CN110288529B - 一种基于递归局部合成网络的单幅图像超分辨率重建方法 - Google Patents
一种基于递归局部合成网络的单幅图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN110288529B CN110288529B CN201910573260.0A CN201910573260A CN110288529B CN 110288529 B CN110288529 B CN 110288529B CN 201910573260 A CN201910573260 A CN 201910573260A CN 110288529 B CN110288529 B CN 110288529B
- Authority
- CN
- China
- Prior art keywords
- local synthesis
- network
- resolution
- image
- synthesis network
- 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 61
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 56
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000011540 sensing material Substances 0.000 description 1
- 238000001228 spectrum Methods 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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)
- Image Processing (AREA)
Abstract
本发明涉及一种基于递归局部合成网络的单幅图像超分辨率重建方法。该方法通过训练一个深度网络学习图像训练数据库中多个低分辨率图像和高分辨率图像之间的对应关系，泛化到图像测试数据库，从而实现对测试数据的重建。该方法的创新点有两个：首先，该方法提出了一种优化了的残差网络单元，与传统的残差单元比较，优化了的残差网络单元网络层数少，参数减少一半，非线性拟合能力更高；其次，本方法还提出了递归局部合成网络模块，使得局部合成网络模块可以递归定义，即一个局部合成网络模块中又包含若干个局部合成网络模块。本发明提供的网络结构可以通过多个浅层特征学习到更为有效和紧凑的高层特征，从而重建出更加清晰的高分辨率图像。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种基于递归局部合成网络的单幅图像超分辨率重建方法。
背景技术
超分辨率图像重建是从由低分辨率图像或视频重建高分辨率图像或视频的处理过程。与传统的图像增强不同，图像增强是图像中某些细节细息由弱变强的一个过程，超分辨率图像重建则是某些细节细息从无到有的一个重建过程，同时，也包含图像增强的成分。
在成像过程中，图像质量退化是不可避免的。仅靠物理传感材料及器件提高图像的分辨率，不仅成本昂贵，而且提升幅度也很有限。受高分辨率图像或视频应用需求的牵引，超分辨率重建已成为计算机视觉与图像处理领域的研究热点。超分辨率重建技术成本低、提升空间大，无需对硬件进行升级就能够重建出高分辨率图像或视频。
现有的单帧图像超分辨率重建方法分为三类，包括基于插值的方法、基于重建的方法和基于学习的方法。基于学习的方法通过学习训练数据库的低分辨率图像和高分辨率图像之间的对应关系，为图像的超分辨率重建提供先验知识，指导超分辨率重建。基于学习的方法，尤其是基于深度学习的方法，由于其重建速度快，图像重建质量好，得到研究者的关注和青睐。
SRCNN[8]是最早提出用深度学习的方法求解图像超分辨率的问题。SRCNN用3层的卷积神经网络学习低分辨率图像到高分辨率图像的非线性映射关系，其重建性能远远超过了其他非深度学习的方法。在此基础上，研究者们提出了更深更复杂的网络实现图像的超分辨率重建。VDSR[9]和DRCN[10]都是采用20层的卷积网络。不同的是，VDSR采用了残差网络模型，学习低分辨率图像到高频图像信息(残差)的非线性映射关系；DRCN则采用递归网络模型，网络中的多个卷积层实现参数共享，从而减少参数个数，降低训练难度。DRRN[13]网络综合了残差网络和递归网络的特性，提出了递归残差网络，提高了网络的重建性能。受到动物记忆机制的启发，MemNet[14]通过融合短程记忆和长程记忆，不仅实现了图像超分辨率重建，而且实现了图像去噪、图像JPEG解压缩等功能。
另外，由于反卷积(Deconv)层和亚像素(Sub-pixel)层[16]的提出，低分辨率图像不需要事先经过Bicubic放大，可以直接输入到网络中，大大提高了网络的重建速度。LapSRN[12]采用在网络中逐渐提高图像分辨率的方法，SRDenseNet[17]和EDSR[18]在网络的最后使用一个反卷积层或者亚像素层一次性提升分辨率，而在网络前端都是在低分辨率空间处理数据。SRDenseNet使用的是稠密网络，EDSR则是使用超深的残差网络。
所有的这些网络大部分是把多个网络层或者网络模块串联起来，得到深度网络，并且在此基础上添加跨层连接或者稠密连接。而自然图像有这么一个特性，多个像素点组成一条边，多条边组成物体组件的轮廓，多个组件轮廓组成物体。根据这个特性，我们可以定义小网络(模块)处理低级别(如像素级别)的信息，大的网络(模块)在多个小网络(模块)的基础上融合多个低级别的信息生成高级别的信息，最终生成图像，这就需要多个小的网络(模块)包含在大的网络(模块)中，多个大的网络(模块)包含在更大的网络(模块)中，以此类推。上述不同大小的网络模块可以通过递归的方式定义，而这种构建网络的方式还没有被提出。
发明内容
本发明的目的在于客服现有基于深度学习的单幅图像超分辨率重建方法的不足，受到“分治”算法的启发，通过对网络模块的递归定义，使得大网络模块中包含若干个小的网络模块，对应这把复杂的问题分解成若干个小问题；在大的网络模块中有一个特征融合单元，把小的网络模块生成的特征融合成更为高级和紧凑的高级特征，对应这把若干个小问题再合并成一个大问题，这样大网络模块就可以解决一个比较复杂的问题；基于此，提出一种基于递归局部合成网络的单幅图像超分辨率重建方法。
为实现上述目的，本发明的技术方案是：一种基于递归局部合成网络的单幅图像超分辨率重建方法，以递归局部合成网络作为单幅图像超分辨率重建的深度网络，首先低分辨率图像Y经过双三次插值得到对应的Bicubic重建图像X0，然后把X0输入到递归局部合成网络，重建出一张高分辨率图像
在本发明一实施例中，所述递归局部合成网络仅包括一个卷积层和一个递归局部合成网络模块；卷积层提取Bicubic重建图像X0的浅层特征，递归局部合成网络模块通过分析这些浅层特征，得到的输出与Bicubic重建图像X0相加，最后得到重建的高分辨率图像
在本发明一实施例中，递归局部合成网络模块的结构是通过递归定义的，即一个递归局部合成网络模块包括若干个次级递归局部合成网络模块，每个小的递归局部合成网络模块均包括若干个次次级递归局部合成网络模块，以此类推；通过递归定义的递归局部合成网络模块可以通过收集更多的多层特征，生成更为有效紧凑的高层特征，使得网络最终生成的高分辨率图像有更为清晰的细节。
在本发明一实施例中，递归局部合成网络模块经过若干次迭代分解后，最小的递归局部合成网络模块是一个经过优化的残差网络单元；所述残差网络单元仅包括一个卷积层，并且卷积层前后各有一个非线性变换层LReLU；这种残差网络单元的设计不仅减少了参数量，而且提升了残差网络单元的非线性表达能力。
在本发明一实施例中，当提供一组训练数据
其中L为训练数据库中磁共振图像的数量，Yl和Xl分别是低分辨率图像块和高分辨率图像块，则其损失函数可以表示为：
其中
是由基于递归局部合成网络的单幅图像超分辨率重建方法重建的高分辨率图像。
相较于现有技术，本发明具有以下有益效果：本发明所述的基于递归局部合成网络的单幅图像超分辨率重建方法，受到“分治”算法的启发，通过对网络模块的递归定义，使得大网络模块中包含若干个小的网络模块，对应着把复杂的问题分解成若干个小问题；在大的网络模块中有一个特征融合单元，把小的网络模块生成的特征融合成更为高级和紧凑的高级特征，对应着把若干个小问题再合并成一个大问题，这样大网络模块就可以解决一个比较复杂的问题。当把网络模块经过若干次展开得到一个大网络时，整个网络就可以实现复杂的超分辨率重建的功能，从而得到高质量的高分辨率图像。
附图说明
图1是本发明中递归局部合成网络模块(NLSB)的结构示意图；
图2是传统的残差网络单元的结构示意图；
图3是本发明中提出的残差网络单元(RRB)的结构示意图；
图4是本发明中递归局部合成网络模块(NLSB)展开得到的树形结构示意图。
图5是本发明中递归局部合成网络(NLSN)的结构示意图。
图6是本发明中基于递归局部合成网络的单幅图像超分辨率重建方法与其他八种方法的重建结果对比图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明的目的在于客服现有基于深度学习的单幅图像超分辨率重建方法的不足，受到“分治”算法的启发，通过对网络模块的递归定义，使得大网络模块中包含若干个小的网络模块，对应着把复杂的问题分解成若干个小问题；在大的网络模块中有一个特征融合单元，把小的网络模块生成的特征融合成更为高级和紧凑的高级特征，对应着把若干个小问题再合并成一个大问题，这样大网络模块就可以解决一个比较复杂的问题。我们提出了一种基于递归局部合成网络的单幅图像超分辨率重建方法，可以得到细节更多的高分辨率图像。
本发明所述的基于递归局部合成网络的单幅图像超分辨率重建方法中，递归局部合成网络模块(NLSB)，如图1所示，NLSB的结构是通过递归定义的，即一个大的NLSB包含若干个小的NLSB，每个小的NLSB中又包含若干个更小的NLSB，以此类推；NLSB经过若干次分解后，最小的NLSB是一个经过优化了的残差网络单元(RRB)，如图2所示；该RRB与传统的残差网络单元(如图3所示)不同，仅包含一个卷积层，并且卷积层前后各有一个非线性变换层LReLU。这种残差网络单元的设计不仅减少了参数量，而且提升了残差网络单元的非线性表达能力。
如果用宗族谱的形式表述NLSB，大的NLSB分解成若干个小的NLSB，我们可以把大的NLSB成为小的NLSB的“父亲”，而小的NLSB是NLSB的“儿子”，逐层分解NLSB可以得到一棵生成树。树根代表根NLSB，树叶是RRB，如图4所示。位于树的第i层的NLSB代表的是根NLSB的第i代子孙，记为NiLSB，特殊的，根NLSB记为N0LSB。假设树总共有n层，RRB也可以记为NnLSB。
基于递归局部合成网络的单幅图像超分辨率重建方法，以递归局部合成网络(NLSN)作为单幅图像超分辨率重建的深度网络，首先低分辨率图像Y经过双三次插值得到对应的Bicubic重建图像X0，然后把X0输入到递归局部合成网络，重建出一张高分辨率图像
NLSN仅包含一个卷积(Conv)层和一个递归局部合成网络模块N0LSB，如图5所示。卷积层提取Bicubic重建图像X0的浅层特征，N0LSB通过分析这些浅层特征，得到的输出与Bicubic重建图像X0相加，最后得到重建的高分辨率图像
基于上述原理，本发明所述的方法具体实施如下：
本发明中，首先低分辨率图像Y经过双三次插值得到对应的Bicubic重建图像X0，然后把X0输入到递归局部合成网络(NLSN)，输出与Bicubic重建图像X0相加，最后得到重建的高分辨率图像
其中NLSN仅包含一个卷积(Conv)层和一个递归局部合成网络模块(N0LSB)。卷积层提取Bicubic重建图像X0的浅层特征，N0LSB通过分析这些浅层特征，得到的输出与Bicubic重建图像X0相加，最后得到重建的高分辨率图像
当提供一组训练数据
其中L为训练数据库中磁共振图像块的数量，Yl和Xl分别是低分辨率图像块和高分辨率图像块，则其损失函数可以表示为：
其中
是由基于递归局部合成网络的单幅图像超分辨率重建方法重建的高分辨率图像。
基于本发明所述的方法进行如下实验：
本实施例的递归局部合成网络中，卷积层卷积核大小为3×3。NLSN中，除了N0LSB最后一个卷积层的输出通道是1，其余卷积层输出通道数目均为64。另外N0LSB中包含3个N1LSB，每个N1LSB中包含3个N2LSB，每个N2LSB中包含4个RRB。训练数据集是通用的公开数据集，包含291张图像，包括ScSR[1]91张的训练图像和BSD200[2]的200张图像；测试数据集有5个，分别是Set5[3]、Set14[4]、B100[5]、Urban100[6]和Manga109[7]。为了增加训练集图像的冗余度，本发明对训练数据进行旋转及翻转扩充。低分辨率图像是由高分辨率图像经过双三次插值下采样得到，降采样倍数分别是2，3和4。本发明在深度学习框架Tensorflow下使用Adam优化器，迭代训练50遍。学习率初始设置为2×10-4，训练15遍后降为1×10-4，最后3遍再降为1×10-5。每批训练样本个数设为64，输入样本的尺寸为41×41。
表1
为了显示本发明所述方法的有效性，实验把本方法与现有的八种代表性的基于深度学习的单幅图像超分辨率重建方法做横向比较。这八种方法分别是SRCNN[8]、VDSR[9]、DRCN[10]、DnCNN[11]、LapSRN[12]、DRRN[13]、MemNet[14]和IDN[15]。
在单幅图像超分辨率重建的实验中，现有的八种代表性的基于深度学习的单幅图像超分辨率重建方法与本发明的方法定量效果对比如表1所示，评价指标为峰值信噪比(PSNR)、结构相似度(SSIM)和信息保真度标准(IFC)，示值为测试数据集的重建结果均值，其中PSNR的单位是dB。
实验数据表明，无论哪一个降采倍数，本发明(NLSN)比其他超分辨率重建方法性能更好，PSNR和SSIM都是最优的。
在重建视觉效果方面，八种对比方法和本发明的方法的超分辨率重建效果对比如图6所示。由图6可以看出，本发明基于递归局部合成网络的单幅图像超分辨率重建方法能更好地重建出更准确的细节信息。
可见通过递归定义网络模块，本发明中NLSN可以把单幅图像超分辨率重建问题分而治之，把难的超分辨率重建问题细分成很多小问题，每个小问题由小NLSB解决。这种“分治”策略能够更好的恢复出图像的细节，并得到高质量的高分辨率图像。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
参考文献：
[1]J.Yang,J.Wright,T.S.Huang andY.Ma,“Image super-resolution viasparse representation,”IEEE Transactions on Image Processing,vol.19,no.11,pp.2861-2873,2010.
[2]D.Martin,C.Fowlkes,D.Tal,and J.Malik,“A Database of HumanSegmented Natural Images and Its Application to Evaluating SegmentationAlgorithms and Measuring Ecological Statistics,”in Proceedings of the IEEEConference on Computer Vision and Pattern Recognition(CVPR),pp.416-423,2011.
[3]B.Marco,R.Aline,G.Christine,and A.Marieline,“Low-ComplexitySingle-Image Super-Resolution Based on Nonnegative Neighbor Embedding,”inBritish Machine Vision Conference(BMVC),pp.1-10,2012.
[4]R.Zeyde,M.Elad,and M.Protter,“On Single Image Scale-Up UsingSparse-Representations,”in International Conference on Curves and Surfaces,pp.711-730,2012.
[5]P.Arbelaez,M.Maire,C.Fowlkes,and J.Malik,“Contour Detection andHierarchical Image Segmentation,”IEEE Transactions on Pattern Analysis andMachine Intelligence,vol.33,no.5,pp.898-916,2011.
[6]J.Huang,A.Singh,and N.Ahuja,“Single Image Super-resolution fromTransformed Self-exemplars,”in Proceedings ofthe IEEE Conference on ComputerVision and Pattern Recognition(CVPR),pp.5197-5206,2015.
[7]Y.Matsui,K.Ito,Y.Aramaki,A.Fujimoto,T.Ogawa,T.Yamasaki,andK.Aizawa,“Sketch-based Manga Retrieval using Manga109 Dataset,”MultimediaTools andApplications,vol.76,no.20,pp.21811-21838,2017.
[8]C.Dong,C.Chen,K.He,and X.Tang,“Image Super-Resolution Using DeepConvolutional Networks,”IEEE Transactions on Pattern Analysis and MachineIntelligence,vol.38,no.2,pp.295-307,2016.
[9]J.Kim,J.K.Lee,and K.M.Lee,“Accurate Image Super-Resolution UsingVery Deep Convolutional Networks,”in Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition(CVPR),pp.1646-1654,2016.
[10]J.Kim,J.K.Lee,and K.M.Lee,“Deeply-Recursive Convolutional Networkfor Image Super-Resolution,”in Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition(CVPR),pp.1637-1645,2016.
[11]K.Zhang,W.Zuo,Y.Chen,D.Meng,and L.Zhang,“Beyond a GaussianDenoiser:Residual Learning ofDeep CNN for Image Denoising,”IEEE Transactionson Image Processing,vol.26,no.7,pp.3142-3155,2017.
[12]W.Lai,J.Huang,N.Ahuja,and M.Yang,“Deep Laplacian Pyramid Networksfor Fast and Accurate Super-Resolution,”in Proceedings ofthe IEEE Conferenceon Computer Vision and Pattern Recognition(CVPR),pp.5835-5843,2017.
[13]Y.Tai,J.Yang and X.Liu,“Image Super-Resolution via Deep RecursiveResidual Network,”in Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition(CVPR),pp.2790-2798,2017.
[14]Y.Tai,J.Yang,X.Liu and C.Xu,“MemNet:A Persistent Memory Networkfor Image Restoration,”in IEEE International Conference on Computer Vision(ICCV),pp.4549-4557,2017.
[15]Z.Hui,X.Wang,and X.Gao,“Fast and Accurate Single Image Super-Resolution via Information Distillation Network,”in Proceedings of the IEEEConference on Computer Vision and Pattern Recognition(CVPR),pp.723-731,2018.
[16]C.Ledig,Z.Wang,W.Shi,L.Theis,F.Huszar,J.Caballero,A.Cunningham,A.Acosta,A.Aitken,and A.Tejani,“Photo-Realistic Single Image Super-ResolutionUsing a Generative Adversarial Network,”in Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition(CVPR),pp.105-114,2017.
[17]T.Tong,G.Li,X.Liu,and Q.Gao,“Image Super-Resolution Using DenseSkip Connections,”in IEEE International Conference on Computer Vision(ICCV),pp.4809-4817,2017.
[18]B.Lim,S.Son,H.Kim,S.Nah,and K.M.Lee,“Enhanced Deep ResidualNetworks for Single Image Super-Resolution,”in Workshop of the IEEEConference on Computer Vision and Pattern Recognition(CVPRW),pp.1132-1140,2017.。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (2)
1.一种基于递归局部合成网络的单幅图像超分辨率重建方法，其特征在于，以递归局部合成网络作为单幅图像超分辨率重建的深度网络，首先低分辨率图像Y经过双三次插值得到对应的Bicubic重建图像X0，然后把X0输入到递归局部合成网络，重建出一张高分辨率图像
所述递归局部合成网络仅包括一个卷积层和一个递归局部合成网络模块；卷积层提取Bicubic重建图像X0的浅层特征，递归局部合成网络模块通过分析这些浅层特征，得到的输出与Bicubic重建图像X0相加，最后得到重建的高分辨率图像
递归局部合成网络模块的结构是通过递归定义的，即一个递归局部合成网络模块包括若干个次级递归局部合成网络模块，每个小的递归局部合成网络模块均包括若干个次次级递归局部合成网络模块，以此类推；递归局部合成网络模块经过若干次迭代分解后，最小的递归局部合成网络模块是一个经过优化的残差网络单元；所述残差网络单元仅包括一个卷积层，并且卷积层前后各有一个非线性变换层LReLU。
2.根据权利要求1所述的一种基于递归局部合成网络的单幅图像超分辨率重建方法，其特征在于，当提供一组训练数据
其中L为训练数据库中磁共振图像的数量，Yl和Xl分别是低分辨率图像块和高分辨率图像块，则其损失函数表示为：
其中
是由基于递归局部合成网络的单幅图像超分辨率重建方法重建的高分辨率图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910573260.0A CN110288529B (zh) | 2019-06-28 | 2019-06-28 | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910573260.0A CN110288529B (zh) | 2019-06-28 | 2019-06-28 | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110288529A CN110288529A (zh) | 2019-09-27 |
| CN110288529B true CN110288529B (zh) | 2022-06-07 |
Family
ID=68020056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910573260.0A Active CN110288529B (zh) | 2019-06-28 | 2019-06-28 | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288529B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111028150B (zh) * | 2019-11-28 | 2022-04-15 | 武汉大学 | 一种快速时空残差注意力视频超分辨率重建方法 |
| CN112949647B (zh) * | 2021-02-26 | 2023-04-07 | 中国科学院自动化研究所 | 三维场景描述方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 |
| CN108921789A (zh) * | 2018-06-20 | 2018-11-30 | 华北电力大学 | 基于递归残差网络的超分辨率图像重建方法 |
| EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
-
2019
- 2019-06-28 CN CN201910573260.0A patent/CN110288529B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
| CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 |
| CN108921789A (zh) * | 2018-06-20 | 2018-11-30 | 华北电力大学 | 基于递归残差网络的超分辨率图像重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| Undersampled MR image reconstruction using an enhanced recursive;Lijun Bao 等;《Journal of Magnetic Resonance》;20190719;第305卷;第232–246页 * |
| 单帧图像超分辨率重建的深度神经网络综述;康士伟等;《信息通信》;20190315(第03期);第24-27页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110288529A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Suryanarayana et al. | Accurate magnetic resonance image super-resolution using deep networks and Gaussian filtering in the stationary wavelet domain | |
| Bora et al. | Compressed sensing using generative models | |
| CN108122197B (zh) | 一种基于深度学习的图像超分辨率重建方法 | |
| CN108765296B (zh) | 一种基于递归残差注意力网络的图像超分辨率重建方法 | |
| Zhang et al. | CCR: Clustering and collaborative representation for fast single image super-resolution | |
| Xie et al. | Deep coordinate attention network for single image super‐resolution | |
| CN110288529B (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
| CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
| Tang et al. | Deep inception-residual Laplacian pyramid networks for accurate single-image super-resolution | |
| CN111353940A (zh) | 一种基于深度学习迭代上下采样的图像超分辨率重建方法 | |
| Luo et al. | Lattice network for lightweight image restoration | |
| Guo et al. | Multiscale semilocal interpolation with antialiasing | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| Zhu et al. | Generative adversarial image super‐resolution through deep dense skip connections | |
| Hui et al. | Two-stage convolutional network for image super-resolution | |
| Tang et al. | Deep residual networks with a fully connected reconstruction layer for single image super-resolution | |
| Liu et al. | Multi-scale skip-connection network for image super-resolution | |
| Zeng et al. | Densely connected transformer with linear self-attention for lightweight image super-resolution | |
| Chen et al. | Guided dual networks for single image super-resolution | |
| Li et al. | RGSR: A two-step lossy JPG image super-resolution based on noise reduction | |
| Wu et al. | Pyramidal dense attention networks for single image super‐resolution | |
| Kasem et al. | Revised spatial transformer network towards improved image super-resolutions | |
| Huang et al. | CLSR: cross-layer interaction pyramid super-resolution network | |
| CN114529482B (zh) | 基于小波多通道深度网络的图像压缩感知重建方法 | |
| CN113191947B (zh) | 一种图像超分辨率的方法及系统 |
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 |