CN110766612A - 一种基于深度学习的图像超分辨率方法 - Google Patents
一种基于深度学习的图像超分辨率方法 Download PDFInfo
- Publication number
- CN110766612A CN110766612A CN201911367200.XA CN201911367200A CN110766612A CN 110766612 A CN110766612 A CN 110766612A CN 201911367200 A CN201911367200 A CN 201911367200A CN 110766612 A CN110766612 A CN 110766612A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- super
- model
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 abstract 1
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T3/40—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
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及服装时尚与智能图像技术领域，具体涉及一种基于深度学习的图像超分辨率方法。该方法为：步骤1、构建判别图像数据库，训练图像分辨率判别模型；步骤2、构建超分辨率图像数据库；步骤3、训练超分辨率图像生成模型；步骤4、利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如是，利用步骤3的超分辨率图像生成模型，生成超分辨率图像，如否，则不作处理。该方法构建了自动判别图像分辨的模型，针对低分辨率图像进行超分辨率处理，本算法支持原始尺寸低分辨图像输入，不需要做差值放大到超分辨率后的尺寸，节省了计算资源，计算速度更快；并且支持多尺度超分辨输出，按实际需要选取不同的超分辨率效果。
Description
技术领域
本发明涉及服装时尚与智能图像技术领域，具体涉及一种基于深度学习的图像超分辨率方法。
背景技术
图像超分辨率是指由一幅低分辨率图像恢复出高分辨率图像。要获得高分辨率图像，最直接的方法是采用高分辨率的相机，然而，在实际应用过程中，出于制作工艺和工程成本的考虑，很多场合下无法采用高分辨率、超分辨率的相机进行图像信号的采集。因此，通过超分辨率技术从普通甚至较低分辨率图像获取高分辨率图像具有一定的实际应用需求。
按照超分辨率重建的技术手段来划分，则可以分为三类：
（1）基于插值的方法。首先估计各帧图像之间的相对运动信息，获得高分辨率图像在非均匀间距采样点上的象素值，再通过非均匀插值得到高分辨率栅格上的象素值，最后采用图像恢复技术去除模糊和降低噪声。
（2）基于重建的方法。通过研究图像的高分辨率细节在低分辨率下的表现形式，建立两者之间的对应关系，并利用数学模型来表达这种映射关系。
（3）基于学习的方法。随着深度学习的快速发展，基于学习的方法成为超分辨率算法的热点方向。该方法借助训练样本来计算得到高分辨率、低分辨率之间的先验知识的，并建立两者之间的映射模型。在输入层中，它采用卷积的方法提取输入图像的局部特征模式，单向传递给隐含层，随着隐含层网络层数的加深而学习得到更深层级的特征，最后由输出层得到重建图像。
SRCNN（超分辨率卷积神经网络）是最早用卷积神经网络来进行超分辨率重建的方法，其改进版FSRCNN（快速超分辨率卷积神经网络）直接基于原图像进行端对端的重建，运行速度快；VDSR（基于极深网络的超分辨率）使用更深的网络结构表达低分辨率图像与高分辨率图像之间的对应关系。
传统的超分辨率方法因为其设计复杂且通用性较差，目前已经较少使用，主流的超分辨率方法是基于深度学习的超分辨率方法，但目前的相关处理方法还存在不少的缺陷。SRCNN是将传统的稀疏编码与深度学习SR结合在一起，展现出了不错的重建效果，但是在网络层数加深的同时没有表现出良好的效果，主要问题在于不支持多尺度放大，训练速度慢，图像块上下文依赖等，FSRCNN对SRCNN做了加速的处理，但是超分辨率的效果和SRCNN相同，并未改进，VDSR改善了SRCNN上下文信息缺乏关联、单一尺度放大和收敛速度慢等问题，但是却不能实现多尺度的自由放大，且参数存储及检索也存在较明显的不足，VDSR采用较高学习率提高训练速度，但带来梯度消失、梯度膨胀的问题，当前的方法不能自适应的做超分辨率，此外当前的方法要求输入图像尺寸与超分后的图像尺寸相同，需要在超分期对低分辨率图像做超分处理。本发明设计能够自动的判别图像是否需要超分辨率，并自动为低分辨率的图像做超分辨率处理，支持原始低分辨率尺寸输入。
发明内容
本发明的目的是为了解决上述问题，提供一种基于深度学习的图像超分辨率方法。该方法针对上述的问题，旨在解决现有技术中存在的训练慢、不能实现多尺度自由放大等技术问题。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于深度学习的图像超分辨率方法，步骤如下：
步骤1、采集不同分辨率的图像构建判别图像数据库，基于该图像数据库训练一个判别图像分辨率高低的图像分辨率判别模型；
步骤2、选取多组图像构建超分辨率图像数据库，每组图像包含一张高分辨率图像，以及与该高分辨率图像相对应的一张低分辨图像；步骤3、利用步骤2中的高分辨率图像以及对应的低分辨率图像，基于深度卷积构建模型，训练超分辨率图像生成模型；
步骤4、利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如是，利用步骤3的超分辨率图像生成模型，生成超分辨率图像，如否，则不作处理。
优选的，步骤1中图像分辨率判别模型，模型设计采用改造后的resnet50，并采用全卷积方法进行模型构建。
优选的，步骤1中图像分辨率判别模型，同时引入2个单独的分支，分别对低分辨与高分辨做特征提取，并对特征进行融合处理，分类函数使用center_loss分类函数。
优选的，图像分辨率判别模型对图像进行图像分辨率辨别，将低分辨率和高分辨率图像进行分类，高分辨率图像无需进行超分辨率处理，对低分辨率图像作进一步的超分辨率处理。
优选的，步骤3中，超分辨率图像生成模型构建与训练，采用基于U-Net的结构，在中间层设计时增加多组输出，使得模型可以输出多组超分数据结果。
优选的，去除batchNorm结构，增加weight_norm，加快模型的收敛能力，并在损失函数上使用L1_loss。
优选的，步骤3中，超分辨率图像生成模型的模型训练过程采用多阶段分步训练，先从输出较小尺寸的超分辨开始训练，逐渐训练到较大超分辨率尺寸，整个训练完成后，再进行fintnue操作，增强模型的训练效果。
优选的，步骤4中，利用超分辨率图像生成模型生成若干个不同分辨率或不同尺寸的结果图像。
优选的，步骤2中，对图像进行增强处理，采用包括裁剪和镜像的方法进行操作，在不改变图像的分辨率、引起数据变差问题前提下，增强图像的多样性、增强超分辨率模型的泛化能力。
本发明提供的是一种基于深度学习的图像超分辨率方法。目前超分辨率主要存在两个方向：一个方向是追求超分辨率后局部的信息尽可能真实清晰，如在人脸领域与医学领域；另一个方向是追求整体的超分辨率，确保整体看来看清晰，但是对局部信息的要求没有那么高。本发明的超分辨率方法主要适用于第二个方向，本发明的方法使得噪点较多或不清晰的图像变得更加清晰。
与现有技术相比，本发明具有以下有益效果：
1）构建了自动判别图像分辨的模型，无需用户点击，自动对低分辨图像进行超分辨率，对于高分辨率图像不做任何处理，节省了用户资源与用户的时间；
2）本算法支持原始尺寸低分辨图像输入，不需要做差值放大到超分辨率后的尺寸，节省了计算资源，计算速度更快；
3）本算法支持多尺度超分辨输出，可以按照实际需要选取所需要的超分辨率效果。
附图说明
图1是本发明的流程图；
图2是本发明的图像分辨率判别模型的结构示意图；
图3是本发明的超分辨率图像生成模型的结构示意图；
图4是本发明的图像超分辨率实际处理流程图。
具体实施方式
下面通过具体实施例对本发明的技术方案作进一步描述说明。
如果无特殊说明，本发明的实施例中所采用的原料均为本领域常用的原料，实施例中所采用的方法，均为本领域的常规方法。
本申请提供了一种基于深度学习的图像超分辨率方法，该方法的步骤精简如下：
步骤1、采集不同分辨率的图像构建判别图像数据库，基于该图像数据库训练一个判别图像分辨率高低的图像分辨率判别模型；
步骤2、选取多组图像构建超分辨率图像数据库，每组图像包含一张高分辨率图像，以及与该高分辨率图像相对应的一张低分辨图像；步骤3、利用步骤2中的高分辨率图像以及对应的低分辨率图像，基于深度卷积构建模型，训练超分辨率图像生成模型；
步骤4、利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如是，利用步骤3的超分辨率图像生成模型，生成超分辨率图像，如否，则不作处理。
步骤1中图像分辨率判别模型，模型设计采用改造后的resnet50，并采用全卷积方法进行模型构建。
步骤1中图像分辨率判别模型，同时引入2个单独的分支，分别对低分辨与高分辨做特征提取，并对特征进行融合处理，分类函数使用center_loss分类函数。图像分辨率判别模型对图像进行图像分辨率辨别，将低分辨率和高分辨率图像进行分类，高分辨率图像无需进行超分辨率处理，对低分辨率图像作进一步的超分辨率处理。
步骤3中，超分辨率图像生成模型构建与训练，采用基于U-Net的结构，在中间层设计时增加多组输出，使得模型可以输出多组超分数据结果。去除batchNorm结构，增加weight_norm，加快模型的收敛能力，并在损失函数上使用L1_loss。超分辨率图像生成模型的模型训练过程采用多阶段分步训练，先从输出较小尺寸的超分辨开始训练，逐渐训练到较大超分辨率尺寸，整个训练完成后，再进行fintnue操作，增强模型的训练效果。
步骤4中，利用超分辨率图像生成模型生成若干个不同分辨率或不同尺寸的结果图像。
实施例1：
采用基于深度学习的图像超分辨率方法进行处理，如图1所示，步骤如下：
步骤1、采集不同分辨率的图像构建判别图像数据库，基于该图像数据库训练一个判别图像分辨率高低的图像分辨率判别模型；
步骤2、选取多组图像构建超分辨率图像数据库，每组图像包含一张高分辨率图像，以及与该高分辨率图像相对应的一张低分辨图像；
步骤3、利用步骤2中的高分辨率图像以及对应的低分辨率图像，基于深度卷积构建模型，训练超分辨率图像生成模型；
步骤4、利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如是，利用步骤3的超分辨率图像生成模型，生成超分辨率图像，如否，则不作处理；利用超分辨率图像生成模型生成若干个不同分辨率或不同尺寸的结果图像，实际结果选取可以按照需求选择，进行超分辨率处理时，也可以提前直接选取输出某个特定类别。
实施例2：
以服装图像为例，采用基于深度学习的图像超分辨率方法进行处理，详细步骤如下：
步骤1、采集不同分辨率的图像构建判别图像数据库，具体是采集大量的高分辨和低分辨率的服装图像构建成为图像数据库，基于该图像数据库训练一个判别图像分辨率高低的图像分辨率判别模型；该模型在模型设计上采用改造后的resnet50，并采用全卷积方法进行模型构建，支持任意大小的图像输入；同时引入2个单独的分支，分别对低分辨与高分辨做特征提取，并对特征进行融合处理，分类函数使用center_loss分类函数；有效提高分类的准确性；
图像分辨率判别模型对图像进行图像分辨率辨别，将低分辨率和高分辨率图像进行分类，高分辨率图像无需进行超分辨率处理，对低分辨率图像作进一步的超分辨率处理；
该图像分辨率判别模型如图2所示，在图2中，一幅图片经过模型判别后，确定其分辨率特征，得到该图像的分辨率信息；根据其分辨率信息进行了分类，便于决定是否进行后续的超分辨率处理；
步骤2、选取多组图像，构建超分辨率图像数据库；每组图像包含一张高分辨率图像，以及与该高分辨率图像相对应的一张低分辨图像；
对高分辨率图像和低分辨率图像进行相应的图像增强处理；也就是说对得到的高低分辨率图像进行相应的数据转换与处理；将相应的低分辨率与高分辨率图像进行对应，并对图像组做相同的裁剪、镜像等操作；增强处理具体包括选取包括裁剪和镜像的方法进行操作，在不改变图像的分辨率、引起数据变差问题前提下，增强图像的多样性、增强超分辨率模型的泛化能力；
步骤3、利用步骤2中的高分辨率图像以及对应的低分辨率图像，基于深度卷积构建模型，训练超分辨率图像生成模型；超分辨率图像生成模型构建与训练，采用基于U-Net的结构，但是，在中间层设计时增加多组输出，使得模型可以输出多组超分数据结果；去除batchNorm结构，增加weight_norm，加快模型的收敛能力，并在损失函数上使用L1_loss；实验证明l1_loss比mse在超分辨率任务上有更好的表现；
在训练过程中，用多阶段分步训练，先从输出较小尺寸的超分辨开始训练，逐渐训练到较大超分辨率尺寸，整个训练完成后，再进行fintnue操作，增强模型的训练效果；
该模型提供多个分辨率或尺寸的输出结果；
图3是本申请中的超分辨率图像生成模型，使得通过该模型的处理，最终得到实际的效果图像；
步骤4、将待处理图像进行超分辨率；
但是，首先，利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如否，则不作处理；
如是，则利用步骤3的超分辨率图像生成模型，生成超分辨率图像；并通过后续选择或提前设置，利用超分辨率图像生成模型生成若干个不同分辨率或不同尺寸的结果图像，并根据实际需求选择相应的结果。
如图4所示，为本申请的基于深度学习的图像超分辨率方法的具体流程，该图4中，两种不同分辨率的图像经过高低分辨率判别模型进行判别，如果高分辨率，则不进行处理，如果为低分辨率，则通过超分辨率生成模型（图中简单表示为超分辨率模型）进行处理得到不同分辨率的图像。
上述仅为本发明的较佳实施例，本发明不限于上述所述的特定实施例。对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。
因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于深度学习的图像超分辨率方法，其特征在于，步骤如下：
步骤1、采集不同分辨率的图像构建判别图像数据库，基于该图像数据库训练一个判别图像分辨率高低的图像分辨率判别模型；
步骤2、选取多组图像构建超分辨率图像数据库，每组图像包含一张高分辨率图像，以及与该高分辨率图像相对应的一张低分辨图像；
步骤3、利用步骤2中的高分辨率图像以及对应的低分辨率图像，基于深度卷积构建模型，训练超分辨率图像生成模型；
步骤4、利用步骤1的图像分辨率判别模型判断待处理图像是否为低分辨率，如是，利用步骤3的超分辨率图像生成模型，生成超分辨率图像，如否，则不作处理。
2.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤1中图像分辨率判别模型，模型设计采用改造后的resnet50，并采用全卷积方法进行模型构建。
3.根据权利要求2所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤1中图像分辨率判别模型，同时引入2个单独的分支，分别对低分辨与高分辨做特征提取，并对特征进行融合处理，分类函数使用center_loss分类函数。
4.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，图像分辨率判别模型对图像进行图像分辨率辨别，将低分辨率和高分辨率图像进行分类，高分辨率图像无需进行超分辨率处理，对低分辨率图像作进一步的超分辨率处理。
5.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤3中，超分辨率图像生成模型构建与训练，采用基于U-Net的结构，在中间层设计时增加多组输出，使得模型可以输出多组超分数据结果。
6.根据权利要求5所述的一种基于深度学习的图像超分辨率方法，其特征在于，去除batchNorm结构，增加weight_norm，加快模型的收敛能力，并在损失函数上使用L1_loss。
7.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤3中，超分辨率图像生成模型的模型训练过程采用多阶段分步训练，先从输出较小尺寸的超分辨开始训练，逐渐训练到较大超分辨率尺寸，整个训练完成后，再进行fintnue操作，增强模型的训练效果。
8.根据权利要求1所述的一种基于深度学习的图像超分辨率方法，其特征在于，步骤4中，利用超分辨率图像生成模型生成若干个不同分辨率或不同尺寸的结果图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911367200.XA CN110766612A (zh) | 2019-12-26 | 2019-12-26 | 一种基于深度学习的图像超分辨率方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911367200.XA CN110766612A (zh) | 2019-12-26 | 2019-12-26 | 一种基于深度学习的图像超分辨率方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110766612A true CN110766612A (zh) | 2020-02-07 |
Family
ID=69341658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911367200.XA Pending CN110766612A (zh) | 2019-12-26 | 2019-12-26 | 一种基于深度学习的图像超分辨率方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110766612A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553840A (zh) * | 2020-04-10 | 2020-08-18 | 北京百度网讯科技有限公司 | 图像超分辨的模型训练和处理方法、装置、设备和介质 |
| CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578377A (zh) * | 2017-08-31 | 2018-01-12 | 北京飞搜科技有限公司 | 一种基于深度学习的超分辨率图像重建方法及系统 |
| CN109801221A (zh) * | 2019-01-18 | 2019-05-24 | 腾讯科技（深圳）有限公司 | 生成对抗网络的训练方法、图像处理方法、装置和存储介质 |
| CN110084751A (zh) * | 2019-04-24 | 2019-08-02 | 复旦大学 | 图像重建系统及方法 |
| CN110599435A (zh) * | 2019-09-04 | 2019-12-20 | 精英数智科技股份有限公司 | 一种图像合成的方法、装置、设备和存储介质 |
-
2019
- 2019-12-26 CN CN201911367200.XA patent/CN110766612A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578377A (zh) * | 2017-08-31 | 2018-01-12 | 北京飞搜科技有限公司 | 一种基于深度学习的超分辨率图像重建方法及系统 |
| CN109801221A (zh) * | 2019-01-18 | 2019-05-24 | 腾讯科技（深圳）有限公司 | 生成对抗网络的训练方法、图像处理方法、装置和存储介质 |
| CN110084751A (zh) * | 2019-04-24 | 2019-08-02 | 复旦大学 | 图像重建系统及方法 |
| CN110599435A (zh) * | 2019-09-04 | 2019-12-20 | 精英数智科技股份有限公司 | 一种图像合成的方法、装置、设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553840A (zh) * | 2020-04-10 | 2020-08-18 | 北京百度网讯科技有限公司 | 图像超分辨的模型训练和处理方法、装置、设备和介质 |
| CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
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 | |
| CN109978762B (zh) | 一种基于条件生成对抗网络的超分辨率重建方法 | |
| CN111028150B (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN114677304B (zh) | 一种基于知识蒸馏和深度神经网络的图像去模糊算法 | |
| Li et al. | Dlgsanet: lightweight dynamic local and global self-attention networks for image super-resolution | |
| CN111696033B (zh) | 基于角点引导级联沙漏网络结构学习的真实图像超分辨率模型及方法 | |
| CN115358932B (zh) | 一种多尺度特征融合的人脸超分辨率重构方法及系统 | |
| CN108989731B (zh) | 一种提高视频空间分辨率的方法 | |
| CN110929735B (zh) | 一种基于多尺度特征注意机制的快速显著性检测方法 | |
| CN112699844A (zh) | 一种基于多尺度残差层级密连接网络的图像超分辨率方法 | |
| CN111488932A (zh) | 一种基于帧率感知的自监督视频时-空表征学习方法 | |
| CN110766612A (zh) | 一种基于深度学习的图像超分辨率方法 | |
| Hui et al. | Two-stage convolutional network for image super-resolution | |
| CN114612306A (zh) | 一种面向裂缝检测的深度学习超分辨率方法 | |
| CN115953294A (zh) | 一种基于浅层通道分离与聚合的单图像超分辨率重建方法 | |
| CN117173025A (zh) | 基于跨层混合注意力Transformer的单帧图像超分辨率方法及系统 | |
| CN111461976A (zh) | 基于高效轻量级坐标神经网络的图像超分辨率方法 | |
| Zang et al. | Cascaded dense-UNet for image super-resolution | |
| CN117078516A (zh) | 基于残差混合注意力的矿井图像超分辨率重建方法 | |
| CN111539434A (zh) | 基于相似度的红外弱小目标检测方法 | |
| 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 | |
| CN112200751B (zh) | 一种图像增强方法 | |
| CN110853040B (zh) | 一种基于超分辨率重建的图像协同分割方法 | |
| Hu | A Review of Super-Resolution Reconstruction Based on Supervised Learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |