截取一定尺寸的图像块生成高分辨率图像块YHR及其对应的低分辨率图像块YLR，并对其随机翻转和90度旋转，这样做在增加不同图像形式的同时保持总图像数量不变。为减少计算量，对于彩色图像只选用Ycbcr格式中的Y通道，Cb与Cr通道直接使用LR图像插值放大后的Cb、Cr通道，以SR结果为Y通道还原彩色超分结果,我们选择这一步骤是因为我们感兴趣的不是颜色变化(存储在Cb、r通道中的信息)而只是其亮度(Y通道)，根本原因在于相较于色差，人类视觉对亮度变化更为敏感。
(2)对高分辨率图像块YHR使用一阶(2倍放大)或二阶(4倍放大)二维小波包变换得到高分辨率图像块小波系数SBHR，低分辨率图像块YLR使用二维平稳小波变换得到低分辨率图像块小波系数SBLR，高分辨率图像块小波系数减去堆叠后的低分辨率图像块小波系数得到高分辨率图像块小波残差系数。
(3)构建深度神经网络，具体的结构如图1所示，其中conv表示卷积层，ResBlock表示残差块，ReLU表示非线性激活层，包含输入层、输出层和两个长跳跃链接，每个跳跃链接之间有8个残差块和一层卷积层；每个残差块的结构为：卷积层→非线性激活层→卷积层，残差块的两端用跳跃链接相连，输入层有256个大小为3×3×4的卷积核，输出层有4个(二倍放大)或16个(4倍放大)大小为3×3×256的卷积核。
(4)在构建好的网络中输入低分辨率图像块小波系数SBLR，高分辨率图像块图像小波残差系数作为训练标签，网络输出得到超分辨率图像块小波残差系数，超分辨率图像块小波残差系数加上低分辨率图像块小波系数SBLR得到超分辨率图像块小波系数SBSR，对超分辨率图像块小波系数SBSR使用一阶(两倍放大)或二阶(四倍放大)小波包逆变换得到对应的超分辨率图像块YSR。
(5)分别比较超分辨率图像块小波系数SBSR与高分辨率图像块小波系数SBHR的损失值
超分辨率图像块YSR与高分辨率图像块YHR的损失值
计算损失值，计算每16张图片后进行一次反向传播，调整网络中每层的权值和偏置，优化算法为ADAM，初始学习率为1×10-4，之后每40次迭代降低50％，总计迭代300次结束，得到优化后的网络。使用Set5、Set14、BSD100和Urban100作为标准数据集，通过模型在测试集上的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似度(Structural Similarity,SSIM)来评估性能，并与现有经典神经网络图像超分辨率方法DRCN、VDSR和DRRN(Deep Recursive Residual Network for Super Resolution)的效果进行比较。具体的结果如图2-4以及表1所示，在数据评估和视觉主观评估上都优于上述对比方法。
表1测试PSNR/SSIM结果对比
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于小波系数学习的图像超分辨率重建方法，其特征在于：包括以下步骤：
(1)对训练集中的高分辨率图像进行双三次插值下采样得到对应的低分辨率图像，并随机截取一定尺寸的图像块生成高分辨率图像块YHR及其对应的低分辨率图像块YLR；
(2)对高分辨率图像块YHR使用二维小波包变换得到高分辨率图像块小波系数SBHR，低分辨率图像块YLR使用二维平稳小波变换得到低分辨率图像块小波系数SBLR，高分辨率图像块小波系数减去堆叠后的低分辨率图像块小波系数得到高分辨率图像块小波残差系数；
(3)构建深度神经网络，包含输入层、输出层和两个长跳跃链接，每个跳跃链接之间有8个残差块和一层卷积层；
(4)在构建好的网络中输入低分辨率图像块小波系数SBLR，高分辨率图像块图像小波残差系数作为训练标签，网络输出得到超分辨率图像块小波残差系数，超分辨率图像块小波残差系数加上低分辨率图像块小波系数SBLR得到超分辨率图像块小波系数SBSR，对超分辨率图像块小波系数SBSR使用小波包逆变换得到对应的超分辨率图像块YSR；
(5)分别比较超分辨率图像块小波系数SBSR与高分辨率图像块小波系数SBHR的损失值costSB、超分辨率图像块YSR与高分辨率图像块YHR的损失值costREC，计算损失值，根据损失值对网络进行反向传播，调整网络参数；进行多次迭代，直至训练结束，得到优化后的网络；
(6)对任意待处理图像，在优化后的网络中输入其低分辨率图像小波系数，得到超分辨率图像残差系数，加上输入的低分辨率图像块小波系数再逆变换得到超分辨率图像。
2.根据权利要求1所述的基于小波系数学习的图像超分辨率重建方法，其特征在于：所述步骤(1)中，选用包含800张png格式的高分辨图像DIV2K数据集和2650张png格式的图像集Flickr2K作为训练集，当放大倍数为4时，将图像切割成48×48大小的低分辨率图像块YLR，对应截取192×192大小的高分辨率图像块YHR。
3.根据权利要求1所述的基于小波系数学习的图像超分辨率重建方法，其特征在于：所述步骤(3)中所述残差块的结构包括两卷积层以及位于两者之间的非线性激活层，残差块的两端用跳跃链接相连，所述输入层有256个大小为3×3×4的卷积核，输出层的卷积核大小为3×3×256。
4.根据权利要求1所述的基于小波系数学习的图像超分辨率重建方法，其特征在于：所述步骤(5)中损失值
损失值
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811265829.9A CN109636716B (zh) | 2018-10-29 | 2018-10-29 | 一种基于小波系数学习的图像超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811265829.9A CN109636716B (zh) | 2018-10-29 | 2018-10-29 | 一种基于小波系数学习的图像超分辨率重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109636716A CN109636716A (zh) | 2019-04-16 |
| CN109636716B true CN109636716B (zh) | 2022-07-22 |
Family
ID=66066873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811265829.9A Active CN109636716B (zh) | 2018-10-29 | 2018-10-29 | 一种基于小波系数学习的图像超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636716B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116526B (zh) * | 2019-06-19 | 2024-06-11 | 中国石油化工股份有限公司 | 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 |
| CN110322404B (zh) * | 2019-07-04 | 2023-08-04 | 上海融军科技有限公司 | 一种图像增强方法及系统 |
| CN110929811B (zh) * | 2019-10-21 | 2023-07-28 | 北京理工大学 | 一种获取全波形激光雷达高分辨率数据的深度学习方法 |
| CN111612695B (zh) * | 2020-05-19 | 2023-08-01 | 华侨大学 | 一种低分辨率人脸图像超分辨重建方法 |
| CN112465701B (zh) * | 2020-11-26 | 2023-08-29 | 上海健康医学院 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
| CN114022356A (zh) * | 2021-10-29 | 2022-02-08 | 长视科技股份有限公司 | 基于小波域的河道流量水位遥感图像超分辨率方法与系统 |
| CN115861081B (zh) * | 2023-02-27 | 2023-05-23 | 耕宇牧星(北京)空间科技有限公司 | 一种基于阶梯型多级小波网络的图像超分辨率重建方法 |
| CN117036987B (zh) * | 2023-10-10 | 2023-12-08 | 武汉大学 | 一种基于小波域交叉配对的遥感影像时空融合方法及系统 |
| CN118071601B (zh) * | 2024-04-16 | 2024-07-12 | 山东奥晶生物科技有限公司 | 一种甜菊糖苷结晶过程中高分辨率图像重构方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| JP2018022329A (ja) * | 2016-08-03 | 2018-02-08 | 日本放送協会 | 超解像装置及びプログラム |
| CN107993194A (zh) * | 2017-11-30 | 2018-05-04 | 天津大学 | 一种基于平稳小波变换的超分辨率重建方法 |
| CN108447020A (zh) * | 2018-03-12 | 2018-08-24 | 南京信息工程大学 | 一种基于极深卷积神经网络的人脸超分辨率重建方法 |
-
2018
- 2018-10-29 CN CN201811265829.9A patent/CN109636716B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JP2018022329A (ja) * | 2016-08-03 | 2018-02-08 | 日本放送協会 | 超解像装置及びプログラム |
| 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 |
| CN107993194A (zh) * | 2017-11-30 | 2018-05-04 | 天津大学 | 一种基于平稳小波变换的超分辨率重建方法 |
| CN108447020A (zh) * | 2018-03-12 | 2018-08-24 | 南京信息工程大学 | 一种基于极深卷积神经网络的人脸超分辨率重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李孟宸.基于小波系数预测学习的图像超分辨率重建.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2020,(第4期), * |
| 李文文.基于稀疏表示的单幅图像超分辨率重建算法研究.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2018,(第2期), * |
| 胡长胜.基于稀疏编码网络的图像超分辨率重建.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2018, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109636716A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636716B (zh) | 一种基于小波系数学习的图像超分辨率重建方法 | |
| CN113139907B (zh) | 视觉分辨率增强的生成方法、系统、装置及存储介质 | |
| CN106709875B (zh) | 一种基于联合深度网络的压缩低分辨率图像复原方法 | |
| US20220284547A1 (en) | Super-resolution image reconstruction method based on deep convolutional sparse coding | |
| CN112330542B (zh) | 基于crcsan网络的图像重建系统及方法 | |
| CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
| CN109903228B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
| CN108961186B (zh) | 一种基于深度学习的老旧影片修复重制方法 | |
| CN102142137B (zh) | 基于高分辨率字典的稀疏表征图像超分辨重建方法 | |
| CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
| CN108900848B (zh) | 一种基于自适应可分离卷积的视频质量增强方法 | |
| CN111192200A (zh) | 基于融合注意力机制残差网络的图像超分辨率重建方法 | |
| WO2024040973A1 (zh) | 一种基于堆叠沙漏网络的多尺度融合去雾方法 | |
| JP5174238B2 (ja) | スパース変換を使用する画像／ビデオ品質向上及び超解像 | |
| CN112291570B (zh) | 一种基于轻量级可形变卷积神经网络的实时视频增强方法 | |
| CN108830812A (zh) | 一种基于网格结构深度学习的视频高帧率重制方法 | |
| CN112561799A (zh) | 一种红外图像超分辨率重建方法 | |
| WO2023012231A1 (en) | Method and data processing system for lossy image or video encoding, transmission and decoding | |
| CN112819705B (zh) | 一种基于网状结构与长距离相关性的真实图像去噪方法 | |
| CN112270646B (zh) | 基于残差密集跳跃网络的超分辨增强方法 | |
| 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 | |
| CN114972036A (zh) | 一种基于融合退化先验的盲图像超分辨率重建方法和系统 | |
| CN103903240B (zh) | 基于多输出最小二乘支持向量回归的图像超分辨方法 | |
| CN112070669B (zh) | 一种针对任意模糊核的超分辨率图像重建方法 | |
| CN111091515B (zh) | 图像复原方法及装置、计算机可读存储介质 |
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 |