CN111340744B - 基于注意力双流深度网络的低质量图像降采样方法及其系统 - Google Patents
基于注意力双流深度网络的低质量图像降采样方法及其系统 Download PDFInfo
- Publication number
- CN111340744B CN111340744B CN202010103973.3A CN202010103973A CN111340744B CN 111340744 B CN111340744 B CN 111340744B CN 202010103973 A CN202010103973 A CN 202010103973A CN 111340744 B CN111340744 B CN 111340744B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- size
- module
- attention
- 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
Images
Classifications
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- 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 transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
-
- 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
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)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于注意力双流网络的深度学习降采样方法及其系统,该方法包括:首先通过一个U‑net网络提取图像原尺寸和降采样尺寸的注意力特征图,然后通过一个双流网络利用注意力层对图像进行特征提取,一组在原尺寸提取特征后缩小尺寸,一组缩小尺寸后再特征提取,将两组特征融合起来再通过一个深度的卷积神经网络后处理模块对图像进行重建,最终得到一张高质量的目标倍数降采样图像。本发明能够减少图像降采样过程中高频细节的损失,从而在高清尺寸图片质量差的情况下生成高质量的降采样图像。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于注意力双流深度网络的图像降采样方法及系统。
背景技术
随着计算机与互联网技术的发展,图像作为视觉的载体在人类获取信息方面扮演越来越重要的角色。与其紧密相关的数字图像处理技术也在在各类任务中发挥了重要作用,常见的图像处理技术包括变采样,增强,去噪,超分辨,分割等其中,图像采样作为图像处理中的一个重要环节,更是成为了计算机视觉中的重要课题。图像的采样主要包括下采样和上采样,其中下采样技术常用于图像压缩和图像预处理。
目前已经产生了很多从高分辨率到低分辨率的下采样方法,主流的方法多为采用插值的传统手段,很少有基于深度学习的方法,且其中大部分方法的结构都非常简单,主要分为先去模糊后下采样和先下采样后去模糊两类,这样的方法很容易对图像中表现细节的高频信息造成损失,从而产生较差的视觉体验。通过下采样操作,希望获得一张主观质量高、高频细节丰富的低分辨率图像。但当高分辨率原图质量很差时(例如质量较差的互联网视频或图像),传统下采样操作无法完全消除其中的多种不自然效应。因此,针对低质量图像,需要一种可以提供更佳视觉效果的图像降采样方法。
发明内容
本发明为克服现有技术存在的不足之处,提供一种基于注意力双流深度网络的低质量图像降采样方法及其系统,以期能够减少图像降采样过程中高频细节的损失,从而在高清尺寸图片质量差的情况下生成高质量的降采样图像。
本发明为解决上述问题采用的技术方案如下:
本发明一种基于注意力双流网络的深度学习降采样方法的特点是按如下步骤进行:
步骤1:构建一个注意力提取模块U:
设置所述注意力提取模块U为U-Net网络结构,并包含m个卷积模块、k个池化模块、k个反卷积模块;任意一个卷积模块是由一个卷积核大小为n×n的卷积层和ReLU激活函数构成;任意一个反卷积模块是由一个卷积核大小为n×n的反卷积层和一个ReLU激活函数层构成;
所述注意力提取模块U对数据集中尺寸大小为w×w的高分辨率的原图像I进行特征处理,得到高分辨率为w×w的特征层作为高分辨率注意力图层,记为A1,以及目标低分辨率为s×s的特征层作为低分辨率注意力图层,记为A2;
步骤2:构建一个基于双流神经网络的特征提取模块T:
设置所述特征提取模块T为双流网络结构,其中,第一通道依次包含一个卷积核大小为n×n的卷积层,一个深度残差块以及一个尺寸缩小模块;第二通道依次包含一个尺寸缩小模块,一个卷积核的大小为n×n的卷积层以及一个深度残差块;所述深度残差块由若干个基本残差块组成;
所述尺寸缩小模块使用双线性插值方法将图像或特征层的尺寸由原分辨率w×w降采样至目标分辨率s×s;
所述特征提取模块T对所述原图像I进行特征提取与整合,其中,第一通道将原图像I与所述注意力图层A1拼接后,再依次进行特征提取和尺寸变换处理,从而得到一组目标分辨率为s×s的特征图层,记为F1;
第二通道先将原图I的尺寸变换至目标分辨率s×s,再与所述注意力图层A2拼接后进行特征提取,从而得到一组特征图层,记为F1;
将两个通道的输出特征图层F1,F2拼接起来,从而得到所述特征提取模块T的最后输出特征图层,记为F3;
步骤3:构建一个后处理模块P:
设置所述后处理模块P包含若干个密集块,残差块和一个卷积核大小为1×1的卷积层;
所述后处理模块P对所述最后输出特征图层F3进行图像重建及降维,从而获得目标分辨率为s×s的输出图像,记为I1;
步骤4:利用尺寸缩小模块的双线性插值方法对原图像I进行降采样处理,得到目标分辨率为s×s的图像后再与所述输出图像I1相加,从而获得最终输出降采样图像,记为I′。
本发明一种基于注意力双流网络的深度学习降采样系统的特点包括:注意力提取模块U、特征提取模块T、后处理模块P和第三尺寸缩小模块;
所述注意力提取模块U为U-Net网络结构,并包含m个卷积模块、k个池化模块、k个反卷积模块;任意一个卷积模块是由一个卷积核大小为n×n的卷积层和ReLU激活函数构成;任意一个反卷积模块是由一个卷积核大小为n×n的反卷积层和一个ReLU激活函数层构成;
所述注意力提取模块U对数据集中尺寸大小为w×w的高分辨率原图像I进行特征处理,得到高分辨率为w×w的特征层作为高分辨率注意力图层,记为A1,以及目标低分辨率为s×s的特征层作为低分辨率注意力图层,记为A2;
所述特征提取模块T为双流网络结构,其中,第一通道依次包含一个卷积核大小为n×n的卷积层,一个深度残差块以及一个尺寸缩小模块;第二通道依次包含一个尺寸缩小模块,一个卷积核的大小为n×n的卷积层以及一个深度残差块;
所述尺寸缩小模块使用双线性插值方法将图像或特征层的尺寸由原分辨率w×w降采样至目标分辨率s×s;所述深度残差块由若干个基本残差块组成;
所述特征提取模块T对所述原图像I进行特征提取与整合,其中,第一通道将原图像I与所述注意力图层A1拼接后,再依次进行特征提取和尺寸变换处理,从而得到一组目标分辨率为s×s的特征图层,记为F1;
第二通道先将原图I的尺寸变换至目标分辨率s×s,再与所述注意力图层A1拼接后进行特征提取,从而得到一组特征图层,记为F2;
所述特征提取模块T将两个通道的输出特征图层F1,F2拼接起来,从而得到所述特征提取模块T的最后输出特征图层,记为F3;
设置所述后处理模块P包含若干密集块,残差块和一个卷积核的大小为1×1的卷积层;
所述后处理模块P的深度残差块对所述最后输出特征图层F3进行图像重建及降维,从而获得目标分辨率为s×s的输出图像,记为I1;
所述第三尺寸缩小模块采用双线性插值方法对原图像I进行降采样处理,得到目标尺寸为s×s的图像后再与所述输出图像I1相加,从而获得最终输出降采样图像,记为I′。
与现有技术相比,本发明的有益效果在于:
1、本发明提供了一种新的基于深度学习的降采样方法,其采用对称网络模块提取不同尺寸的注意力特征图,再通过双流网络并结合注意力机制对高清图像进行特征提取与将采样,从而产生了更高质量的低分辨率的降采样图像;
2、本发明采用对称网络模块提取不同尺寸的注意力特征图,利用注意力机制,使网络能够更高效准确捕捉图像细节以及特征提取,抑制了干扰信息。
3、本发明在降采样的过程中通过双流网络将常见的降采样流程相结合,长短互补,从而有效减少了降采样过程中对高频细节的损失,能够在高分辨率原图质量较差的情况下依旧获得高质量视觉效果良好的低分辨率输出图像。
附图说明
图1是本发明方法的流程框图;
图2是本发明方法的整体网络结构图;
图3是本发明方法的重建模块的结构图。
具体实施方式
本实施例中,一种基于注意力双流网络的深度学习降采样方法,能够减少降采样过程中的高频细节损失,并将高分辨率图像降采样为高质量低分辨率图像。具体的说,参考图1,是按如下步骤进行:
步骤1:构建一个注意力提取模块U,如图2所示:
图像的高低频是对图像各个位置之间强度变化的一种度量,其中低频主要是轮廓,高频主要是细节和噪声,为了再后续特征提取阶段更好的保留高频细节,我们首先对图像进行两个尺度的注意力图提取。
设置注意力提取模块U为U-Net网络结构,并包含m个卷积模块、k个池化模块、k个反卷积模块;任意一个卷积模块是由一个卷积核大小为n×n的卷积层和ReLU激活函数构成;任意一个反卷积模块是由一个卷积核大小为n×n的反卷积层和一个ReLU激活函数层构成;
注意力提取模块U为对称的U-Net网络结构,对数据集中分辨率大小为w×w的高分辨率的原图像I进行特征处理,经过该对称结构后,会得到多组大小不同的特征图层,在上采样端得到大小为w×w(与原图像尺寸大小相同)的特征层作为高分辨率注意力图层,记为A1,得到大小为s×s(与目标图像尺寸大小相同)的特征层作为低分辨率注意力图层,记为A2。
本实例中m为5,k为3,池化模块使用的是卷积核大小2×2,步长为2的最大池化;
步骤2:构建一个基于双流神经网络的特征提取模块T,如图2所示:
设置特征提取模块T为双流网络结构,其中,第一通道依次包含一个卷积核大小为n×n的卷积层,一个深度残差块以及一个尺寸缩小模块;第二通道依次包含一个尺寸缩小模块,一个卷积核的大小为n×n的卷积层以及一个深度残差块;该若干个残差块由若干个基本残差块组成;本实例中的深度残差模块由8个基本残差块组成。
尺寸缩小模块使用双线性插值方法将图像或特征层的尺寸由原分辨率w×w降采样至目标分辨率s×s;此外,本实例中卷积层卷积核大小n为3;
特征提取模块T对原图像I在两个通道分别进行特征提取与整合,其中,第一通道的流程为:首先将原图像I与步骤1中所得注意力图层A1进行拼接,然后依次通过一个卷积层和一个深度残差块进行降维和进一步特征提取,得到新的输出特征图层,记为X1,将X1通过尺寸变换模块降采样处理至目标分辨率s×s,从而得到一组输出特征图层,记为F1;
第二通道的流程为:先将原图I通过尺寸变换模块降采样处理至目标分辨率s×s,再与注意力图层A2进行拼接,得到组合特征图层,记为X2,然后将X2依次通过一个卷积层和一个深度残差块进行降维和进一步特征提取,从而得到另一组输出特征图层,记为F2。
最后,将两个通道得到的两组分辨率为s×s的输出特征图层F1,F2拼接起来,从而得到特征提取模块T的最后输出特征图层,记为F3;通过注意力机制,能够更高效准确的捕捉图像中突出的细节,双流网络的两路处理流程则结合了传统降采样方法的特点,做到相互弥补,从而得以进一步减小了高频细节的损失和不自然效应。
步骤3:构建一个后处理模块P:
设置后处理模块P包含若干个密集块,残差块和一个卷积核大小为1×1的卷积层,如图3所示。
将步骤2中所得的特征图层F3通过后处理模块的多层残差块进行进一步图层重建,同时将图层降维到正常图像深度(3层),从而获得目标分辨率为s×s的输出图像,记为I1;
步骤4:利用尺寸缩小模块的双线性插值方法对原图像I进行降采样处理,得到目标分辨率为s×s的图像后再与步骤3输出图像I1相加,从而获得最终输出降采样图像,记为I′。
步骤5:整个网络通过计算最终输出降采样图像与数据集中的低分辨率图像的损失函数进而进行端到端训练,从而得到最优网络。
本实施例中,一种基于注意力双流网络的深度学习降采样系统包括:注意力提取模块U、特征提取模块T、后处理模块P和第三尺寸缩小模块;
如图2所示,注意力提取模块U为U-Net网络结构,并包含m个卷积模块、k个池化模块、k个反卷积模块;任意一个卷积模块是由一个卷积核大小为n×n的卷积层和ReLU激活函数构成;任意一个反卷积模块是由一个卷积核大小为n×n的反卷积层和一个ReLU激活函数层构成;
注意力提取模块U对数据集中尺寸大小为w×w的高分辨率原图像I进行特征处理,得到高分辨率为w×w的特征层作为高分辨率注意力图层,记为A1,以及目标低分辨率为s×s的特征层作为低分辨率注意力图层,记为A2;
特征提取模块T为双流网络结构,其中,第一通道依次包含一个卷积核大小为n×n的卷积层,一个深度残差块以及一个尺寸缩小模块;第二通道依次包含一个尺寸缩小模块,一个卷积核的大小为n×n的卷积层以及一个深度残差块;
尺寸缩小模块使用双线性插值方法将图像或特征层的尺寸由原分辨率w×w降采样至目标分辨率s×s;深度残差块由若干个基本残差块组成;
特征提取模块T对原图像I进行特征提取与整合,其中,第一通道将原图像I与注意力图层A1拼接后,再依次进行特征提取和尺寸变换处理,从而得到一组目标分辨率为s×s的特征图层,记为F1;
第二通道先将原图I的尺寸变换至目标分辨率s×s,再与注意力图层A1拼接后进行特征提取,从而得到一组特征图层,记为F2;
特征提取模块T将两个通道的输出特征图层F1,F2拼接起来,从而得到特征提取模块T的最后输出特征图层,记为F3;
如图3所示,设置后处理模块P包含若干密集块,残差块和一个卷积核的大小为1×1的卷积层;
后处理模块P的深度残差块对最后输出特征图层F3进行图像重建及降维,从而获得目标分辨率为s×s的输出图像,记为I1;
第三尺寸缩小模块采用双线性插值方法对原图像I进行降采样处理,得到目标尺寸为s×s的图像后再与输出图像I1相加,从而获得最终输出降采样图像,记为I′。
Claims (2)
1.一种基于注意力双流网络的深度学习降采样方法,其特征是按如下步骤进行:
步骤1:构建一个注意力提取模块U:
设置所述注意力提取模块U为U-Net网络结构,并包含m个卷积模块、k个池化模块、k个反卷积模块;任意一个卷积模块是由一个卷积核大小为n×n的卷积层和ReLU激活函数构成;任意一个反卷积模块是由一个卷积核大小为n×n的反卷积层和一个ReLU激活函数层构成;
所述注意力提取模块U对数据集中尺寸大小为w×w的高分辨率的原图像I进行特征处理,得到高分辨率为w×w的特征层作为高分辨率注意力图层,记为A1,以及目标低分辨率为s×s的特征层作为低分辨率注意力图层,记为A2;
步骤2:构建一个基于双流神经网络的特征提取模块T:
设置所述特征提取模块T为双流网络结构,其中,第一通道依次包含一个卷积核大小为n×n的卷积层,一个深度残差块以及一个尺寸缩小模块;第二通道依次包含一个尺寸缩小模块,一个卷积核的大小为n×n的卷积层以及一个深度残差块;所述深度残差块由若干个基本残差块组成;
所述尺寸缩小模块使用双线性插值方法将图像或特征层的尺寸由原分辨率w×w降采样至目标分辨率s×s;
所述特征提取模块T对所述原图像I进行特征提取与整合,其中,第一通道将原图像I与所述注意力图层A1拼接后,再依次进行特征提取和尺寸变换处理,从而得到一组目标分辨率为s×s的特征图层,记为F1;
第二通道先将原图I的尺寸变换至目标分辨率s×s,再与所述注意力图层A2拼接后进行特征提取,从而得到一组特征图层,记为F1;
将两个通道的输出特征图层F1,F2拼接起来,从而得到所述特征提取模块T的最后输出特征图层,记为F3;
步骤3:构建一个后处理模块P:
设置所述后处理模块P包含若干个密集块,残差块和一个卷积核大小为1×1的卷积层;
所述后处理模块P对所述最后输出特征图层F3进行图像重建及降维,从而获得目标分辨率为s×s的输出图像,记为I1;
步骤4:利用尺寸缩小模块的双线性插值方法对原图像I进行降采样处理,得到目标分辨率为s×s的图像后再与所述输出图像I1相加,从而获得最终输出降采样图像,记为I′。
2.一种基于注意力双流网络的深度学习降采样系统,其特征包括:注意力提取模块U、特征提取模块T、后处理模块P和第三尺寸缩小模块;
所述注意力提取模块U为U-Net网络结构,并包含m个卷积模块、k个池化模块、k个反卷积模块;任意一个卷积模块是由一个卷积核大小为n×n的卷积层和ReLU激活函数构成;任意一个反卷积模块是由一个卷积核大小为n×n的反卷积层和一个ReLU激活函数层构成;
所述注意力提取模块U对数据集中尺寸大小为w×w的高分辨率原图像I进行特征处理,得到高分辨率为w×w的特征层作为高分辨率注意力图层,记为A1,以及目标低分辨率为s×s的特征层作为低分辨率注意力图层,记为A2;
所述特征提取模块T为双流网络结构,其中,第一通道依次包含一个卷积核大小为n×n的卷积层,一个深度残差块以及一个尺寸缩小模块;第二通道依次包含一个尺寸缩小模块,一个卷积核的大小为n×n的卷积层以及一个深度残差块;
所述尺寸缩小模块使用双线性插值方法将图像或特征层的尺寸由原分辨率w×w降采样至目标分辨率s×s;所述深度残差块由若干个基本残差块组成;
所述特征提取模块T对所述原图像I进行特征提取与整合,其中,第一通道将原图像I与所述注意力图层A1拼接后,再依次进行特征提取和尺寸变换处理,从而得到一组目标分辨率为s×s的特征图层,记为F1;
第二通道先将原图I的尺寸变换至目标分辨率s×s,再与所述注意力图层A1拼接后进行特征提取,从而得到一组特征图层,记为F2;
所述特征提取模块T将两个通道的输出特征图层F1,F2拼接起来,从而得到所述特征提取模块T的最后输出特征图层,记为F3;
设置所述后处理模块P包含若干密集块,残差块和一个卷积核的大小为1×1的卷积层;
所述后处理模块P的深度残差块对所述最后输出特征图层F3进行图像重建及降维,从而获得目标分辨率为s×s的输出图像,记为I1;
所述第三尺寸缩小模块采用双线性插值方法对原图像I进行降采样处理,得到目标尺寸为s×s的图像后再与所述输出图像I1相加,从而获得最终输出降采样图像,记为I′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103973.3A CN111340744B (zh) | 2020-02-20 | 2020-02-20 | 基于注意力双流深度网络的低质量图像降采样方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103973.3A CN111340744B (zh) | 2020-02-20 | 2020-02-20 | 基于注意力双流深度网络的低质量图像降采样方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340744A CN111340744A (zh) | 2020-06-26 |
CN111340744B true CN111340744B (zh) | 2023-03-14 |
Family
ID=71187142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103973.3A Active CN111340744B (zh) | 2020-02-20 | 2020-02-20 | 基于注意力双流深度网络的低质量图像降采样方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340744B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021251614A1 (en) | 2020-06-12 | 2021-12-16 | Samsung Electronics Co., Ltd. | Image processing apparatus and method of operating the same |
WO2022027595A1 (zh) * | 2020-08-07 | 2022-02-10 | 深圳先进技术研究院 | 利用多尺度特征感知深度网络重建低剂量图像的方法 |
US11694301B2 (en) * | 2020-09-30 | 2023-07-04 | Alibaba Group Holding Limited | Learning model architecture for image data semantic segmentation |
CN112906685B (zh) * | 2021-03-04 | 2024-03-26 | 重庆赛迪奇智人工智能科技有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
CN113538615B (zh) * | 2021-06-29 | 2024-01-09 | 中国海洋大学 | 基于双流生成器深度卷积对抗生成网络的遥感图像上色方法 |
CN113344827B (zh) * | 2021-08-05 | 2021-11-23 | 浙江华睿科技股份有限公司 | 一种图像去噪方法、图像去噪网络运算单元及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345449B (zh) * | 2018-07-17 | 2020-11-10 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
CN110020681A (zh) * | 2019-03-27 | 2019-07-16 | 南开大学 | 基于空间注意力机制的点云特征提取方法 |
CN110717856A (zh) * | 2019-09-03 | 2020-01-21 | 天津大学 | 一种用于医学成像的超分辨率重建算法 |
-
2020
- 2020-02-20 CN CN202010103973.3A patent/CN111340744B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111340744A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340744B (zh) | 基于注意力双流深度网络的低质量图像降采样方法及其系统 | |
CN109118432B (zh) | 一种基于快速循环卷积网络的图像超分辨率重建方法 | |
CN108537733B (zh) | 基于多路径深度卷积神经网络的超分辨率重建方法 | |
CN106709875B (zh) | 一种基于联合深度网络的压缩低分辨率图像复原方法 | |
CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
CN110705699B (zh) | 超分辨率重建方法、装置、电子设备和可读存储介质 | |
CN111598778B (zh) | 一种绝缘子图像超分辨率重建方法 | |
CN109272452B (zh) | 小波域中基于集团结构子带共同学习超分辨率网络的方法 | |
CN108259994B (zh) | 一种提高视频空间分辨率的方法 | |
CN109035146B (zh) | 一种基于深度学习的低质量图像超分方法 | |
KR102221225B1 (ko) | 영상 화질 개선방법 및 그 장치 | |
CN116152120B (zh) | 一种融合高低频特征信息的低光图像增强方法及装置 | |
CN111768340B (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
CN111784582A (zh) | 一种基于dec_se的低照度图像超分辨率重建方法 | |
CN107590775B (zh) | 一种利用回归树场的图像超分辨率放大方法 | |
CN111652804B (zh) | 基于膨胀卷积金字塔与瓶颈网络的超分辨率重建方法 | |
CN111784570A (zh) | 一种视频图像超分辨率重建方法及设备 | |
CN110889895A (zh) | 一种融合单帧重建网络的人脸视频超分辨率重建方法 | |
CN108989731B (zh) | 一种提高视频空间分辨率的方法 | |
CN111932461A (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
CN116051428B (zh) | 一种基于深度学习的联合去噪与超分的低光照图像增强方法 | |
Xu et al. | Joint demosaicing and super-resolution (JDSR): Network design and perceptual optimization | |
CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
CN111986092B (zh) | 一种基于双重网络的图像超分辨率重建方法及系统 | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 |
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 |