CN109886871A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109886871A CN109886871A CN201910014480.XA CN201910014480A CN109886871A CN 109886871 A CN109886871 A CN 109886871A CN 201910014480 A CN201910014480 A CN 201910014480A CN 109886871 A CN109886871 A CN 109886871A
- Authority
- CN
- China
- Prior art keywords
- feature
- layer
- attention mechanism
- resolution
- convolutional layer
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种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,在残差支路开头,使用基于深度学习的单层卷积层直接提取低分辨率图像的原始特征;使用六个级联的基于通道注意力机制和多层特征融合的卷积循环单元来提取精确的深度特征;通过反卷积层对深度特征进行上采样,并且使用单层卷积层对上采样的特征进行降维,得到高分辨率图像的残差;在映射支路,使用双三次插值方法对低分辨图像进行上采样,得到高分辨率图像的映射;将高分辨率图像的映射和残差逐像素相加得到最终的高分辨率图像。本发明设计合理,充分考虑了特征通道间的差异性,高效地利用了层次化的特征,在取得较高准确率的同时,保持了较快的运行速度。
Description
技术领域
本发明属于计算机视觉图像技术领域,尤其是一种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。
背景技术
随着科学技术的进步,在人们的日常生活中出现了越来越多的图像分辨率格式,从“标清”(Standard Definition)发展到“高清”(High Definition),进而发展到目前常见的“1080p”、“2K”甚至“4K”等等。更高的分辨率意味着包括更多的图像细节,进而意味着可能存在更大的信息量,更大的信息量蕴含更大的应用潜能。然而,在现实世界中,一方面受成像设备物理性能的限制,人们无法获取高分辨率图像;另一方面,在互联网应用中,受网络带宽、存储介质容量等的限制,用户只能存储、传输分辨率相对较低的图像。而实际上,在多数情况下,人们往往希望获得更高分辨率的图像。因此,如何高效地提高图像分辨率,进而提高图像的质量,是计算机视觉领域的一个重要的研究课题。
图像超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,是从软件的角度解决图像分辨率提升问题的重要技术手段。图像的超分辨率重建为使计算机能够更好地观察、分析、处理图片提供重要的技术支持,在高清晰度电视、医学影像、卫星成像、监控系统等很多领域都具有非常重要的应用价值。
传统提高图像分辨率的常用方法之一是插值法,包括双线性插值法、双三次插值法等。插值法容易实现,但是重建出的像素点和其周围的像素点之间存在区域相似性,使得利用插值法可以生成良好的平滑图像,但不能充分重建图像的边缘区域。一些图像细节可能会因此而丢失,比如变化较大、锐度较高的图像元素边缘部分可能会变模糊等等。另一种常用的传统方法是稀疏编码方法。稀疏编码方法假设任意的自然图片都能在转换区域被稀疏地表达,这个转换区域通常是一个图像元素的字典,通过发掘低分辨率图像和高分辨率图像之间的对应关系得到。然而,稀疏编码方法的缺点是将稀疏性限制引入非线性重建中时通常需要较大的计算代价。
卷积神经网络是一种专门用来处理具有类似网格结构的数据(例如图像即可以被视为二维的像素网格)的神经网络,已经在大量不同类型的计算机视觉处理任务(如图像分类、图像监测等)中取得成功。目前已经发展出很多基于卷积神经网络的实现图像超分辨率重建的解决方案,比如,基于极深卷积神经网络的超分辨率技术(VDSR),基于深度递归卷积网络的超分辨率技术(DRCN)等等。但是,这些方法都没有考虑到特征通道之间的不同重要性,或者未能充分地利用层次化的特征,从而取得了较为受限的效果。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理且兼顾重建准确率和运行速度的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。
本发明解决其技术问题是采取以下技术方案实现的:
一种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,包括以下步骤:
步骤1、在残差支路开头,使用基于深度学习的单层卷积层直接提取低分辨率图像的原始特征;
步骤2、使用六个级联的基于通道注意力机制和多层特征融合的卷积循环单元来提取精确的深度特征;
步骤3、通过反卷积层对深度特征进行上采样,并且使用单层卷积层对上采样的特征进行降维,得到高分辨率图像的残差;
步骤4、在映射支路,使用双三次插值方法对低分辨图像进行上采样,得到高分辨率图像的映射;
步骤5、将高分辨率图像的映射和残差逐像素相加得到最终的高分辨率图像。
进一步,所述单层卷积层的尺寸为3×3×64。
进一步,所述步骤2的具体实现方法包括以下步骤:
(1)在卷积循环单元的开头,通过通道注意力机制来自适应地重新校准输入的特征Uk-1,得到校准后的起始特征RO,其中,k=1,...,6;
(2)通过前两个串联的卷积层来提取更深层特征,然后将其与起始特征RO级联起来得到浅层特征RC1;再将浅层特征RC1通过后两个串联的卷积层,并将得到的特征与浅层特征RC1级联起来,得到深层特征RC2,该深层特征RC2包括起始特征和浅层特征在内的多层特征;其中,前两个串联的卷积层尺寸为3×3×64,后两个卷积层的尺寸为3×3×128;
(3)通过深度学习的卷积层对深层特征RC2进行降维得到尺寸为1×1×256的降维层,并将降维后的特征与低分辨率图像Ilr的原始特征U0逐像素相加,得到第k个卷积循环单元的输出Uk。
进一步,所述步骤(1)的具体实现方法为:
①对循环卷积单元的输入特征Uk-1进行全局池化,提取其全局语义信息,然后经过卷积层、ReLU非线性变换、卷积层和Sigmoid非线性变换后得到通道校准系数向量β;
②使用通道校准系数向量β对输入特征Uk-1进行重新校准。
进一步,在步骤3中,反卷积层的尺寸为3×3×64:降维层的尺寸为3×3×1。
本发明的优点和积极效果是:
1、本发明在残差支路和映射支路分别采用如下方式处理:在残差支路使用深度卷积神经网络模型直接从低分辨率图像中提取原始特征,从而获得更准确的特征表示,利用通道注意力机制,自适应地重新校准每一个输入卷积循环单元的特征,提高了网络的表达能力,利用多层特征融合机制高效且充分地利用了层次化的特征,增强了特征的语义信息,同时也减小了因特征信息缺失而造成的重建模糊;在映射支路使用双三次线性上采样低分辨率图像得到其高分辨率映射图像,进一步迫使残差支路利用强大的卷积神经网络明确地学习图像残差,提高了重建图像的细节质量。
2、本发明设计合理,其利用循环卷积的特性,减少了网络的参数量,使用Laplace金字塔结构来提高图像分辨率,网络的输出是高分辨率的图像,使用低分辨率和高分辨率图像对计算超分辨率准确率,最后以平均绝对损失函数为目标来训练网络,在保证重建质量的同时,提高了运行速度,不仅提高图像超分辨率性能,也能够兼顾运行时间。
附图说明
图1是本发明的网络框架图;
图2是本发明的卷积循环单元的框架图;
图3是本发明的通道注意力机制的框架图;
图4是本发明与其他算法在Urban100数据集下4倍放大时的精度和速度对比图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本实施例以2倍图像超分辨率为例进行说明。一种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,如图1至图3所示,包括以下步骤:
步骤S1、在残差支路开头,通过基于深度学习的单层卷积层直接提取低分辨率图像Ilr的原始特征U0。
在本步骤中,卷积层尺寸为3×3×64。
步骤S2、应用6个级联的基于通道注意力机制和多层特征融合的卷积循环单元来提取精确的深度特征。
步骤S2的具体实现方法如下:
步骤S2.1、在卷积循环单元的开头,通过通道注意力机制来自适应地重新校准输入的特征Uk-1,得到校准后的起始特征RO,其中,k=1,...,6。
步骤S2.1的具体实现方法如下:
步骤S2.1.1、对循环卷积单元的输入特征Uk-1进行全局池化,提取其全局语义信息,然后经过卷积层、ReLU非线性变换、卷积层和Sigmoid非线性变换后得到通道校准系数向量β。
步骤S2.1.2、使用通道校准系数向量β对输入特征Uk-1进行重新校准。
步骤S2.2、通过前两个串联的卷积层来提取更深层特征,然后将其与起始特征RO级联起来得到浅层特征RC1;再将浅层特征RC1通过后两个串联的卷积层,并将得到的特征与浅层特征RC1级联起来,得到深层特征RC2。此时深层特征RC2融合了包括起始特征和浅层特征在内的多层特征。其中,前两个串联的卷积层尺寸为3×3×64,后两个卷积层尺寸为3×3×128。
步骤S2.3、通过深度学习的卷积层对深层特征RC2进行降维,并将降维后的特征与低分辨率图像Ilr的原始特征U0逐像素相加,得到第k个卷积循环单元的输出Uk。其中降维层尺寸为1×1×256。
步骤S3、通过反卷积层对深度特征进行2倍上采样,并且使用单层卷积层对上采样的特征进行降维,得到高分辨率图像的残差。
步骤S3的具体实现方法如下:
步骤S3.1、通过反卷积层对深度特征进行2倍上采样。其中,反卷积层尺寸为3×3×64。
步骤S3.2、使用单层卷积层对上采样的特征进行降维,得到高分辨率图像的残差IRb。其中,降维层尺寸为3×3×1。
步骤S4、在映射支路,使用双三次插值方法对低分辨图像Ilr进行2倍上采样,得到高分辨率图像的映射IIb。
步骤S5、将高分辨率图像的映射IIb和残差IRb逐像素相加得到最终的高分辨率图像Ihr。
通过以上步骤即可得到高分辨率图像。
最后,我们以平均绝对损失函数为目标训练网络,使用PSNR(Peak Signal toNoise Ratio,峰值信噪比)、SSIM(structural similarity index,结构相似性)和运行时间评价网络性能。方法如下:
测试环境:Matlab 2015b;MatConvNet框架;Ubuntu16.04系统;NVIDIA GTX1080ti GPU
测试序列:所选数据集是用于图像超分辨率的图像数据集Set5、Set14和BSDS100。其中Set5数据集包含5张图像,Set14数据集包含14张图像,BSDS100数据集包含100张图像。
测试指标:本发明使用PSNR、SSIM和运行时间进行评测。对当今流行的不同算法计算这些指标数据然后进行结果对比,证明本发明在图像超分辨率领域得到较好的结果。
测试结果如下:
表1.本发明与其他算法在不同放大尺度和不同数据集下的性能比较(PSNR/SSIM)
通过以上对比数据和图4可以看出,在准确度方面,除了DRRN,本发明优于其他所有方法;然而在运行时间方面,本发明几乎比DRRN快了10倍。综合分析,本发明较好地平衡了图像超分辨率的精度与运行速度,在保持较高的准确度下,获得了较快的运行速度。
本发明未述及之处适用于现有技术。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种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,其特征在于包括以下步骤:
步骤1、在残差支路开头,使用基于深度学习的单层卷积层直接提取低分辨率图像的原始特征;
步骤2、使用六个级联的基于通道注意力机制和多层特征融合的卷积循环单元来提取精确的深度特征;
步骤3、通过反卷积层对深度特征进行上采样,并且使用单层卷积层对上采样的特征进行降维,得到高分辨率图像的残差;
步骤4、在映射支路,使用双三次插值方法对低分辨图像进行上采样,得到高分辨率图像的映射;
步骤5、将高分辨率图像的映射和残差逐像素相加得到最终的高分辨率图像。
2.根据权利要求1所述的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,其特征在于:所述单层卷积层的尺寸为3×3×64。
3.根据权利要求1所述的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,其特征在于:所述步骤2的具体实现方法包括以下步骤:
(1)在卷积循环单元的开头,通过通道注意力机制来自适应地重新校准输入的特征Uk-1,得到校准后的起始特征RO,其中,k=1,...,6;
(2)通过前两个串联的卷积层来提取更深层特征,然后将其与起始特征RO级联起来得到浅层特征RC1;再将浅层特征RC1通过后两个串联的卷积层,并将得到的特征与浅层特征RC1级联起来,得到深层特征RC2,该深层特征RC2包括起始特征和浅层特征在内的多层特征;其中,前两个串联的卷积层尺寸为3×3×64,后两个卷积层的尺寸为3×3×128;
(3)通过深度学习的卷积层对深层特征RC2进行降维得到尺寸为1×1×256的降维层,并将降维后的特征与低分辨率图像Ilr的原始特征U0逐像素相加,得到第k个卷积循环单元的输出Uk。
4.根据权利要求3所述的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,其特征在于:所述步骤(1)的具体实现方法为:
①对循环卷积单元的输入特征Uk-1进行全局池化,提取其全局语义信息,然后经过卷积层、ReLU非线性变换、卷积层和Sigmoid非线性变换后得到通道校准系数向量β;
②使用通道校准系数向量β对输入特征Uk-1进行重新校准。
5.根据权利要求1所述的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,其特征在于:在步骤3中,反卷积层的尺寸为3×3×64;降维层的尺寸为3×3×1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910014480.XA CN109886871B (zh) | 2019-01-07 | 2019-01-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910014480.XA CN109886871B (zh) | 2019-01-07 | 2019-01-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886871A true CN109886871A (zh) | 2019-06-14 |
CN109886871B CN109886871B (zh) | 2023-04-07 |
Family
ID=66925668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910014480.XA Active CN109886871B (zh) | 2019-01-07 | 2019-01-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886871B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288518A (zh) * | 2019-06-28 | 2019-09-27 | 北京三快在线科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN110766632A (zh) * | 2019-10-22 | 2020-02-07 | 广东启迪图卫科技股份有限公司 | 基于通道注意力机制和特征金字塔的图像去噪方法 |
CN111028166A (zh) * | 2019-11-30 | 2020-04-17 | 温州大学 | 一种基于迭代神经网络的视频去模糊方法 |
CN111091521A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN111161150A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
CN111260551A (zh) * | 2020-01-08 | 2020-06-09 | 华南理工大学 | 一种基于深度学习的视网膜超分辨重建系统及方法 |
CN111292377A (zh) * | 2020-03-11 | 2020-06-16 | 南京旷云科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN111368849A (zh) * | 2020-05-28 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111462041A (zh) * | 2020-03-02 | 2020-07-28 | 北京东软医疗设备有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111539887A (zh) * | 2020-04-21 | 2020-08-14 | 温州大学 | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 |
CN111583107A (zh) * | 2020-04-03 | 2020-08-25 | 长沙理工大学 | 一种基于注意力机制的图像超分辨率重建方法和系统 |
CN111598781A (zh) * | 2020-05-15 | 2020-08-28 | 宜宾电子科技大学研究院 | 一种基于混合高阶注意网络的图像超分辨率方法 |
CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
CN111833246A (zh) * | 2020-06-02 | 2020-10-27 | 天津大学 | 基于注意力级联网络的单帧图像超分辨方法 |
CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
CN112785496A (zh) * | 2019-11-05 | 2021-05-11 | 四零四科技股份有限公司 | 处理影像超分辨率的装置及方法 |
CN112801868A (zh) * | 2021-01-04 | 2021-05-14 | 青岛信芯微电子科技股份有限公司 | 图像超分辨率重建的方法、电子设备及存储介质 |
CN113436237A (zh) * | 2021-08-26 | 2021-09-24 | 之江实验室 | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 |
WO2021232771A1 (zh) * | 2020-05-18 | 2021-11-25 | 中科视语(北京)科技有限公司 | 多任务的目标检测方法、装置、电子设备及存储介质 |
CN114547017A (zh) * | 2022-04-27 | 2022-05-27 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
CN117934286A (zh) * | 2024-03-21 | 2024-04-26 | 西华大学 | 一种轻量级图像超分辨率方法、装置及其电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211099A1 (en) * | 2015-07-20 | 2018-07-26 | University Of Maryland, College Park | Deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition |
CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
CN108549875A (zh) * | 2018-04-19 | 2018-09-18 | 北京工业大学 | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 |
CN108765296A (zh) * | 2018-06-12 | 2018-11-06 | 桂林电子科技大学 | 一种基于递归残差注意力网络的图像超分辨率重建方法 |
CN108921786A (zh) * | 2018-06-14 | 2018-11-30 | 天津大学 | 基于残差卷积神经网络的图像超分辨率重构方法 |
-
2019
- 2019-01-07 CN CN201910014480.XA patent/CN109886871B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211099A1 (en) * | 2015-07-20 | 2018-07-26 | University Of Maryland, College Park | Deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition |
CN108549875A (zh) * | 2018-04-19 | 2018-09-18 | 北京工业大学 | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 |
CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
CN108765296A (zh) * | 2018-06-12 | 2018-11-06 | 桂林电子科技大学 | 一种基于递归残差注意力网络的图像超分辨率重建方法 |
CN108921786A (zh) * | 2018-06-14 | 2018-11-30 | 天津大学 | 基于残差卷积神经网络的图像超分辨率重构方法 |
Non-Patent Citations (1)
Title |
---|
浦世亮等: "低分辨率自然场景文本识别", 《中国安防》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288518B (zh) * | 2019-06-28 | 2020-10-23 | 北京三快在线科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN110288518A (zh) * | 2019-06-28 | 2019-09-27 | 北京三快在线科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN110766632A (zh) * | 2019-10-22 | 2020-02-07 | 广东启迪图卫科技股份有限公司 | 基于通道注意力机制和特征金字塔的图像去噪方法 |
TWI765264B (zh) * | 2019-11-05 | 2022-05-21 | 四零四科技股份有限公司 | 處理影像超解析度的裝置及方法 |
CN112785496A (zh) * | 2019-11-05 | 2021-05-11 | 四零四科技股份有限公司 | 处理影像超分辨率的装置及方法 |
CN111028166B (zh) * | 2019-11-30 | 2022-07-22 | 温州大学 | 一种基于迭代神经网络的视频去模糊方法 |
CN111028166A (zh) * | 2019-11-30 | 2020-04-17 | 温州大学 | 一种基于迭代神经网络的视频去模糊方法 |
CN111091521A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN111161150A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
CN111161150B (zh) * | 2019-12-30 | 2023-06-23 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
CN111260551A (zh) * | 2020-01-08 | 2020-06-09 | 华南理工大学 | 一种基于深度学习的视网膜超分辨重建系统及方法 |
CN111462041A (zh) * | 2020-03-02 | 2020-07-28 | 北京东软医疗设备有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111462041B (zh) * | 2020-03-02 | 2023-05-05 | 北京东软医疗设备有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111292377A (zh) * | 2020-03-11 | 2020-06-16 | 南京旷云科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN111292377B (zh) * | 2020-03-11 | 2024-01-23 | 南京旷云科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN111583107A (zh) * | 2020-04-03 | 2020-08-25 | 长沙理工大学 | 一种基于注意力机制的图像超分辨率重建方法和系统 |
CN111539887A (zh) * | 2020-04-21 | 2020-08-14 | 温州大学 | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 |
CN111539887B (zh) * | 2020-04-21 | 2023-07-14 | 温州大学 | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 |
CN111598781A (zh) * | 2020-05-15 | 2020-08-28 | 宜宾电子科技大学研究院 | 一种基于混合高阶注意网络的图像超分辨率方法 |
WO2021232771A1 (zh) * | 2020-05-18 | 2021-11-25 | 中科视语(北京)科技有限公司 | 多任务的目标检测方法、装置、电子设备及存储介质 |
CN111368849A (zh) * | 2020-05-28 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
CN111833246B (zh) * | 2020-06-02 | 2022-07-08 | 天津大学 | 基于注意力级联网络的单帧图像超分辨方法 |
CN111833246A (zh) * | 2020-06-02 | 2020-10-27 | 天津大学 | 基于注意力级联网络的单帧图像超分辨方法 |
CN112233038B (zh) * | 2020-10-23 | 2021-06-01 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
CN112801868B (zh) * | 2021-01-04 | 2022-11-11 | 青岛信芯微电子科技股份有限公司 | 图像超分辨率重建的方法、电子设备及存储介质 |
CN112801868A (zh) * | 2021-01-04 | 2021-05-14 | 青岛信芯微电子科技股份有限公司 | 图像超分辨率重建的方法、电子设备及存储介质 |
CN113436237A (zh) * | 2021-08-26 | 2021-09-24 | 之江实验室 | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 |
CN114547017A (zh) * | 2022-04-27 | 2022-05-27 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
CN117934286A (zh) * | 2024-03-21 | 2024-04-26 | 西华大学 | 一种轻量级图像超分辨率方法、装置及其电子设备 |
CN117934286B (zh) * | 2024-03-21 | 2024-06-04 | 西华大学 | 一种轻量级图像超分辨率方法、装置及其电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109886871B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886871A (zh) | 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 | |
CN109671023B (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN110033410A (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
CN109389556A (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
CN110288524A (zh) | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 | |
CN109993698A (zh) | 一种基于生成对抗网络的单幅图像超分辨纹理增强方法 | |
CN108428212A (zh) | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 | |
CN108805808A (zh) | 一种利用卷积神经网络提高视频分辨率的方法 | |
CN105550989B (zh) | 基于非局部高斯过程回归的图像超分辨方法 | |
CN104899835B (zh) | 基于盲模糊估计与锚定空间映射的图像超分辨处理方法 | |
CN114549308B (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 | |
CN108416736A (zh) | 一种基于二次锚点邻域回归的图像超分辨率重建方法 | |
CN110349085A (zh) | 一种基于生成对抗网络的单幅图像超分辨特征增强方法 | |
CN109118428B (zh) | 一种基于特征增强的图像超分辨率重建方法 | |
CN111563843B (zh) | 一种图像超分辨重构方法、系统及相关装置 | |
Zhang et al. | Learning stacking regressors for single image super-resolution | |
CN110047038B (zh) | 一种基于层级递进网络的单图像超分辨重建方法 | |
CN114359041A (zh) | 一种光场图像空间超分辨率重建方法 | |
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 | |
CN117455770A (zh) | 基于逐层上下文信息聚合网络的轻量级图像超分辨率方法 | |
CN117292017A (zh) | 一种草图到图片跨域合成方法、系统及设备 | |
CN107169925B (zh) | 无级缩放超分辨率图像的重建方法 | |
Liu et al. | Photorealistic style transfer fusing frequency separation channel attention mechanism and mirror flow pyramid integration |
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 |