CN110163800B - 一种基于多帧图像超分辨的芯片显微相位恢复方法和装置 - Google Patents
一种基于多帧图像超分辨的芯片显微相位恢复方法和装置 Download PDFInfo
- Publication number
- CN110163800B CN110163800B CN201910393981.3A CN201910393981A CN110163800B CN 110163800 B CN110163800 B CN 110163800B CN 201910393981 A CN201910393981 A CN 201910393981A CN 110163800 B CN110163800 B CN 110163800B
- Authority
- CN
- China
- Prior art keywords
- frame
- resolution
- super
- image
- chip
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000013508 migration Methods 0.000 claims abstract description 4
- 230000005012 migration Effects 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明公开了一种基于多帧图像超分辨的芯片显微相位恢复方法及其装置,属于计算机视觉和深度学习领域。该方法主要包括以下步骤:拍摄多帧芯片显微图像、随机打乱各帧图像,将输入的多帧芯片显微图像做两两对齐、将补偿后的图像合并成单帧特征图、恢复单帧特征图的高频细节、进行网络预训练,并在少量芯片显微多帧图像上进行迁移训练、对芯片显微多帧图像直接进行超分辨、将超分辨后的芯片显微图像进行常规相位恢复处理,得到重建后的显微图像。其装置包括:图像获取模块、运动补偿模块、多帧融合模块、单帧超分辨模块、神经网络训练模块、多帧超分辨模块和相位恢复模块。本发明的方法可以大大提高多帧超分辨及之后相位恢复的性能。
Description
技术领域
本发明属于显微图像领域,尤其涉及一种基于多帧图像超分辨的芯片显微相位恢复方法和装置。
背景技术
芯片显微是一种不需要光学镜头也能拍摄显微图像的技术。普通的光学显微借助物镜与目镜组合来放大图像,人们才得以观察到微小的生物图像。而芯片显微作为一种数字全息技术,完全摒弃了光学镜头,通过芯片上的感光阵列便可以捕捉显微图像信息,再通过一系列重建算法恢复出图像。它比光学显微镜的视场更大,分辨率更高,而且成本远低于光学显微镜。但是由于相位信息和频率信息丢失的问题,重建的图像通常存在严重的衍射环干扰,以致当前该技术难以进行广泛应用。在频率信息恢复方面,研究人员大多采用迭代算法,从多帧图像中提取高频信息,然而该类迭代算法存在着速度慢,精度低的问题。
自2012年开始,得益于卷积神经网络的快速性和高效性,深度学习技术快速发展。越来越多的来自世界各个学校、企业的学者提出了许多基于深度学习的多帧图像超分辨的方法,多帧图像超分辨算法在视频超分辨方面已然取得巨大的成功。然而还鲜有人设计专门针对芯片显微图像的多帧超分辨,该任务与视频超分辨最大的区别在于:视频超分辨的帧与帧之间存在很强的关联性,并且帧之间的顺序必须严格遵循现实的因果关系,不能随意改变;而芯片显微的多帧图像不存在因果关系,每帧之间的顺序可以任意调整。因此,由于没有因果关系的约束,可以设计更加快速,更加鲁棒的网络模型。
发明内容
本发明的目的在于提供一种基于多帧图像超分辨的芯片显微相位恢复方法,该方法可以实现对多帧芯片显微图像的运动补偿,并重建成一张拥有更高分辨率、且拥有更清晰的细节的超分辨率图像。本发明的另外一个目的是提供实现该方法的装置。
本发明的方法采用的技术方案为:
一种基于多帧图像超分辨的芯片显微相位恢复方法,包括如下步骤:
S1,利用芯片显微装置和位移台结合拍摄多帧芯片显微图像,并将显微图像随机划分成两部分:一部分作为训练集,另一部分作为测试集;
S2,随机打乱所述多帧芯片显微图像,利用光流网络和反向扭曲,以某帧芯片显微图像为基准,将多帧芯片显微图像进行两两对齐;
S3,利用卷积神经网络将对齐后的图像合并成单帧特征图;
S4,利用卷积神经网络恢复单帧特征图的高频细节;
S5,利用超分辨数据集对卷积神经网络进行预训练,并在所述显微图像的训练集上进行迁移训练;
S6,经过多次训练迭代后,固定卷积神经网络的参数,将训练得到的卷积神经网络对所述显微图像的测试集直接进行超分辨;
S7,将经步骤S6超分辨后的芯片显微图像进行相位恢复处理,得到重建后的显微图像。
进一步地,所述步骤S3中,将步骤S2对齐后的多帧图像分成若干组,每组在通道维度上直接叠加,得到多通道图像,然后经过卷积神经网络生成一个特征图;将每组生成的特征图继续在通道维度上直接叠加,经过另一个卷积神经网络处理,得到合并后的单帧特征图。
进一步地,所述步骤S4中,将步骤S3生成的单帧特征图进入单帧超分辨网络,生成高分辨率的单帧芯片显微图像。
本发明一种基于多帧图像超分辨的芯片显微相位恢复的装置,包括:图像获取模块,用于获取多帧芯片显微图像;运动补偿模块,用于对齐多帧芯片显微图像;多帧融合模块,用于将对齐后的图像合并成单帧的特征图;单帧超分辨模块,用于从融合后的单帧特征图重建超分辨多帧图像;神经网络训练模块,用于学习多帧超分辨网络的各种参数;多帧超分辨模块,用于对多帧芯片显微图像进行多帧超分辨,以恢复高频信息;相位恢复模块,用于对超分辨后的芯片显微图像进行相位恢复重建。
本发明和其他多帧超分辨方法的不同之处在于:本发明并非严格保留各帧之间的顺序,而是通过随机打乱各帧,先对各帧图像进行运动补偿,对齐图像,接着进行多帧融合,将补偿后的图像合并成单帧的特征图,再着进行超分辨生成图像,最后通过相位恢复得到无衍射环干扰的芯片显微图像。
本发明的显著优点在于:本发明充分利用了各帧之间无因果关联的特点,通过打乱顺序使得网络不会对各帧顺序存在依赖,从而不会影响网络的超分辨效果,大大提高了多帧超分辨及之后相位恢复的性能。实验表明,本发明使用的网络结构和训练方法,同样适用于其他芯片显微图像的多帧超分辨,这对基于芯片显微图像成像的研究有至关重要的意义。
附图说明
图1是本发明基于多帧图像超分辨的芯片显微相位恢复方法的流程图。
图2是本发明基于多帧图像超分辨的芯片显微相位恢复装置的结构示意图。
图3是本发明实施例1拍摄的多帧芯片显微分辨率版图像,一组图像一共有36帧,本图只显示其中的1帧,由于每次位移较小,因此肉眼难以察觉到帧与帧之间的区别。
图4是本发明实施例1中密集残差块的结构示意图。
具体实施方式
为使本发明的目的,技术方案和优点更加清楚,下面将结合附图对本发明实施方法作进一步地详细描述。
实施例1
本实施例提供了一种基于多帧图像超分辨的芯片显微相位恢复方法,以分辨率版图像为例,参见图1,具体包括:
S1,利用芯片显微装置和位移台结合拍摄多帧芯片显微图像。
为了建立足够的超分辨网络训练集,需要利用芯片显微装置和位移台采集足够多的分辨率版图像。首先调整芯片显微装置和位移台,确定需要的视场。其中芯片显微装置由照明光源、样本、位移台、图像传感器组成。样本夹持在位移台上,位移台底部是专门用于记录无透镜显微数据的图像传感器,位移台上方是照明光源,光源照射在样本上,由底部的传感器记录数据。接着每次拍摄都对位移台进行微小的平移,横向位移6次,每位移一次横向都在纵向方向位移6次,结合起来一共进行36次位移,每次位移完成都拍摄一张图像。这36张图像称作一份多帧分辨率版图像。最后,将这些拍摄的多帧显微图像随机分为两组,一组作为训练集;另一组作为测试集。二者比例为8:2。
S2:随机打乱各帧图像,利用光流网络和反向扭曲实现运动补偿模块,将输入的多帧芯片显微图像做两两对齐。
在该步骤中,首先打乱36帧图像的顺序,假设打乱顺序后的图像为I1,I2,I3,…,I36。任意选定一张图像作为基准,本实施例中选定图像I1。接着将其余35帧图像进行对齐处理,对其中一张图像Ii,与I1一起通过光流网络计算它们的光流Flow(I1,Ii),并通过反向扭曲得到对齐后的图像最后得到新的36帧对齐的图像:其中
本实施例中,输入图像调整至32×32大小,由于光流网络估计了两个方向的运动,因此生成的光流图大小为32×32×2。
S3:利用卷积神经网络实现多帧融合模块,将补偿后的图像合并成单帧的特征图。
首先,将36帧对齐后的图像分成6组,每组在通道维度上直接叠加,以第一组为例,叠加后将生成一个32×32×6的多通道图像,经过两个卷积层(这部分的卷积神经网络用C1表示)处理后得到一个32×32×64的特征图。由于一共有6组,因此如此尺寸的特征图将有6个。
接着,将这6个特征图在通道维度上直接叠加,并经过卷积层提取特征。叠加后的特征图大小将达到32×32×384,为了便于计算,先让其经过一个1×1的卷积层将通道数减少至64,再进行两个卷积层处理(这部分的卷积神经网络用C2表示),最后得到一个32×32×64的特征图。
该步骤可以用如下公式表述。其中Concat代表通道叠加操作。C1和C2代表卷积神经网络。Θi代表经过第一步融合后的特征图。F1为该步骤最后输出的特征图:
F1=C2(Concat(Θ0,Θ1,…,Θ36)))
S4:利用卷积神经网络实现超分辨模块,恢复单帧特征图的高频细节。
在该步骤中,设计一个残差密集网络,残差密集网络由许多残差密集块组成。残差密集块的结构如图4所示,将一个卷积-ReLU层称作一个单元,每个单元的输入等于前面所有单元的输出的叠加,且最后一个单元取消ReLU层。即,图4中所出现的箭头“相交”都是叠加操作。为了减少计算量,将每个残差密集块单元的数量设置为5层,输出通道数为64。将最后一个单元的输出和该残差密集块的输入相加,得到输出。
对整个步骤S4而言,步骤S4的输入首先经过两个残差密集块后将图像上采样2倍,接着经过三个残差密集块后将图像上采样2倍,最后经过两个残差密集块得到所需的超分辨率图像:ISR=C3(F1)。其中C3为整个步骤S4的操作。
为表达方便,接下来,将步骤S2-S4的整个结构称作“网络”:
ISR=C3(Fusion((MC(I1,I2,I3,…,I36))))
其中将步骤S2处理过程表示为MC,步骤S3处理过程表示为Fusion。
S5:在现有的超分辨数据集上进行网络预训练,并在少量芯片显微分辨率版多帧图像上进行迁移训练。
由于芯片显微分辨率版图像的真实值难以获得,故采用迁移学习的方式训练网络。
首先,从DIV2K数据集上获取1000张2k分辨率的自然图像,均匀地裁剪成32×32大小,以此作为预训练图像,并将格式转换成为.mat。根据此数据训练网络,训练总周期设置为100个。训练使用Adam优化器,学习率设置为10-3,之后每过50个周期数值减半,这样可以使优化器一开始以较大步长往最优解靠近,接着再逐步调整位置以准确找到全局最优解。
接着将训练的样本转换成为芯片显微分辨率版图像的训练集。学习率、优化器等配置均不作调整,训练总周期设置为20个。将训练数据输入到步骤S2-S4整个流程中,经过反复学习,保存参数至.pth格式文件中。
S6:经过多次迭代后,固定网络参数,将训练得到的卷积神经网络,对芯片显微多帧图像直接进行超分辨。
使用程序读取.pth文件,芯片显微分辨率版图像中1/5的测试图像进行测试,得到4倍分辨率的单帧芯片显微分辨率版图像。
S7:将超分辨后的芯片显微图像进行常规相位恢复处理(例如GS算法、YG算法),得到重建后的显微图像。
将得到的单帧芯片显微分辨率版图像进行相位恢复算法,得到重建后的芯片显微分辨率版图像。并以分辨率版上能辨认到的条纹级别作为基准,与单帧超分辨后相位恢复、直接相位恢复方法进行性能比较,如下表所示。
表1性能比较结果
方法 | 直接相位恢复 | 单帧超分辨后相位恢复 | 本实施例方法 |
可辨别最高条纹级别数 | 6 | 6 | 7 |
实施例2
参见图2,本发明实施例提供了一种基于多帧图像超分辨的芯片显微相位恢复的装置,包括:
图像获取模块201,用于获取多帧芯片显微图像;
运动补偿模块202,用于以某帧图像作为基准对多帧芯片显微图像进行对齐;
多帧融合模块203,用于将对齐后的图像合并成单帧的特征图;
单帧超分辨模块204,用于从融合后的单帧特征图重建超分辨多帧图像;
神经网络训练模块205,基于迁移学习与反向传播学习多帧超分辨网络的各种参数;
多帧超分辨模块206,将所需的多帧芯片显微图像输入到网络中,网络对其进行多帧超分辨,恢复高频信息。
相位恢复模块207,对超分辨后的芯片显微图像进行相位恢复重建,提高重建质量。
本实施例提供的上述模块全部可以通过软件编程实现,所述程序可以存贮在可读取的存取介质中,该存储介质包括:ROM,RAM,磁碟或者光盘中等各种可以存储程序代码的介质。
Claims (4)
1.一种基于多帧图像超分辨的芯片显微相位恢复方法,其特征在于,包括如下步骤:
S1,利用芯片显微装置和位移台结合拍摄多帧芯片显微图像,并将显微图像随机划分成两部分:一部分作为训练集,另一部分作为测试集;
S2,随机打乱所述多帧芯片显微图像,利用光流网络和反向扭曲,以某帧芯片显微图像为基准,将多帧芯片显微图像进行两两对齐;
S3,利用卷积神经网络将对齐后的图像合并成单帧特征图;
S4,利用卷积神经网络恢复单帧特征图的高频细节;
S5,利用超分辨数据集对卷积神经网络进行预训练,并在所述显微图像的训练集上进行迁移训练;
S6,经过多次训练迭代后,固定卷积神经网络的参数,将训练得到的卷积神经网络对所述显微图像的测试集直接进行超分辨;
S7,将经步骤S6超分辨后的芯片显微图像进行相位恢复处理,得到重建后的显微图像。
2.根据权利要求1所述的一种基于多帧图像超分辨的芯片显微相位恢复方法,其特征在于,所述步骤S3中,将步骤S2对齐后的多帧图像分成若干组,每组在通道维度上直接叠加,得到多通道图像,然后经过卷积神经网络生成一个特征图;将每组生成的特征图继续在通道维度上直接叠加,经过另一个卷积神经网络处理,得到合并后的单帧特征图。
3.根据权利要求1所述的一种基于多帧图像超分辨的芯片显微相位恢复方法,其特征在于,所述步骤S4中,将步骤S3生成的单帧特征图进入单帧超分辨网络,生成高分辨率的单帧芯片显微图像。
4.一种基于多帧图像超分辨的芯片显微相位恢复的装置,其特征在于,包括:
图像获取模块,用于获取多帧芯片显微图像;
运动补偿模块,用于随机打乱所述多帧芯片显微图像,利用光流网络和反向扭曲,以某帧芯片显微图像为基准,将多帧芯片显微图像进行两两对齐;
多帧融合模块,用于将对齐后的图像合并成单帧的特征图;
单帧超分辨模块,用于从融合后的单帧特征图重建超分辨多帧图像;
神经网络训练模块,用于学习多帧超分辨网络的各种参数;
多帧超分辨模块,用于对多帧芯片显微图像进行多帧超分辨,以恢复高频信息;
相位恢复模块,用于对超分辨后的芯片显微图像进行相位恢复重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393981.3A CN110163800B (zh) | 2019-05-13 | 2019-05-13 | 一种基于多帧图像超分辨的芯片显微相位恢复方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393981.3A CN110163800B (zh) | 2019-05-13 | 2019-05-13 | 一种基于多帧图像超分辨的芯片显微相位恢复方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163800A CN110163800A (zh) | 2019-08-23 |
CN110163800B true CN110163800B (zh) | 2023-01-06 |
Family
ID=67634281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910393981.3A Active CN110163800B (zh) | 2019-05-13 | 2019-05-13 | 一种基于多帧图像超分辨的芯片显微相位恢复方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163800B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675333B (zh) * | 2019-08-26 | 2023-04-07 | 山东大学 | 一种基于神经网络超分辨率技术的显微成像处理方法 |
CN110853040B (zh) * | 2019-11-12 | 2023-04-28 | 北京深境智能科技有限公司 | 一种基于超分辨率重建的图像协同分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118431A (zh) * | 2018-09-05 | 2019-01-01 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
CN109389557A (zh) * | 2018-10-20 | 2019-02-26 | 南京大学 | 一种基于图像先验的细胞图像超分辨方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10733714B2 (en) * | 2017-11-09 | 2020-08-04 | Samsung Electronics Co., Ltd | Method and apparatus for video super resolution using convolutional neural network with two-stage motion compensation |
-
2019
- 2019-05-13 CN CN201910393981.3A patent/CN110163800B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118431A (zh) * | 2018-09-05 | 2019-01-01 | 武汉大学 | 一种基于多记忆及混合损失的视频超分辨率重建方法 |
CN109389557A (zh) * | 2018-10-20 | 2019-02-26 | 南京大学 | 一种基于图像先验的细胞图像超分辨方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110163800A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389557B (zh) | 一种基于图像先验的细胞图像超分辨方法及装置 | |
CN115222601A (zh) | 基于残差混合注意力网络的图像超分辨率重建模型及方法 | |
CN110163800B (zh) | 一种基于多帧图像超分辨的芯片显微相位恢复方法和装置 | |
CN111626927B (zh) | 采用视差约束的双目图像超分辨率方法、系统及装置 | |
Hu et al. | Pseudo 3D auto-correlation network for real image denoising | |
Yang et al. | High-fidelity image reconstruction for compressed ultrafast photography via an augmented-Lagrangian and deep-learning hybrid algorithm | |
CN106530231B (zh) | 一种基于深层协作表达的超分辨率图像的重建方法及系统 | |
CN114757862B (zh) | 用于红外光场设备的图像增强渐进式融合方法 | |
CN113379597A (zh) | 人脸超分辨率重构方法 | |
CN113538243A (zh) | 基于多视差注意力模块组合的超分辨图像重建方法 | |
Deng et al. | Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution | |
Zhang et al. | Alternative deep learning method for fast spatial-frequency shift imaging microscopy | |
CN111311522B (zh) | 基于神经网络的双光子荧光显微图像复原方法、存储介质 | |
CN116630529A (zh) | 一种三维图像获取系统及重建方法 | |
CN116797541A (zh) | 一种基于Transformer的肺部CT图像超分辨率重建方法 | |
CN115578260B (zh) | 针对图像超分辨率的方向解耦的注意力方法和系统 | |
Li et al. | H-vfi: Hierarchical frame interpolation for videos with large motions | |
Qi et al. | SUnet++: joint demosaicing and denoising of extreme low-light raw image | |
Liu et al. | IAA-VSR: An iterative alignment algorithm for video super-resolution | |
Garg | Deep Learning Methods on High-Resolution Image and Video–A Profound Assessment | |
CN113538307B (zh) | 基于多视角超分辨深度网络的合成孔径成像方法 | |
Liu et al. | RDAGAN: A Residual Dense Attention GAN for Microscopic Image Super-Resolution | |
Cai et al. | Image super-resolution using multi-level high-frequency feature fusion | |
Xiao et al. | Multi-Scale Non-Local Sparse Attention for Single Image Super-Resolution | |
Li et al. | Lightweight image super-resolution network using 3D convolutional neural networks |
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 |