CN109993702B - 基于生成对抗网络的满文图像超分辨率重建方法 - Google Patents
基于生成对抗网络的满文图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109993702B CN109993702B CN201910286784.1A CN201910286784A CN109993702B CN 109993702 B CN109993702 B CN 109993702B CN 201910286784 A CN201910286784 A CN 201910286784A CN 109993702 B CN109993702 B CN 109993702B
- Authority
- CN
- China
- Prior art keywords
- layer
- pixels
- resolution
- convolution
- conv
- 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 31
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000009466 transformation Effects 0.000 claims description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 25
- 238000013461 design Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001228 spectrum 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于生成对抗网络的满文图像超分辨率重建方法,属于计算机图像处理领域,为了解决低分辨率满文图像进行超分辨率重建的问题,包括如下步骤:S1.准备训练样本;S2.基于生成对抗网络搭建实现满文图像超分辨率模型,能够学习高低分辨率的满文图像间映射关系,从而对低分辨率满文图像进行超分辨率重建。
Description
技术领域
本发明属于计算机图像处理领域,具体涉及一种基于生成对抗网络的满文文档图像超分辨率重建方法。
背景技术
图像超分辨率重建(SuperResolutionReconstruction,SRR)技术,是指在不提升硬件性能的情况下,使用纯技术手段来解决因硬件性能局限或采集对象本身问题等原因造成的图示信息模糊的问题。简而言之,SRR技术能够在不提升采集设备性能的情况下对图像进行从低分辨率(LowResolution)到高分辨率(HighResolution)的重建从而获得更多的图示信息。
传统的图像重建方法,例如基于插值的图像重建方法、基于重建的图像重建方法以及部分基于学习的图像重建方法(SRCNN等)。这些方法生成的结果虽然都具有较高的PSNR等客观评测指标,但其生成的结果大多过于平滑致使缺少一些关键的图像细节信息。特别是在满文文档图像的超分辨率任务中,一些关键的满文文字细节信息被忽视就会产生很大的歧义。
发明内容
为了解决低分辨率满文图像进行超分辨率重建的问题,以使得文档图像能够具有更好的细节表现,本发明提出如下技术方案:一种基于生成对抗网络的满文图像超分辨率重建方法,包括如下步骤:
S1.准备训练样本;
S2.基于生成对抗网络搭建实现满文图像超分辨率模型。
进一步的,所述的基于生成对抗网络的满文图像超分辨率重建方法,还包括
S3.由训练样本和损失函数对模型进行调整。
进一步的,准备训练样本的步骤为:
扫描满文文档,并获得高分辨率的满文文档图像HR(1~n),其中n为扫描得到的高分辨率满文图像的数量,将得到的高分辨率满文文档图像采用插值算法进行下采样,并获得低分辨率图像LR(1~n),其中n为低分辨率满文图像的数量,将高分辨率的满文文档图像HR(1 ~n)与低分辨率图像LR(1~n)一一对应组成模型的训练数据集。
进一步的,基于生成对抗网络搭建实现满文图像超分辨率模型的步骤为:构建生成器及判别器。
进一步的,所述构建生成器:使用5个相同结构的残差块和2个亚像素卷积层构建而成生成器,生成器结构是:
第1操作是Input输入层,用于输入图像是训练数据中低分辨率RGB三通道图像;
第2操作是G-Conv-1层,是卷积层,卷积核为9像素×9像素,步长1像素,包含64个滤波器;
第3操作是PReLu层,其将G-Conv-1层的输入信号进行非线性变换,;
第4-8操作均是Residualblock残差块,且五个操作是5个结构相同的Residualblock残差块,用于对低分辨率图像的图示信息特征进行提取;
第9操作包括G-Conv-2卷积层、BN操作、Sum操作,其中G-Conv-2卷积层的卷积核为3像素×3像素,步长1像素,包含64个滤波器,BN表示批量归一化操作,Sum表示输出求和;
第10操作包括G-Conv-3卷积层、Sub-Pixel CN亚像素卷积层、PReLu层,其中G-Conv-3卷积层的卷积核为3像素×3像素,步长1像素,包含256个滤波器;Sub-Pixel CN亚像素卷积层具有2层,用于对提取到的低分辨率图像特征进行重组而生成高分辨率图像,PReLu层将上一层的输入信号进行非线性变换;
第11操作是G-Conv-4是卷积层,卷积核为9像素×9像素,步长1像素,包含3个滤波器;
第12操作是Output输出层。
进一步的,PReLu层将上一层的输入信号进行非线性变换,由公式(1)所示:
其中xi是函数的输入,ai是系数,其随训练的进程而变化。
进一步的,构建的判别器,其结构是:
第1操作是Input输入层,输入图像为训练集中高分辨率样本;
第2操作是D-Conv-1是卷积层,卷积核为3像素×3像素,步长1像素,包含64个滤波器;
第3操作是Leaky ReLu层,将上一层的输入信号进行非线性变换;
第4操作是D-Conv-2卷积层,卷积核为3像素×3像素,步长2像素,包含64个滤波器;
第5操作是D-Conv-3卷积层,卷积核为3像素×3像素,步长1像素,包含128个滤波器;
第6操作是D-Conv-4卷积层,卷积核为3像素×3像素,步长2像素,包含128个滤波器;
第7操作是D-Conv-5卷积层,卷积核为3像素×3像素,步长1像素,包含256个滤波器;
第8操作是D-Conv-6卷积层,卷积核为3像素×3像素,步长2像素,包含256个滤波器;
第9操作是D-Conv-7卷积层,卷积核为3像素×3像素,步长1像素,包含512个滤波器;
第10操作是D-Conv-8卷积层,卷积核为3像素×3像素,步长2像素,包含512个滤波器;
第11操作是BN是批量归一化操作;
第12操作是Leaky ReLu层将上一层的输入信号进行非线性变换;
第13操作是Dense层含有1024个神经元数;Leaky ReLu层将上一层的输入信号进行非线性变换;
第14操作是Dense层,含有1个神经元;
第15操作是Sigmoid函数:
σ(z)=1/(1+e-z)
其中z表示上一层的输出;
第16操作是output输出,所述输出是判别器对输入判别为真实样本还是生成样本的概率,其为鉴别结果。
进一步的,在判别器D的D-Conv-n结构中,2≤n≤7,包括卷积层D-Conv-n、BN批量归一化操作、Leaky ReLu层,Leaky ReLu层是将上一层的输入信号进行非线性变换;
Leaky ReLu层是将上一层的输入信号进行非线性变换,如公式(2)所示:
其中xi是函数的输入,其中a=0.2。
进一步的,将鉴别结果反馈给生成器G,促进生成器G的优化,促进生成器G生成高质量的高分辨率满文文档图像。
进一步的,由训练样本对模型进行调整的步骤如下:将准备好的训练样本中低分辨率图像LR(1~n),利用生成器生成高分辨率重建图像SR(1~n),n为重建图像的数量,然后将生成的图重建像SR(1~n)与训练样本中高分辨率图像HR(1~n)输入判别器网络,同时利用生成器的损失函数和判别器的损失函数对模型进行调优,完成对模型的训练。
有益效果:
本发明使用深度学习的方法进行满文文档图像的超分辨率重建,能够学习高低分辨率的满文图像间映射关系,从而对低分辨率满文图像进行超分辨率重建。
本发明利用了生成式对抗网络这一生成模型的特性,使得重建的高分辨率满文文档图像具有更好的细节表现。
附图说明
图1满文文档图像超分辨率模型结构。
具体实施方式
一种基于生成对抗网络的满文图像超分辨率重建方法,所述的方法依次由准备训练样本、基于生成对抗网络搭建实现满文图像超分辨率模型、利用训练样本和损失函数对模型进行调整三个步骤组成。
对于分辨率作出如下解释说明:分辨率的高低是没有严格的界限和定义的,高和低都只是一个相对的概念。在本发明的实验中,高分辨率图像是1200×800像素左右的图像,低分辨率是高分辨率图像缩小为原来的1/4大小,即300×200像素左右。同时为了保持模型的可扩展性,输入图像的可以是任意大小(即分辨率)的,并且不对高分辨率图像和低分辨率图像进行特别严格的限制。
其中:
准备训练样本的步骤为:扫描满文文档,获得高分辨率的满文文档图像HR(1~n),其中n为扫描得到的高分辨率满文图像的数量。分别将得到的高分辨率满文文档图像采用插值算法进行下采样为低分辨率图像LR(1~n)。将高分辨率的满文文档图像HR(1~n)与低分辨率图像LR(1~n)一一对应组成模型的训练数据集。
基于生成对抗网络搭建实现满文图像超分辨率模型的步骤为:首先生成器的构建主要使用了5个相同结构的残差块(Residualblock),和2个亚像素卷积层构建而成,其具体的结构示意图如图1(a)所示。如图1,Input为输入层,输入图像是训练数据中低分辨率RGB三通道图像;G-Conv-1层是卷积层,卷积核为9像素×9像素,步长1像素,包含64个滤波器;PReLu层将上一层的输入信号进行非线性变换,接下来是5个结构相同的Residualblock是残差块;G-Conv-2卷积层,卷积核为3像素×3像素,步长1像素,包含64个滤波器;BN表示批量归一化操作;Sum表示求和;G-Conv-3卷积层,卷积核为3像素×3像素,步长1像素,包含256个滤波器;Sub-Pixel CN是亚像素卷积层,×2表示2个亚像素卷积层;PReLu层将上一层的输入信号进行非线性变换;G-Conv-4是卷积层,卷积核为9像素×9像素,步长1像素,包含3个滤波器;Output是输出层。
其中:
①残差块的主要作用是对低分辨率图像的图示信息特征进行提取,Residualblock中,G-Conv-2是卷积层,卷积核为3像素×3像素,步长1像素,包含64个滤波器;BN表示批量归一化操作;
②PReLu层将上一层的输入信号进行非线性变换,如公式(1)所示:
其中xi是函数的输入,ai随训练的进程而变化;
③亚像素卷积层的作用是对提取到的低分辨率图像特征进行重组从而生成高分辨率图像,亚像素卷积层的本质就是将低分辨率特征,按照特定位置,周期性的插入到高分辨率图像中,基本原理如图1所示。
述及的“将上一层的输入信号”作如下理解,根据图1来说,图中有亚像素也有普通的卷积层,当然也可以是别的层。只要是PReLu之前的那一层的输出,就是PReLu操作的输入。
在对抗生成模型的判别器部分,采用了预训练的VGG-19的网络结构,判别器的具体结构如图1(b)所示,其作用是对输入的图像进行鉴别。如图1(b),Input为输入层,输入图像为训练集中高分辨率样本;D-Conv-1是卷积层,卷积核为3像素×3像素,步长1像素,包含64个滤波器;Leaky ReLu层将上一层的输入信号进行非线性变换;D-Conv-2是卷积层,卷积核为3像素×3像素,步长2像素,包含64个滤波器;D-Conv-3是卷积层,卷积核为3像素×3像素,步长1像素,包含128个滤波器;D-Conv-4是卷积层,卷积核为3像素×3像素,步长2像素,包含128个滤波器;D-Conv-5是卷积层,卷积核为3像素×3像素,步长1像素,包含256个滤波器;D-Conv-6是卷积层,卷积核为3像素×3像素,步长2像素,包含256个滤波器;D-Conv-7是卷积层,卷积核为3像素×3像素,步长1像素,包含512个滤波器;D-Conv-8是卷积层,卷积核为3像素×3像素,步长2像素,包含512个滤波器;BN是批量归一化操作;Leaky ReLu层将上一层的输入信号进行非线性变换;Dense层含有1024个神经元数;Leaky ReLu层将上一层的输入信号进行非线性变换;Dense层含有1个神经元;Sigmoid函数σ(z)=1/(1+e-z),其中z表示上一层的输出;output输出的是判别器对输入判别为真实样本还是生成样本的概率。
其中,如图1虚线框内结构所示,在判别器D的D-Conv-n(2≤n≤7)这6层结构中,除了卷积层D-Conv-n之外,还包含BN批量归一化操作;Leaky ReLu层将上一层的输入信号进行非线性变换,如公式(2)所示:
其中xi是函数的输入,ai是系数,是一个变量,当fxi小于0时,ai=(输入-输入绝对值)×0.5。
将鉴别结果反馈给生成器G,以促进生成器G的优化,促进生成器G生成高质量的高分辨率满文文档图像。
利用训练样本对模型进行调整的步骤如下:将准备好的训练样本中低分辨率图像LR(1~n)利用生成器生成高分辨率重建图像SR(1~n),然后将生成的SR(1~n)图像与训练样本中高分辨率图像HR(1~n)输入判别器网络。同时利用生成器的损失函数和判别器的损失函数对模型进行调优,完成对模型的训练。
在一种实施例中:
本发明的实施步骤包括生成器设计,判别器的设计,损失函数的设计,网络的训练及使用这四方面来详细介绍。
1、生成器的设计
生成器主要使用了5个相同结构的残差块(Residual block),和2个亚像素卷积层构建而成。其中残差块的主要作用是对低分辨率图像的图示信息特征进行提取。而亚像素卷积层的作用是对提取到的低分辨率图像特征进行重组从而生成高分辨率图像。具体的结构如图1(a)中所示,其中各卷积层的详细参数如表1所示:
表1生成器G中各层参数
2、判别器的设计
判别器的作用是对输入的图像进行鉴别。将鉴别结果反馈给生成器G,以促进生成器G的优化。其详细结构如图1(b)所示,其中各卷积层的详细参数如表2所示
表2判别器D中卷积层参数
3、损失函数的设计
本发明实现的满文文档图像超分辨率重建模型的损失函数表达式如式1所示。
其中表示内容损失,/>表示对抗损失,模型的总损失函数即为两者的加权和。
内容损失采用了计算源高分辨率图像和生成的高分辨率图像在VGG网络中同层特征图谱欧氏距离的方法,从而避免了在像素层面计算损失带来的负面影响,使得生成图像有着更好的细节表现。内容损失的表达式如式2所示。
其中φi,j表示19层VGG网络模型中第i层最大池化层后的第j个卷积层得到的特征图谱,Wi,j和Hi,j分别表示特征图的维度。意即生成图像经过VGG特征提取,在与原图像的对应层特征尽可能相近,从而保证图像内容的一致性。VGG模型是牛津大学的Oxford VisualGeometry Group在2014年ILSVRC(ImageNet Large Scale Visual RecognitionChallenge)竞赛提出的模型,因为具有良好的可迁移性,目前在深度学习领域作为经典模型被很多算法采用。lSR VGG/i,j表示超分辨率模型的损失函数,上标SR表示超分辨率,下标VGG表示采用了VGG模型,/i,j表示VGG模型的第i层最大池化层后的第j个卷积层,所以表示的是VGG模型的第i层最大池化层后的第j个卷积层的损失函数。IHR表示高分辨率图像。Wi,j表示特征图的宽度,单位是像素;Hi,j表示特征图的高度,单位是像素。
而对抗损失的添加,能激励生成器尽可能的生成具有源高分辨率图像细节的生成结果,对抗损失的定义是基于所有训练样本在判别器上的表现,对抗损失函数的表达式如式3所示。
其中表示生成结果/>在判别器中被认为是真实高分辨率图像的概率。/>表示超分辨率模型中的生成模型的损失函数,ILR表示低分辨率图像,/>表示参数为θG的生成器,则/>表示通过生成模型/>根据低分辨率图像ILR生成的高分辨率图像;/>表示判别器网络,/>即表示将上述生成器生成的高分辨率图像输入判别器后的输出;n=1~N表示输入的低分辨率的数量。
4、模型的训练及使用
对模型进行训练时,训练数据集采用将HR图像使用插值算法进行4倍下采样得到LR图像。分别将LR图像和HR图像作为生成器的输入和期望输出,将生成器生成的SR图像和HR图像输入判别器,将判别器的输出反馈给生成器。此过程中在模型的损失函数约束下对生成器和判别器的网络权值进行优化,模型训练完成后。将待重建的低分辨率满文文档图像输入模型即可得到重建后的高分辨率版本,
本实施例公开的注重图像重建细节的满文文档图像超分辨率重建方法,使得满文文档图像超分辨率重建模型能够将源文档图像的分辨率提升4倍。相较于传统重建方法,本方法能够在一定程度上重建出低分辨率满文图像中缺失的许多关键细节,使得满文文档图像具有更高的可读性。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造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创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (3)
1.一种基于生成对抗网络的满文图像超分辨率重建方法,其特征在于:包括如下步骤:
S1.准备训练样本;
S2.基于生成对抗网络搭建实现满文图像超分辨率模型,还包括
S3.由训练样本和损失函数对模型进行调整,将准备好的训练样本中低分辨率图像LR(1 ~n),利用生成器生成高分辨率重建图像SR(1~n),n为重建图像的数量,然后将生成的图重建像SR(1~n)与训练样本中高分辨率图像HR(1~n)输入判别器网络,同时利用生成器的损失函数和判别器的损失函数对模型进行调优,完成对模型的训练;
准备训练样本的步骤为:
扫描满文文档,并获得高分辨率的满文文档图像HR(1~n),其中n为扫描得到的高分辨率满文图像的数量,将得到的高分辨率满文文档图像采用插值算法进行下采样,并获得低分辨率图像LR(1~n),其中n为低分辨率满文图像的数量,将高分辨率的满文文档图像HR(1~n)与低分辨率图像LR(1~n)一一对应组成模型的训练数据集,基于生成对抗网络搭建实现满文图像超分辨率模型的步骤为:构建生成器及判别器,所述构建生成器:使用5个相同结构的残差块和2个亚像素卷积层构建而成生成器,生成器结构是:
第1操作是Input输入层,用于输入图像是训练数据中低分辨率RGB三通道图像;
第2操作是G-Conv-1层,是卷积层,卷积核为9像素×9像素,步长1像素,包含64个滤波器;
第3操作是PReLu层,其将G-Conv-1层的输入信号进行非线性变换;
第4-8操作均是Residualblock残差块,且五个操作是5个结构相同的Residualblock残差块,用于对低分辨率图像的图示信息特征进行提取;
第9操作包括G-Conv-2卷积层、BN操作、Sum操作,其中G-Conv-2卷积层的卷积核为3像素×3像素,步长1像素,包含64个滤波器,BN表示批量归一化操作,Sum表示输出求和;
第10操作包括G-Conv-3卷积层、Sub-Pixel CN亚像素卷积层、PReLu层,其中G-Conv-3卷积层的卷积核为3像素×3像素,步长1像素,包含256个滤波器;Sub-Pixel CN亚像素卷积层具有2层,用于对提取到的低分辨率图像特征进行重组而生成高分辨率图像,PReLu层将上一层的输入信号进行非线性变换;
第11操作是G-Conv-4是卷积层,卷积核为9像素×9像素,步长1像素,包含3个滤波器;
第12操作是Output输出层,
PReLu层将上一层的输入信号进行非线性变换,由公式(1)所示:
其中xi是函数的输入,ai是系数,其随训练的进程而变化;
构建的判别器,其结构是:
第1操作是Input输入层,输入图像为训练集中高分辨率样本;
第2操作是D-Conv-1是卷积层,卷积核为3像素×3像素,步长1像素,包含64个滤波器;
第3操作是Leaky ReLu层,将上一层的输入信号进行非线性变换;
第4操作是D-Conv-2卷积层,卷积核为3像素×3像素,步长2像素,包含64个滤波器;
第5操作是D-Conv-3卷积层,卷积核为3像素×3像素,步长1像素,包含128个滤波器;
第6操作是D-Conv-4卷积层,卷积核为3像素×3像素,步长2像素,包含128个滤波器;
第7操作是D-Conv-5卷积层,卷积核为3像素×3像素,步长1像素,包含256个滤波器;
第8操作是D-Conv-6卷积层,卷积核为3像素×3像素,步长2像素,包含256个滤波器;
第9操作是D-Conv-7卷积层,卷积核为3像素×3像素,步长1像素,包含512个滤波器;
第10操作是D-Conv-8卷积层,卷积核为3像素×3像素,步长2像素,包含512个滤波器;
第11操作是BN是批量归一化操作;
第12操作是Leaky ReLu层将上一层的输入信号进行非线性变换;
第13操作是Dense层含有1024个神经元数;Leaky ReLu层将上一层的输入信号进行非线性变换;
第14操作是Dense层,含有1个神经元;
第15操作是Sigmoid函数:
σ(z)=1/(1+e-z)
其中z表示上一层的输出;
第16操作是output输出,所述输出是判别器对输入判别为真实样本还是生成样本的概率,其为鉴别结果。
2.如权利要求1所述的基于生成对抗网络的满文图像超分辨率重建方法,其特征在于:
在判别器D的D-Conv-n结构中,2≤n≤7,包括卷积层D-Conv-n、BN批量归一化操作、Leaky ReLu层,Leaky ReLu层是将上一层的输入信号进行非线性变换;
Leaky ReLu层是将上一层的输入信号进行非线性变换,如公式(2)所示:
其中xi是函数的输入,其中a=0.2。
3.如权利要求1所述的基于生成对抗网络的满文图像超分辨率重建方法,其特征在于:
将鉴别结果反馈给生成器G,促进生成器G的优化,促进生成器G生成高质量的高分辨率满文文档图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286784.1A CN109993702B (zh) | 2019-04-10 | 2019-04-10 | 基于生成对抗网络的满文图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286784.1A CN109993702B (zh) | 2019-04-10 | 2019-04-10 | 基于生成对抗网络的满文图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993702A CN109993702A (zh) | 2019-07-09 |
CN109993702B true CN109993702B (zh) | 2023-09-26 |
Family
ID=67133005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910286784.1A Active CN109993702B (zh) | 2019-04-10 | 2019-04-10 | 基于生成对抗网络的满文图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993702B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533588B (zh) * | 2019-07-16 | 2021-09-21 | 中国农业大学 | 基于生成对抗网络的根系图像修复方法 |
CN111080522B (zh) * | 2019-12-13 | 2022-03-25 | 福州大学 | 一种基于双向对抗网络的图像超分辨率重建方法 |
CN112381720A (zh) * | 2020-11-30 | 2021-02-19 | 黑龙江大学 | 超分辨率卷积神经网络模型的构建方法 |
CN113140019B (zh) * | 2021-05-13 | 2022-05-31 | 电子科技大学 | 一种基于融合弥补生成对抗网络的文本生成图像的方法 |
Citations (6)
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 |
CN108022213A (zh) * | 2017-11-29 | 2018-05-11 | 天津大学 | 基于生成对抗网络的视频超分辨率重建算法 |
WO2018200493A1 (en) * | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
CN109325931A (zh) * | 2018-08-22 | 2019-02-12 | 中北大学 | 基于生成对抗网络和超分辨率网络的多模态图像融合方法 |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083114A1 (en) * | 2005-08-26 | 2007-04-12 | The University Of Connecticut | Systems and methods for image resolution enhancement |
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2019
- 2019-04-10 CN CN201910286784.1A patent/CN109993702B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018200493A1 (en) * | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
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 |
CN108022213A (zh) * | 2017-11-29 | 2018-05-11 | 天津大学 | 基于生成对抗网络的视频超分辨率重建算法 |
CN109325931A (zh) * | 2018-08-22 | 2019-02-12 | 中北大学 | 基于生成对抗网络和超分辨率网络的多模态图像融合方法 |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN109993702A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136063B (zh) | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 | |
CN109993702B (zh) | 基于生成对抗网络的满文图像超分辨率重建方法 | |
Lei et al. | Coupled adversarial training for remote sensing image super-resolution | |
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 | |
CN112001847A (zh) | 相对生成对抗超分辨率重建模型生成高质量图像的方法 | |
Wang et al. | Ensemble based deep networks for image super-resolution | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
Dong et al. | Remote sensing image super-resolution using second-order multi-scale networks | |
CN112837224A (zh) | 一种基于卷积神经网络的超分辨率图像重建方法 | |
CN111899168B (zh) | 一种基于特征增强的遥感影像超分辨率重建方法和系统 | |
CN113538246B (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 | |
CN116168197A (zh) | 一种基于Transformer分割网络和正则化训练的图像分割方法 | |
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 | |
Wu et al. | A novel perceptual loss function for single image super-resolution | |
Zhang et al. | Remote sensing image generation based on attention mechanism and vae-msgan for roi extraction | |
CN114066871A (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
Han et al. | Data augmentation in material images using the improved HP-VAE-GAN | |
CN113096015A (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
CN116703725A (zh) | 感知多重特征的双分支网络实现针对真实世界文本图像的超分辨率的方法 | |
CN110009568A (zh) | 满文图像超分辨率重建的生成器构建方法 | |
CN115713462A (zh) | 超分辨模型训练方法、图像识别方法、装置及设备 | |
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 | |
CN113191947B (zh) | 一种图像超分辨率的方法及系统 | |
Wang et al. | Deep residual network for single image super-resolution |
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 |