CN111062886A - 酒店图片的超分辨方法、系统、电子产品和介质 - Google Patents
酒店图片的超分辨方法、系统、电子产品和介质 Download PDFInfo
- Publication number
- CN111062886A CN111062886A CN201911256046.9A CN201911256046A CN111062886A CN 111062886 A CN111062886 A CN 111062886A CN 201911256046 A CN201911256046 A CN 201911256046A CN 111062886 A CN111062886 A CN 111062886A
- Authority
- CN
- China
- Prior art keywords
- pictures
- super
- training
- definition
- picture
- 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 28
- 238000012549 training Methods 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 26
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06T5/00—Image enhancement or restoration
-
- 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]
Abstract
本发明公开了一种酒店图片的超分辨方法、系统、电子产品和介质,其中酒店图片的超分辨方法,包括以下步骤:构造低清图片训练集,低清图片为清晰度低于预设值的图片;根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型;根据超分辨模型对目标图片进行处理以得到高清图片。本发明提高了酒店图片的清晰度,为用户提供了方便。
Description
技术领域
本发明属于图片处理技术领域,尤其涉及一种酒店图片的超分辨方法、系统、电子产品和介质。
背景技术
当前OTA环境中,酒店图像作为一种直观、高效的展现方式,对客户的用户体验,酒店的品牌形象塑造、以及订单转化率有着极其重要的影响。现有技术中,往往存在酒店图片不清晰的情况。提升酒店图片的清晰度的技术手段中,往往效果不好,清晰度不够。
发明内容
本发明要解决的技术问题是为了克服现有技术中提高酒店图片的清晰度的手段的效果不好的缺陷,提供一种酒店图片的超分辨方法、系统、电子产品和介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种酒店图片的超分辨方法,包括以下步骤:
构造低清图片训练集,低清图片为清晰度低于预设值的图片;
根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型;
根据超分辨模型对目标图片进行处理以得到高清图片。
较佳地,构造低清图片训练集的步骤包括:
获取训练用高清图片集,将训练用高清图片集的图片进行压缩以生成低清图片训练集。
较佳地,在将训练用高清图片集的图片进行压缩以生成低清图片训练集的步骤中,压缩比为10-90。
较佳地,生成对抗网络包括生成网络和对抗网络,生成网络用于将低清图片转换为训练输出图片,对抗网络用于根据训练输出图片输出判别结果。
较佳地,根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型的步骤中,损失函数为:
本发明提供一种酒店图片的超分辨系统,包括训练集构造单元、模型构造单元、图片输出单元;
训练集构造单元用于构造低清图片训练集,低清图片为清晰度低于预设值的图片;
模型构造单元用于根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型;
图片输出单元用于根据超分辨模型对目标图片进行处理以得到高清图片。
较佳地,训练集构造单元还用于获取训练用高清图片集,并将训练用高清图片集的图片进行压缩以生成低清图片训练集。
较佳地,训练集构造单元在将训练用高清图片集的图片进行压缩以生成低清图片训练集的过程中,压缩比为10-90。
较佳地,生成对抗网络包括生成网络和对抗网络,生成网络用于将低清图片转换为训练输出图片,对抗网络用于根据训练输出图片输出判别结果。
较佳地,模型构造单元的损失函数为:
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的酒店图片的超分辨方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的酒店图片的超分辨方法的步骤。
本发明的积极进步效果在于:本发明提高了酒店图片的清晰度,为用户提供了方便。
附图说明
图1为本发明的实施例1的酒店图片的超分辨方法的流程图。
图2为本发明的实施例1的酒店图片的超分辨方法的生成网络的结构示意图。
图3为本发明的实施例2的酒店图片的超分辨系统的结构示意图。
图4为本发明的实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种酒店图片的超分辨方法。参照图1,该酒店图片的超分辨方法包括以下步骤:
步骤S101、构造低清图片训练集。低清图片为清晰度低于预设值的图片。
步骤S102、根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型。
步骤S103、根据超分辨模型对目标图片进行处理以得到高清图片。
具体实施时,在步骤S101中,获取一万张高清酒店图片作为训练用高清图片集。然后,对这一万张高清图片进行4倍缩小和有损压缩,生成低清图片训练集。为了使得训练图片更加符合真实场景下低质量图片均匀分布的情况,在对高清图片进行有损压缩生成低清图片训练集时,对高清图片数据集设置了从10到90的不同压缩比例进行压缩。
在步骤S102中,生成对抗网络包括生成网络和对抗网络。参照图2,生成网络由前面几个卷积层,加上多个残余稠密连接模块,以及最后的上采样模块构成。每个残余稠密连接模块由三个卷积核和ReLu(一种激活函数)激活函数构成的基本元素组成。另外,上一个残余稠密连接模块的输出特征会作为当前残余稠密模块的输入的一部分,一起输入卷积核进行特征提取。这样有利于每一个残余稠密模块都能从之前的模块中学习到更多低清图片的结构性特征信息。生成网络的输入就是一张低分辨的酒店图片,输出为经过四倍超分辨放大的高清酒店图片。
对抗网络由多层卷积层和均值归一化层组成的小模块以及全连接层和Sigmoid(一种激活函数)激活函数构成。对抗网络主要用于判别生成网络生成的高清图片跟真实的高清图片是否相似,并以此计算Loss(损失)用于生成网络的更新。如果在当前训练迭代在,对抗网络不能区分出当前图片是由生成网络生成的超分辨图片还是高清训练图片,那么就说明生成网络生成的效果好。反之,则说明训练效果不够理想,需要继续更新网络参数学习。
作为一种可选的实施方式,根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型的步骤中,损失函数为:
其中,Lpercep表示感知损失函数,是通过把生成网络生成的高清图片输入一个预训练好的卷积神经网络模型得到的特征图,和训练集中的高清图片输入一个预训练好的卷积神经网络模型得到的特征图,进行差值计算得到的结果。表示对抗网络对生成网络生成的图片的判别结果。如果判别网络不能真确区分输入的图片是生成网络生成的还是训练集里的高清图片,就代表生成网络拟合的效果好,生成的超分辨图片质量好。L1表示生成网络生成的超分辨图片和训练集中的高清图片的像素差值。基于这三部分损失函数,我们构建出最终用于训练生成网络的目标损失函数LG。λ表示第一系数,η表示第二系数。
为了让该生成网络既有较好的超分辨放大效果,且能解决真实场景下部分低清酒店图片的失真现象。首先采用开源数据集(如:ImageNet)来训练生成网络和对抗网络。待模型训练收敛到一定程度之后,再用迁移学习的思想,在之前用开源数据集训练好的模型用图片数据集再次训练一次,直到训练Loss逐渐收敛为止。采用迁移学习的方法,先用开源数据集预训练一遍模型有助于对抗网络在一开始就有一个比较良好的图片判别能力,能对后续生成网络的训练起到一个良好的支持的作用。
本实施例的酒店图片的超分辨方法提高了酒店图片的清晰度,为用户提供了方便。经过放大之后,99.9%的图片清晰度会优于放大之前的图片,且清晰度有50%左右的提升。
实施例2
本实施例提供一种酒店图片的超分辨系统。参照图3,该酒店图片的超分辨系统包括训练集构造单元201、模型构造单元202、图片输出单元203。训练集构造单元用于构造低清图片训练集,低清图片为清晰度低于预设值的图片;模型构造单元用于根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型;图片输出单元用于根据超分辨模型对目标图片进行处理以得到高清图片。
具体实施时,首先,训练集构造单元获取一万张高清酒店图片作为训练用高清图片集。然后,训练集构造单元对这一万张高清图片进行4倍缩小和有损压缩,生成低清图片训练集。为了使得训练图片更加符合真实场景下低质量图片均匀分布的情况,在对高清图片进行有损压缩生成低清图片训练集时,对高清图片数据集设置了从10到90的不同压缩比例进行压缩。
生成对抗网络包括生成网络和对抗网络。参照图2,生成网络由前面几个卷积层,加上多个残余稠密连接模块,以及最后的上采样模块构成。每个残余稠密连接模块由三个卷积核和ReLu(一种激活函数)激活函数构成的基本元素组成。另外,上一个残余稠密连接模块的输出特征会作为当前残余稠密模块的输入的一部分,一起输入卷积核进行特征提取。这样有利于每一个残余稠密模块都能从之前的模块中学习到更多低清图片的结构性特征信息。生成网络的输入就是一张低分辨的酒店图片,输出为经过四倍超分辨放大的高清酒店图片。
对抗网络由多层卷积层和均值归一化层组成的小模块以及全连接层和Sigmoid(一种激活函数)激活函数构成。对抗网络主要用于判别生成网络生成的高清图片跟真实的高清图片是否相似,并以此计算Loss(损失)用于生成网络的更新。如果在当前训练迭代在,对抗网络不能区分出当前图片是由生成网络生成的超分辨图片还是高清训练图片,那么就说明生成网络生成的效果好。反之,则说明训练效果不够理想,需要继续更新网络参数学习。
作为一种可选的实施方式,根据低清图片训练集基于生成对抗网络进行训练以得到超分辨模型的步骤中,损失函数为:
其中,Lpercep表示感知损失函数,是通过把生成网络生成的高清图片输入一个预训练好的卷积神经网络模型得到的特征图,和训练集中的高清图片输入一个预训练好的卷积神经网络模型得到的特征图,进行差值计算得到的结果。表示对抗网络对生成网络生成的图片的判别结果。如果判别网络不能真确区分输入的图片是生成网络生成的还是训练集里的高清图片,就代表生成网络拟合的效果好,生成的超分辨图片质量好。L1表示生成网络生成的超分辨图片和训练集中的高清图片的像素差值。基于这三部分损失函数,我们构建出最终用于训练生成网络的目标损失函数LG。λ表示第一系数,η表示第二系数。
为了让该生成网络既有较好的超分辨放大效果,且能解决真实场景下部分低清酒店图片的失真现象。首先采用开源数据集(如:ImageNet)来训练生成网络和对抗网络。待模型训练收敛到一定程度之后,再用迁移学习的思想,在之前用开源数据集训练好的模型用图片数据集再次训练一次,直到训练Loss逐渐收敛为止。采用迁移学习的方法,先用开源数据集预训练一遍模型有助于对抗网络在一开始就有一个比较良好的图片判别能力,能对后续生成网络的训练起到一个良好的支持的作用。
本实施例的酒店图片的超分辨系统提高了酒店图片的清晰度,为用户提供了方便。经过放大之后,99.9%的图片清晰度会优于放大之前的图片,且清晰度有50%左右的提升。
实施例3
图4为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1的酒店图片的超分辨方法。图4显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1的酒店图片的超分辨方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1的酒店图片的超分辨方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1的酒店图片的超分辨方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种酒店图片的超分辨方法,其特征在于,包括以下步骤:
构造低清图片训练集,所述低清图片为清晰度低于预设值的图片;
根据所述低清图片训练集基于生成对抗网络进行训练以得到超分辨模型;
根据所述超分辨模型对目标图片进行处理以得到高清图片。
2.如权利要求1所述的酒店图片的超分辨方法,其特征在于,所述构造低清图片训练集的步骤包括:
获取训练用高清图片集,将所述训练用高清图片集的图片进行压缩以生成所述低清图片训练集。
3.如权利要求2所述的酒店图片的超分辨方法,其特征在于,在将所述训练用高清图片集的图片进行压缩以生成所述低清图片训练集的步骤中,压缩比为10-90。
4.如权利要求1所述的酒店图片的超分辨方法,其特征在于,所述生成对抗网络包括生成网络和对抗网络,所述生成网络用于将低清图片转换为训练输出图片,所述对抗网络用于根据所述训练输出图片输出判别结果。
6.一种酒店图片的超分辨系统,其特征在于,包括训练集构造单元、模型构造单元、图片输出单元;
所述训练集构造单元用于构造低清图片训练集,所述低清图片为清晰度低于预设值的图片;
所述模型构造单元用于根据所述低清图片训练集基于生成对抗网络进行训练以得到超分辨模型;
所述图片输出单元用于根据所述超分辨模型对目标图片进行处理以得到高清图片。
7.如权利要求6所述的酒店图片的超分辨系统,其特征在于,所述训练集构造单元还用于获取训练用高清图片集,并将所述训练用高清图片集的图片进行压缩以生成所述低清图片训练集。
8.如权利要求7所述的酒店图片的超分辨系统,其特征在于,所述训练集构造单元在将所述训练用高清图片集的图片进行压缩以生成所述低清图片训练集的过程中,压缩比为10-90。
9.如权利要求6所述的酒店图片的超分辨系统,其特征在于,所述生成对抗网络包括生成网络和对抗网络,所述生成网络用于将低清图片转换为训练输出图片,所述对抗网络用于根据所述训练输出图片输出判别结果。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的酒店图片的超分辨方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5中任一项所述的酒店图片的超分辨方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256046.9A CN111062886A (zh) | 2019-12-10 | 2019-12-10 | 酒店图片的超分辨方法、系统、电子产品和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256046.9A CN111062886A (zh) | 2019-12-10 | 2019-12-10 | 酒店图片的超分辨方法、系统、电子产品和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062886A true CN111062886A (zh) | 2020-04-24 |
Family
ID=70300240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911256046.9A Pending CN111062886A (zh) | 2019-12-10 | 2019-12-10 | 酒店图片的超分辨方法、系统、电子产品和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062886A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200721A (zh) * | 2020-10-10 | 2021-01-08 | 广州云从人工智能技术有限公司 | 一种图像处理方法、系统、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN109146813A (zh) * | 2018-08-16 | 2019-01-04 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
CN109191378A (zh) * | 2018-07-25 | 2019-01-11 | 成都信息工程大学 | 基于ergan网络单幅图像超分辨重建方法 |
CN109284738A (zh) * | 2018-10-25 | 2019-01-29 | 上海交通大学 | 不规则人脸矫正方法和系统 |
CN109636866A (zh) * | 2018-12-13 | 2019-04-16 | 福建工程学院 | 基于降分辨率的随机聚类统计的前景提取方法 |
CN109816593A (zh) * | 2019-01-18 | 2019-05-28 | 大连海事大学 | 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 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 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 |
CN110458758A (zh) * | 2019-07-29 | 2019-11-15 | 武汉工程大学 | 一种图像超分辨率重建方法、系统及计算机存储介质 |
-
2019
- 2019-12-10 CN CN201911256046.9A patent/CN111062886A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN109191378A (zh) * | 2018-07-25 | 2019-01-11 | 成都信息工程大学 | 基于ergan网络单幅图像超分辨重建方法 |
CN109146813A (zh) * | 2018-08-16 | 2019-01-04 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
CN109284738A (zh) * | 2018-10-25 | 2019-01-29 | 上海交通大学 | 不规则人脸矫正方法和系统 |
CN109636866A (zh) * | 2018-12-13 | 2019-04-16 | 福建工程学院 | 基于降分辨率的随机聚类统计的前景提取方法 |
CN109816593A (zh) * | 2019-01-18 | 2019-05-28 | 大连海事大学 | 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 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 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 |
CN110458758A (zh) * | 2019-07-29 | 2019-11-15 | 武汉工程大学 | 一种图像超分辨率重建方法、系统及计算机存储介质 |
Non-Patent Citations (4)
Title |
---|
MIN CHEN ETC: "Background Subtraction using Compressed Low-Resolution Images", 《ARXIV》, pages 1 - 4 * |
XINTAO WANG ET AL: "ESRGAN: Enhanced Super-Resolutio Generative Adversarial Networks", pages 115 - 117 * |
汪鑫耘等: "生成式对抗网络在超分辨率图像重建中的应用", pages 1 - 11 * |
高志强等: "《深度学习 从入门到实战》", 30 June 2018, pages: 276 - 277 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200721A (zh) * | 2020-10-10 | 2021-01-08 | 广州云从人工智能技术有限公司 | 一种图像处理方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148081B (zh) | 图像处理模型的训练方法、图像处理方法、装置及存储介质 | |
CN108022212B (zh) | 高分辨率图片生成方法、生成装置及存储介质 | |
US11798131B2 (en) | Method for processing image for improving the quality of the image and apparatus for performing the same | |
WO2019184823A1 (zh) | 基于卷积神经网络模型的图像处理方法和装置 | |
CN110717868B (zh) | 视频高动态范围反色调映射模型构建、映射方法及装置 | |
CN112950471A (zh) | 视频超分处理方法、装置、超分辨率重建模型、介质 | |
CN111105375A (zh) | 图像生成方法及其模型训练方法、装置及电子设备 | |
WO2021164269A1 (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN112906721B (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
WO2023273340A1 (zh) | 重光照图像的生成方法、装置及电子设备 | |
CN115618051B (zh) | 一种基于互联网的智慧校园监控视频存储方法 | |
WO2023207836A1 (zh) | 一种图像编码方法、图像解压方法以及装置 | |
CN101409842B (zh) | 压缩数据的增强型解压 | |
CN110189385B (zh) | 模型训练及图片压缩、解压方法、装置、介质和电子设备 | |
CN111062886A (zh) | 酒店图片的超分辨方法、系统、电子产品和介质 | |
CN111738957A (zh) | 图像智能美化方法、系统、电子设备及存储介质 | |
Debattista | Application‐Specific Tone Mapping Via Genetic Programming | |
US11928855B2 (en) | Method, device, and computer program product for video processing | |
WO2022178975A1 (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN114663937A (zh) | 模型训练及图像处理方法、介质、装置和计算设备 | |
CN113902631A (zh) | 图像处理方法、电子设备和存储介质 | |
US8244071B2 (en) | Non-dyadic spatial scalable wavelet transform | |
CN113038134A (zh) | 一种图片处理方法、智能终端及存储介质 | |
Liu et al. | Soft-IntroVAE for Continuous Latent Space 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 |