CN110689483B - 基于深度残差网络的图像超分辨率重建方法及存储介质 - Google Patents
基于深度残差网络的图像超分辨率重建方法及存储介质 Download PDFInfo
- Publication number
- CN110689483B CN110689483B CN201910906696.7A CN201910906696A CN110689483B CN 110689483 B CN110689483 B CN 110689483B CN 201910906696 A CN201910906696 A CN 201910906696A CN 110689483 B CN110689483 B CN 110689483B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- reconstruction
- sub
- training
- 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 25
- 238000003860 storage Methods 0.000 title claims description 4
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013341 scale-up Methods 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
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种基于深度残差网络的图像超分辨率重建方法，属于计算机视觉技术的图像重建领域。包括如下步骤：获取数据集、训练样本预处理、训练所提出的模型、利用训练好的模型进行图像重建。其中所提出的模型包含特征提取模块、堆叠的特征增强模块和重建模块。模型中的特征增强模块由一个增强单元和一个非线性化单元组成，增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元负责提取多样的非线性特征。本发明用于图像超分辨率重建能增强特征增强模块的有效性，可以明显提高图像重建质量。
Description
技术领域
本发明属于计算机视觉领域以及图像超分辨率重建领域，尤其涉及一种基于深度残差网络的图像超分辨率重建方法。
背景技术
当今信息社会，人们对高质量、高分辨率图像的需求越来越大。图像的分辨率越高，所包含的细节信息就越多，而这些细节信息在许多实际应用中是极其重要的。由于图像传感器和光学器件在制造工艺以及成本方面的限制，在很多场合下获得所需的高分辨率图像是不现实的，因此，图像超分辨率重建成为计算机视觉领域的难点和热点问题。
图像超分辨率重建方法大致分为基于插值的方法、基于重建的方法和基于学习的方法。近年来，基于学习的图像超分辨率重建算法备受关注，尤其是基于深度学习的图像超分辨率重建算法。
一)：基于深度学习的图像超分辨率重建算法。Dong等人提出最早将深度学习引入到图像超分辨率重建的SRCNN模型，该模型利用三层的卷积神经网络直接学习低分辨率图像与高分辨率图像端对端的映射关系，重建性能优于传统非深度学习方法。详见文献“DongC,Loy C C,He K,et al.Image Super-Resolution Using Deep Convolutional Networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2016,38(2):295-307.”Kim等人提出最早将残差学习应用于图像超分辨率重建的VDSR模型，该模型将卷积神经网络的深度增加到20层，使用更大的感受野获取图像信息，并使用大的学习率，提高了模型的收敛速度。详见文献“Kim J W,Lee J K,Lee K M,et al.Accurate ImageSuper-Resolution Using Very Deep Convolutional Networks[C].computer visionand pattern recognition,2016:1646-1654.”Lim等人提出的EDSR模型简化了SRResnet架构，并以适当的损失函数训练，使得重建效果显著。详见文献“Lim B,Son S,Kim H,etal.Enhanced Deep Residual Networks for Single Image Super-Resolution[C].computer vision and pattern recognition,2017:1132-1140.”文献[8]提出的IDN模型使用多个级联的信息蒸馏模块来增强特征，该模型在提高训练速度的基础上同时保持较好的重建精度。详见文献“Hui Z,Wang X,Gao X,et al.Fast and Accurate Single ImageSuper-Resolution via Information Distillation Network.[J].arXiv:ComputerVision and Pattern Recognition,2018.”
从这些方法中，可以得出大多数模型存在着计算量大，训练时间长的问题，针对该问题，本发明通过提出一种基于深度残差网络的图像超分辨率重建算法，在减少训练时间的基础上同时保持良好的重建精度。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种在减少训练时间的基础上同时保持良好的重建精度的基于深度残差网络的图像超分辨率重建方法。本发明的技术方案如下：
一种基于深度残差网络的图像超分辨率重建方法，其包括以下步骤：
步骤S1：获取数据集，包含训练集和测试集；所述训练集还经过了旋转、水平翻转、降尺度在内的数据增强处理；
步骤S2：对原始高分辨率图像进行下采样，并通过插值、裁剪处理得到训练样本；
步骤S3：构建并训练图像重建模型，所述图像重建模型包括一个特征提取模块、若干个个堆叠的特征增强模块和一个重建模块，所述特征提取模块用于提取原始低分辨率图像的特征信息；每个特征增强模块包含一个增强单元和非线性化单元。增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元用于提取多样的非线性特征；所述重构模块则使用不含激活函数的转置卷积；
步骤S4：利用步骤S3训练好的图像重建模型进行图像重建，得到特征信息重建高分辨率图像。
进一步的，所述步骤S1的训练集是通用的超分辨重率训练集91张图像和伯克利分割数据集中的200图像；为了充分利用训练数据，还使用了3种数据增强方法：(1)将图像旋转90°，180°，270°；(2)水平翻转图像；(3)对图像进行降尺度，降尺度因子分别为0.9，0.8，0.7和0.6；测试集是图像超分辨率重建领域中常用的4个数据集：Set5、Set14、BSD100和Urban100。Set5，Set14和BSD100包含了自然景色，Urban100包含了具挑战性的城市景色。
进一步的，所述步骤S2训练样本预处理，具体包括：
首先使用matalab的一个resize函数升尺度因子m对原始高分辨率图像进行下采样，也就是缩小图像利用双三次线性插值来生成与下采样过后的图像对应LR低分辨率图像，将LR图像裁剪为一组大小为lsub×lsub像素的子图像，lsub表示低分辨率裁剪后的子图像大小，并将对应的HR高分辨率真实图像划分为mlsub×mlsu大小的子图像，这些LR和HR子图像对即为训练样本，利用深度学习框架Caffe来训练时，重建模型中转置卷积的滤波器产生的输出尺寸为(mlsub-m+1)2而不是(mlsub)2，还需在HR子图像上裁剪(m-1)像素边界，最后对于尺度为2，3和4的模型，分别将LR/HR子图像对的大小设置为392/772，262/762，192/732。
进一步的，所述步骤S3图像重建模型中将每个特征增强模块的增强单元都融合上特征提取模块提取的特征信息，使一些较早层提取出的特征融合到较深层使用，增强模块间特征信息的重用。
进一步的，所述步骤S3的图像重建模型训练使用Adam算法优化，Adam算法基于训练数据迭代地更新神经网络权重，步骤：1.用小批量梯度下降法计算出权重和偏置项的梯度；2.计算加权平均数；3.更新权重，图像批处理大小为64，权重衰减为10-4，学习率初始设置为10-4，微调阶段除以10；损失函数先使用L1损失训练模型，再用L2损失微调模型。
进一步的，所述步骤S4利用步骤S3训练好的图像重建模型进行图像重建，得到特征信息重建高分辨率图像，具体包括：
将低分辨率图像输入到模型中特征提取模块中提取特征，接着将提取到的特征输入到堆叠的特征增强模块中增强特征信息的表示能力，最后将增强的特征信息输入到重建模块后结合低分辨率双三次插值后的特征图对应位置相加得到的特征信息重建高分辨率图像。
一种存储介质，该存储介质内部存储计算机程序，所述计算机程序被处理器读取时，执行上述任一项的方法。
本发明的优点及有益效果如下：
(1)本发明在训练所提出的模型阶段，所提出的模型中的特征增强模块能更好的增强特征。其中特征增强模块的增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元负责提取多样的非线性特征。
(2)本发明在训练所提出的模型阶段，所提出的模型包含一个特征提取模块、多个堆叠的特征增强模块和一个重建模块。将每个特征增强模块的增强单元都融合上特征提取模块提取的特征信息，加入了模块之间的连接，使一些较早层提取出的特征融合到较深层使用，增强模型中特征信息的重用，提高了模型的收敛速度。
本发明的创新点还有：1.模型中特征增强模块的设计。2.模型中加入模块间连接。
附图说明
图1是本发明提供优选实施例基于深度残差网络的图像超分辨率重建方法的模型结构示意图。
图2是本发明提出的模型中特征增强模块的增强单元结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明的实现流程包括如下：
步骤1：获取数据集，包含训练集和测试集；
本步骤的具体实现如下：
数据集包括训练集和测试集。训练集是通用的超分辨重率训练集91张图像和伯克利分割数据集中的200图像。为了充分利用训练数据，还使用了3种数据增强方法：(1)将图像旋转90°，180°，270°。(2)水平翻转图像。(3)对图像进行降尺度，降尺度因子分别为0.9，0.8，0.7和0.6。测试集是图像超分辨率重建领域中常用的4个数据集：Set5、Set14、BSD100和Urban100。Set5，Set14和BSD100包含了自然景色，Urban100包含了具挑战性的城市景色。
步骤2：训练样本预处理；
本步骤的具体实现如下：
首先使用升尺度因子为m对原始高分辨率图像进行下采样，利用双三次线性插值来生成对应的LR图像，将LR图像裁剪为一组大小为lsub×lsub。像素的子图像，并将对应的HR真实图像划分为mlsub×mlsub大小的子图像。这些LR/HR子图像对即为训练样本。利用深度学习框架Caffe来训练本文模型时，其转置卷积的滤波器产生的输出尺寸为(mlsub-m+1)2而不是(mlsub)2。所以我们还需在HR子图像上裁剪(m-1)像素边界。最后对于尺度为2，3和4模型，分别将LR/HR子图像对的大小设置为392/772，262/762，192/732。
步骤3：训练所提出的模型；
本步骤的具体实现如下：
如图1所示，所提出的模型包含一个特征提取模块、多个堆叠的特征增强模块和一个重建模块。特征提取模块使用卷积核为3x3的两个卷积层提取原始低分辨率图像的特征信息。每个特征增强模块包含一个增强单元和非线性化单元。增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元负责提取多样的非线性特征。最后重构模块则使用不含激活函数的转置卷积。所提出的模型还加入了模块之间的连接，将每个特征增强模块的增强单元都融合上特征提取模块提取的特征信息，使一些较早层提取出的特征融合到较深层使用，增强模块间特征信息的重用。
模型训练使用Adam优化，图像批处理大小为64，权重衰减为10-4。学习率初始设置为10-4，微调阶段除以10。损失函数先使用L1损失训练模型，再用L2损失微调模型。
步骤4：利用训练好的模型进行图像重建。
本步骤具体实现如下：
将低分辨率图像输入到模型中特征提取模块中提取特征，接着将提取到的特征输入到堆叠的特征增强模块中增强特征信息的表示能力，最后将增强的特征信息输入到重建模块后结合低分辨率双三次插值得到的特征信息重建高分辨率图像。
将本发明在图像超分辨率重建领域常用的四个标准的数据集进行测试：Set5、Set14、BSD100和Urban100。实验结果表明，本人发明提出的技术方案相较于四种深度学习算法SRCNN、VDSR、DRCN、IDN，具有更高的重建精度。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于深度残差网络的图像超分辨率重建方法，其特征在于，包括以下步骤：
步骤S1：获取数据集，包含训练集和测试集；所述训练集还经过了旋转、水平翻转、降尺度在内的数据增强处理；
步骤S2：对原始高分辨率图像进行下采样，并通过插值、裁剪处理得到训练样本；
步骤S3：构建并训练图像重建模型，所述图像重建模型包括一个特征提取模块、若干个堆叠的特征增强模块和一个重建模块，所述特征提取模块用于提取原始低分辨率图像的特征信息；每个特征增强模块包含一个增强单元和非线性化单元，增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元用于提取多样的非线性特征；所述重建模块则使用不含激活函数的转置卷积；
步骤S4：利用步骤S3训练好的图像重建模型进行图像重建，得到特征信息重建高分辨率图像；
所述步骤S3图像重建模型中将每个特征增强模块的增强单元都融合上特征提取模块提取的特征信息，使一些较早层提取出的特征融合到较深层使用，增强模块间特征信息的重用；
所述步骤S3的图像重建模型训练使用Adam算法优化，Adam算法基于训练数据迭代地更新神经网络权重，步骤：1.用小批量梯度下降法计算出权重和偏置项的梯度；2.计算加权平均数；3.更新权重，图像批处理大小为64，权重衰减为10-4，学习率初始设置为10-4，微调阶段除以10；损失函数先使用L1损失训练模型，再用L2损失微调模型。
2.根据权利要求1所述的一种基于深度残差网络的图像超分辨率重建方法，其特征在于，所述步骤S1的训练集是通用的超分辨重率训练集91张图像和伯克利分割数据集中的200图像；为了充分利用训练数据，还使用了3种数据增强方法：(1)将图像旋转90°，180°，270°；(2)水平翻转图像；(3)对图像进行降尺度，降尺度因子分别为0.9，0.8，0.7和0.6；测试集是图像超分辨率重建领域中常用的4个数据集：Set5、Set14、BSD100和Urban100；Set5，Set14和BSD100包含了自然景色，Urban100包含了具挑战性的城市景色。
3.根据权利要求2所述的一种基于深度残差网络的图像超分辨率重建方法，其特征在于，所述步骤S2训练样本预处理，具体包括：
首先使用matalab的一个resize函数升尺度因子m对原始高分辨率图像进行下采样，也就是缩小图像利用双三次线性插值来生成与下采样过后的图像对应LR低分辨率图像，将LR图像裁剪为一组大小为lsub×lsub像素的子图像，lsub表示低分辨率裁剪后的子图像大小，并将对应的HR高分辨率真实图像划分为mlsub×mlsub大小的子图像，这些LR和HR子图像对即为训练样本，利用深度学习框架Caffe来训练时，重建模型中转置卷积的滤波器产生的输出尺寸为(mlsub-m+1)2，还需在HR子图像上裁剪(m-1)像素边界，最后对于尺度为2，3和4的模型，分别将LR/HR子图像对的大小设置为392/772，262/762，192/732。
4.根据权利要求3所述的一种基于深度残差网络的图像超分辨率重建方法，其特征在于，所述步骤S4利用步骤S3训练好的图像重建模型进行图像重建，得到特征信息重建高分辨率图像，具体包括：
将低分辨率图像输入到模型中特征提取模块中提取特征，接着将提取到的特征输入到堆叠的特征增强模块中增强特征信息的表示能力，最后将增强的特征信息输入到重建模块后结合低分辨率双三次插值后的特征图对应位置相加得到的特征信息重建高分辨率图像。
5.一种存储介质，该存储介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～4任一项的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906696.7A CN110689483B (zh) | 2019-09-24 | 2019-09-24 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906696.7A CN110689483B (zh) | 2019-09-24 | 2019-09-24 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689483A CN110689483A (zh) | 2020-01-14 |
| CN110689483B true CN110689483B (zh) | 2022-07-01 |
Family
ID=69109960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910906696.7A Active CN110689483B (zh) | 2019-09-24 | 2019-09-24 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689483B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111383173B (zh) * | 2020-02-12 | 2023-04-18 | 山东师范大学 | 一种基于基线的图像超分辨率重建方法及系统 |
| CN111640061B (zh) * | 2020-05-12 | 2021-05-07 | 哈尔滨工业大学 | 一种自适应图像超分辨率系统 |
| CN111754438B (zh) * | 2020-06-24 | 2021-04-27 | 安徽理工大学 | 基于多分支门控融合的水下图像复原模型及其复原方法 |
| CN112016682B (zh) * | 2020-08-04 | 2024-01-26 | 杰创智能科技股份有限公司 | 视频表征学习、预训练方法及装置、电子设备、存储介质 |
| CN112200751A (zh) * | 2020-10-23 | 2021-01-08 | 华强方特（深圳）电影有限公司 | 一种图像增强方法 |
| CN113159300B (zh) * | 2021-05-15 | 2024-02-27 | 南京逸智网络空间技术创新研究院有限公司 | 图像检测神经网络模型及其训练方法、图像检测方法 |
| CN113610706A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 基于卷积神经网络的模糊监控图像超分辨率重建方法 |
| CN116468612B (zh) * | 2023-06-19 | 2023-09-12 | 武汉大学 | 夜光遥感数据降尺度处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN109544448A (zh) * | 2018-11-09 | 2019-03-29 | 浙江工业大学 | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 |
| CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
| CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
| CN109978763A (zh) * | 2019-03-01 | 2019-07-05 | 昆明理工大学 | 一种基于跳跃连接残差网络的图像超分辨率重建算法 |
| CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2019
- 2019-09-24 CN CN201910906696.7A patent/CN110689483B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN109544448A (zh) * | 2018-11-09 | 2019-03-29 | 浙江工业大学 | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 |
| CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
| CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
| CN109978763A (zh) * | 2019-03-01 | 2019-07-05 | 昆明理工大学 | 一种基于跳跃连接残差网络的图像超分辨率重建算法 |
| CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
Non-Patent Citations (2)
| Title |
|---|
| Yunsu Choi等.Image Quality Enhancement of Digital Breast Tomosynthesis Images by Deblurring with Deep Residual Convolutional Neural Network.《2018 IEEE Nuclear Science Symposium and Medical Imaging Conference Proceedings (NSS/MIC)》.2019, * |
| 甘玲等.一种自适应组稀疏表示的图像修复方法.《计算机科学》.2018, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689483A (zh) | 2020-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689483B (zh) | 基于深度残差网络的图像超分辨率重建方法及存储介质 | |
| CN109064396B (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
| Yang et al. | Image super-resolution via sparse representation | |
| Sun et al. | Lightweight image super-resolution via weighted multi-scale residual network | |
| CN110544205A (zh) | 基于可见光与红外交叉输入的图像超分辨率重建方法 | |
| CN116071243B (zh) | 一种基于边缘增强的红外图像超分辨率重建方法 | |
| Singh et al. | Survey on single image based super-resolution—implementation challenges and solutions | |
| CN113222825B (zh) | 基于可见光图像训练的红外图像超分辨率重构方法及应用 | |
| Liu et al. | Multi-scale residual hierarchical dense networks for single image super-resolution | |
| Gao et al. | Single image super-resolution using dual-branch convolutional neural network | |
| Yang et al. | Multilevel and multiscale network for single-image super-resolution | |
| Pan et al. | Structure–color preserving network for hyperspectral image super-resolution | |
| Tang et al. | Deep residual networks with a fully connected reconstruction layer for single image super-resolution | |
| Yang et al. | Image super-resolution reconstruction based on improved Dirac residual network | |
| Esmaeilzehi et al. | UPDResNN: A deep light-weight image upsampling and deblurring residual neural network | |
| Peyrard et al. | A comparison between multi-layer perceptrons and convolutional neural networks for text image super-resolution | |
| CN116188272B (zh) | 适用于多模糊核的两阶段深度网络图像超分辨率重建方法 | |
| CN111080516B (zh) | 基于自样例增强的超分辨率图像重建方法 | |
| CN115511705A (zh) | 一种基于可变形残差卷积神经网络的图像超分辨率重建方法 | |
| CN111402140A (zh) | 单张图像超分辨率重建系统及方法 | |
| CN116563167A (zh) | 基于自适应纹理和频域感知的人脸图像重建方法、系统、装置及介质 | |
| CN116029905A (zh) | 一种基于渐进差值互补的人脸超分辨率重构方法及系统 | |
| CN116485654A (zh) | 卷积神经网络与Transformer相结合的轻量级单图像超分辨率重建方法 | |
| CN115713462A (zh) | 超分辨模型训练方法、图像识别方法、装置及设备 | |
| CN112598581B (zh) | 一种rdn超分辨网络的训练方法及图像生成方法 |
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 |