CN111383173A - 一种基于基线的图像超分辨率重建方法及系统 - Google Patents
一种基于基线的图像超分辨率重建方法及系统 Download PDFInfo
- Publication number
- CN111383173A CN111383173A CN202010088560.2A CN202010088560A CN111383173A CN 111383173 A CN111383173 A CN 111383173A CN 202010088560 A CN202010088560 A CN 202010088560A CN 111383173 A CN111383173 A CN 111383173A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- network
- super
- baseline
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims 1
- 229910052582 BN Inorganic materials 0.000 description 6
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001578 tight junction Anatomy 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于基线的图像超分辨率重建方法及系统,包括:构建基于基线的卷积神经网络模型;构建基于条件生成对抗网络的图像超分辨率重建模型;将待重建的低分辨图像输入基于基线的卷积神经网络模型,所述神经网络模型的输出作为基于条件生成对抗网络的图像超分辨率重建模型的输入,最终得到超分辨率重建图像。本发明基于基线的卷积神经网络模型,堆叠了两个剩余学习网络,用来学习传统图像超分辨率方法无法恢复的高频剩余分量,通过学习更多的残差信息,构建基于CNN的图像超分辨率模型来提高所获得的高分辨率图像的质量。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于基线的图像超分辨率重建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
图像超分辨率重建是计算机视觉的重要分支,可以将低分辨率的图像通过卷积神经网络模型特征提取、映射、重建等过程获得高分辨率图像,单幅图像超分辨率是计算机视觉的重要分支,旨在通过卷积神经网络将一张低分辨率图片生成对应的高分辨率图片,在行人检测、车辆检测、人脸识别等场景中有着广泛的应用。目前,超分辨率亟待解决的关键问题是高频纹理细节的恢复,从一幅低清图片推断出高清图片的关键,在于如何获取边缘纹理等高频信息。但低清图片包含的大多是低频信息,高频信息难以恢复,之前用GAN网络恢复出的大多数是高频噪声而不是高频信息。
区别于传统基于多图像融合的超分辨率方法,近年来在许多领域已经获得成功的深度学习技术被引入到基于单个图像的超分辨率重建问题中,取得了优于传统方法的效果。此类方法一般采用低分辨率/高分辨率图像样本对作为训练数据,构建并使用深度神经网络从中学习低分辨率图像到高分辨率图像的映射,进而利用训练得到的网络对输入的低分辨率图像进行超分辨率重建处理,获得高分辨率的输出结果图像。
在用于图像超分辨率重建的深度神经网络模型中,基于条件生成对抗网络是最近新兴的一种深度学习网络结构,其由生成器和判别器两部分网络模块组成。其中,生成器网络从训练样本中学习生成以假乱真的目标图像样本,而判别器则学习区分生成器生成的图像样本和真实的图像样本,两者互相对抗博弈,以此学习到真实图像样本的潜在分布。在图像超分辨率重建任务中,基于条件生成对抗网络被用来基于低分辨率图像生成与真实高分辨率图像高度相似的超分辨率重建结果图像。
但是,发明人发现,基于条件生成对抗网络的图像超分辨率重建方法,在较高放大的倍数下会出现图像模糊的问题,同时也会出现原始图像没有的细节。
发明内容
本发明目的是为了解决上述问题,提出了一种基于基线的图像超分辨率重建方法及系统,将融合残差网络学习的基于基线的超分辨率重建方法与基于条件生成对抗网络的图像超分辨率重建方法结合,以获得令人满意的超分辨率重建结果。
在一些实施方式中,采用如下技术方案:
一种基于基线的图像超分辨率重建方法,包括:
构建基于基线的卷积神经网络模型;
构建基于条件生成对抗网络的图像超分辨率重建模型;
将待重建的低分辨图像输入基于基线的卷积神经网络模型,所述神经网络模型的输出作为基于条件生成对抗网络的图像超分辨率重建模型的输入,最终得到超分辨率重建图像。
基于条件生成对抗网络的图像超分辨率重建是一个更加符合主观视觉效果的图像超分辨技术,但是在较高放大倍数下会产生模糊的现象,其基于条件生成对抗网络本身也不具有稳定性。
基于基线的图像超分辨率重建技术是由两个连续的残差网络组成,由四个SRCNN卷积神经网络模型来构建的,通过学习剩余信息的方法可以尽可能多的恢复图形放大后的细节信息。
因此,通过将上述两种重建方法结合后,可以在提高生成图像质量的同时,又能更好的满足视觉效果的需求。
在另一些实施方式中,采用如下技术方案:
一种基于基线的图像超分辨率重建系统,包括:
用于构建基于基线的卷积神经网络模型的装置;
用于构建基于条件生成对抗网络的图像超分辨率重建模型的装置;
用于将待重建的低分辨图像输入基于基线的卷积神经网络模型,所述神经网络模型的输出作为基于条件生成对抗网络的图像超分辨率重建模型的输入,最终得到超分辨率重建图像的装置。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述基于基线的图像超分辨率重建方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述基于基线的图像超分辨率重建方法。
与现有技术相比,本发明的有益效果是:
(1)本发明基于基线的卷积神经网络模型,堆叠了两个剩余学习网络,用来学习传统图像超分辨率方法无法恢复的高频剩余分量,通过学习更多的残差信息,构建基于CNN的图像超分辨率模型来提高所获得的高分辨率图像的质量。
(2)本发明利用基于条件生成对抗网络模型作为补偿,目的是进一步在提高图片生成质量的同时提高视觉效果。
(3)基于条件生成对抗网络相比于一般超分辨率方法所使用的损失函数不同,本发明的损失函数更加关注图像中的细节部分,有助于模型在训练过程中更集中于文本部分的学习和优化,从而生成更加清晰的图像。
(4)本发明在超分辨率重建模型的生成器网络中,去除了一般残差块中的BN层,以保留图像中细节特征,避免了BN层对图像原始细节特征的破坏,使网络模型更加适合超分辨率重建任务,有助于提高图像的超分辨率重建质量。
(5)本发明在超分辨率重建模型的生成器网络中,引入了Inception模块,能够有效扩展网络的宽度,还可以进行多个尺度学习和提取特征,使得生成的图像更加真实。
(6)本发明在超分辨率重建模型的判别器网络中,加入了Dropout层,有助于减少模型的过拟合情况,增强了模型训练的稳定性,使模型更加适合图像的超分辨率重建目标。
附图说明
图1(a)-(b)分别为本发明实施例中基于基线的图像超分辨率重建方法流程图以及生成器模型示意图;
图2为本发明实施例中SRCNN模型示意图;
图3为本发明实施例中基线框图模型示意图;
图4为本发明实施例算法与其他算法的仿真结果图对比;
图5为本发明实施例算法与其他算法的仿真结果图对比。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中,公开了一种基于基线的图像超分辨率重建方法,参照图1(a)-(b),其中,图1(b)为生成器模型;包括如下步骤:
步骤1:选取训练集;
选取91幅图像组成的数据集作为训练样本,将该数据集分为24800张子图像,每幅子图像大小为33X33,多次训练以证明本发明实施例所提出基于基线的超分辨率重建模型的可用性。
步骤2:构建基于基线的超分辨率重建模型。参照图2-图3,其中,图2为SRCNN模型,图3为基线框图模型。
基于基线的卷积神经网络模型输入低分辨率图像,输出高分辨图像。
以SRCNN网络为基线搭建的两个连续残差网络模型。每一个残差网络由两个串联的SRCNN构成。在第一个残差学习网络中,一级网络的输出是二级网络的输入,二级网络学习一级网络中未恢复的剩余分量。因此接下来的第二级残差学习网络与第一级残差学习网络完全相同。第一级残差网络的输出被当做第二级残差网络的输入。具体的子步骤如下:
(1)针对第一级残差网络,上一级SRCNN的输出结果作为下一级SRCNN的输入。第一级残差学习网络的目标函数表示为:
使用y表示LR图像,g表示HR真实图像。Fres1(.)是从高分辨率图像到学习残差图像的传递函数,Wres1是卷积层的滤波参数,gres1是学习残差卷积神经网络尚未恢复的剩余分量。W表示输入LR图像上几个卷积层的滤波参数,G′表示第一个SRCNN之后低分辨率图像未恢复的HR分量。
(2)增加紧密连接,第一级残差网络的输出结果作为第二级残差网络的输入。
第二级残差网络的目标函数是:
其中FH(.)是从学习残差图像到第二个高分辨率图像的传递函数,WH是卷积层的滤波参数。
(3)最终两个残差网络的结果与第一级SRCNN的输出结果加权得出最后的输出结果。
最终的目标函数是:
步骤3:构建生成对抗网络模型,包括:
(1)构建生成器网络和判别器网路;
本实施例中,生成器网络以基于基线的卷积神经网络模型得到的高分辨率图像作为输入,先通过卷积核为3×3的卷积层以及LRelu激活层,再依次通过16个去除BN层的残差块,然后将最后一个残差块的输出特征图与输入第一个残差块的特征图拼接后,输入Inception模块;Inception模块的输出特征图依次经过LRelu激活层、卷积核为3×3的反卷积层和Tanh激活层后,得到最终输出的超分辨率重建后的高分辨率图像。
判别器网络以一对“低分辨率图像+对应训练高分辨率图像”或“低分辨率图像+对应超分辨率重建图像”作为输入,输入图像先依次经过卷积核为3×3、卷积步长为2的卷积层和LRelu激活层;接着依次经过卷积核为3×3、卷积步长为2的卷积层、LRelu激活层、BN层和Dropout层;随后依次经过卷积核为3×3的卷积层、LRelu激活层、BN层和Dropout层;最终经过卷积核为3×3的卷积层、Sigmoid激活层后,得到作为网络输入的高分辨率图像判别来自训练数据或来自生成器的概率。
(2)将得到的训练样本中的低分辨率图像作为生成器网络的输入,对应的高分辨率图像作为生成器网络的预期输出,使用反向传播算法训练生成器网络;
(3)增加紧密连接,即每一层的输入等于之前所有层的输出,而不仅仅是前一层的输出;
(4)额外增加作用于特征域的判别网络,判别输入特征图时生成网络的输出是原图还是生成图;判别的目的是判别生成网络输出的结果是上一级的原始输入图像还是生成器生成的伪造图像。
步骤4:利用梯度下降法来优化目标函数与损失函数,更新迭代网络权值,训练网络模型;
基于条件生成对抗网络的总损失函数为:
L=LcGAN(G,D)+λLcontent(G)
其中,G代表生成器,D代表判别器,LcGAN(G,D))是约束生成器和判别器之间互相对抗的损失函数,Lcontent(G)是用于约束生成器G进行超分辨率重建后所得结果图像与训练高分辨率图像之间相似性的损失函数,λ为约束两个损失函数比例的超参数。
步骤5:输入低分辨率图像,利用训练好的网络模型,得到重建的高分辨率图像。
为了验证本发明方案的有效性,本实施例设置放大倍数为2、3、4情况下,在三种标准的图像测试集Set5、Set14、BSD100上进行对比实验,超分辨率重建结果如图4和图5所示。通过对比本发明算法生成的图像和Bicubic、SRCNN、SRCNN+、SRGAN生成的图像,可以直观地发现,其他方法的超分辨率结果缺乏高频信息,图像趋于模糊,但本发明算法可以较好地恢复出纹理细节等高频信息,图像也更清晰,在直观感受上具有明显的优越性。
通过对比本发明算法与Bicubic、SRCNN、SRCNN+、SRGAN算法的峰值信噪比(PeakSignal-to-Noi se Ratio,PSNR)和结构相似性(Structural Similarity index,SSIM),可以看出,本发明算法重建图像的质量最好。
实施例二
在一个或多个实施方式中,公开了一种基于基线的图像超分辨率重建系统,包括:
用于构建基于基线的卷积神经网络模型的装置;
用于构建基于条件生成对抗网络的图像超分辨率重建模型的装置;
用于将待重建的低分辨图像输入基于基线的卷积神经网络模型,所述神经网络模型的输出作为基于条件生成对抗网络的图像超分辨率重建模型的输入,最终得到超分辨率重建图像的装置。
上述装置的具体实现方法与实施例一中公开的方法相同,不再赘述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、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一中的基于基线的图像超分辨率重建方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件形式的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于基线的图像超分辨率重建方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护的范围进行限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于基线的图像超分辨率重建方法,其特征在于,包括:
构建基于基线的卷积神经网络模型;
构建基于条件生成对抗网络的图像超分辨率重建模型;
将待重建的低分辨图像输入基于基线的卷积神经网络模型,所述神经网络模型的输出作为基于条件生成对抗网络的图像超分辨率重建模型的输入,最终得到超分辨率重建图像。
2.如权利要求1所述的一种基于基线的图像超分辨率重建方法,其特征在于,构建基于基线的卷积神经网络模型,具体包括:
以SRCNN网络为基线搭建两个连续残差网络模型;
第一级网络的输出是第二级网络的输入,第二级网络学习第一级网络中未恢复的剩余分量;每一级网络均包括:至少两个串联连接的SRCNN网络,上一级SRCNN网络的输出结果作为下一级SRCNN网络的输入;
将第一级网络、第二级网络以及第一级SRCNN网络的输出结果加权,得到最终的输出结果。
3.如权利要求1所述的一种基于基线的图像超分辨率重建方法,其特征在于,构建基于条件生成对抗网络的图像超分辨率重建模型,具体为:
构建生成器网络和判别器网路;
选取训练样本中的低分辨率图像作为生成器网络的输入,对应的高分辨率图像作为生成器网络的预期输出,使用反向传播算法训练生成器网络;
生成器网络的输出结果作为判别器网路的输入,所述判别器网络判别生成器网络的输出是原始输入图像还是生成器生成的伪造图像。
4.如权利要求3所述的一种基于基线的图像超分辨率重建方法,其特征在于,所述基于条件生成对抗网络的总损失函数为:
L=LcGAN(G,D)+λLcontent(G)
其中,G代表生成器,D代表判别器,LcGAN(G,D)是约束生成器和判别器之间互相对抗的损失函数,Lcontent(G)是用于约束生成器G进行超分辨率重建后所得结果图像与训练高分辨率图像之间相似性的损失函数,λ为约束两个损失函数比例的超参数。
5.如权利要求3所述的一种基于基线的图像超分辨率重建方法,其特征在于,所述生成器网络以基于基线的卷积神经网络模型得到的高分辨率图像作为输入,经过卷积层和LRelu激活层,再依次通过若干去除BN层的残差块,将最后一个残差块的输出特征图与输入第一个残差块的特征图拼接后,输入Inception模块;所述Inception模块的输出特征图依次经过LRelu激活层、反卷积层和Tanh激活层后,输出超分辨率重建后的高分辨率图像。
6.如权利要求3所述的一种基于基线的图像超分辨率重建方法,其特征在于,所述判别器网络的输入为:低分辨率图像与对应训练高分辨率图像,或者,低分辨率图像与对应超分辨率重建图像;
所述判别器网络的输出为:作为网络输入的高分辨率图像判别为来自训练数据或来自生成器的概率。
7.如权利要求6所述的一种基于基线的图像超分辨率重建方法,其特征在于,所述判别器中加入Dropout层,用于减少模型的过拟合情况。
8.一种基于基线的图像超分辨率重建系统,其特征在于,包括:
用于构建基于基线的卷积神经网络模型的装置;
用于构建基于条件生成对抗网络的图像超分辨率重建模型的装置;
用于将待重建的低分辨图像输入基于基线的卷积神经网络模型,所述神经网络模型的输出作为基于条件生成对抗网络的图像超分辨率重建模型的输入,最终得到超分辨率重建图像的装置。
9.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于基线的图像超分辨率重建方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于基线的图像超分辨率重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088560.2A CN111383173B (zh) | 2020-02-12 | 2020-02-12 | 一种基于基线的图像超分辨率重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088560.2A CN111383173B (zh) | 2020-02-12 | 2020-02-12 | 一种基于基线的图像超分辨率重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383173A true CN111383173A (zh) | 2020-07-07 |
CN111383173B CN111383173B (zh) | 2023-04-18 |
Family
ID=71217002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010088560.2A Active CN111383173B (zh) | 2020-02-12 | 2020-02-12 | 一种基于基线的图像超分辨率重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383173B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986092A (zh) * | 2020-09-07 | 2020-11-24 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及系统 |
CN112381716A (zh) * | 2020-11-18 | 2021-02-19 | 爱像素(深圳)智能科技有限公司 | 一种基于生成式对抗网络的图像增强方法 |
CN112508789A (zh) * | 2020-12-16 | 2021-03-16 | 广州佳帆计算机有限公司 | 一种基于残差的贴片图像增强识别方法及装置 |
CN113160055A (zh) * | 2021-04-07 | 2021-07-23 | 哈尔滨理工大学 | 一种基于深度学习的图像超分辨率重建方法 |
CN114693547A (zh) * | 2022-03-03 | 2022-07-01 | 大连海事大学 | 基于图像超分辨的射频图像增强方法及射频图像识别方法 |
CN116416339A (zh) * | 2021-12-20 | 2023-07-11 | 西门子医疗有限公司 | 用于生成合成x射线图像的方法、控制单元和计算机程序 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及系统 |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109727195A (zh) * | 2018-12-25 | 2019-05-07 | 成都元点智库科技有限公司 | 一种图像超分辨率重构方法 |
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 |
CN110276721A (zh) * | 2019-04-28 | 2019-09-24 | 天津大学 | 基于级联残差卷积神经网络的图像超分辨率重建方法 |
CN110689483A (zh) * | 2019-09-24 | 2020-01-14 | 重庆邮电大学 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
NL2022758B1 (en) * | 2018-07-27 | 2020-01-31 | Univ Xuzhou Technology | Image Super-resolution Reconstruction Method Based on Multi-scale Generative Adversarial Network |
-
2020
- 2020-02-12 CN CN202010088560.2A patent/CN111383173B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及系统 |
NL2022758B1 (en) * | 2018-07-27 | 2020-01-31 | Univ Xuzhou Technology | Image Super-resolution Reconstruction Method Based on Multi-scale Generative Adversarial Network |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109727195A (zh) * | 2018-12-25 | 2019-05-07 | 成都元点智库科技有限公司 | 一种图像超分辨率重构方法 |
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 |
CN110276721A (zh) * | 2019-04-28 | 2019-09-24 | 天津大学 | 基于级联残差卷积神经网络的图像超分辨率重建方法 |
CN110689483A (zh) * | 2019-09-24 | 2020-01-14 | 重庆邮电大学 | 基于深度残差网络的图像超分辨率重建方法及存储介质 |
Non-Patent Citations (3)
Title |
---|
NA SUN: "Super Resolution Reconstruction of Images Based on Interpolation and Full Convolutional Neural Network and Application in Medical Fields" * |
李慧娜: "基于深度学习的超分辨率重建方法研究" * |
王旺: "改进的基于卷积神经网络的图像超分辨率方法" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986092A (zh) * | 2020-09-07 | 2020-11-24 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及系统 |
CN111986092B (zh) * | 2020-09-07 | 2023-05-05 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及系统 |
CN112381716A (zh) * | 2020-11-18 | 2021-02-19 | 爱像素(深圳)智能科技有限公司 | 一种基于生成式对抗网络的图像增强方法 |
CN112381716B (zh) * | 2020-11-18 | 2023-08-18 | 爱像素(深圳)智能科技有限公司 | 一种基于生成式对抗网络的图像增强方法 |
CN112508789A (zh) * | 2020-12-16 | 2021-03-16 | 广州佳帆计算机有限公司 | 一种基于残差的贴片图像增强识别方法及装置 |
CN113160055A (zh) * | 2021-04-07 | 2021-07-23 | 哈尔滨理工大学 | 一种基于深度学习的图像超分辨率重建方法 |
CN116416339A (zh) * | 2021-12-20 | 2023-07-11 | 西门子医疗有限公司 | 用于生成合成x射线图像的方法、控制单元和计算机程序 |
CN114693547A (zh) * | 2022-03-03 | 2022-07-01 | 大连海事大学 | 基于图像超分辨的射频图像增强方法及射频图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111383173B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383173B (zh) | 一种基于基线的图像超分辨率重建方法及系统 | |
CN113240580B (zh) | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 | |
Song et al. | Efficient residual dense block search for image super-resolution | |
CN110751134B (zh) | 目标检测方法、装置、存储介质及计算机设备 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
CN112102177B (zh) | 基于压缩与激励机制神经网络的图像去模糊方法 | |
CN109523470B (zh) | 一种深度图像超分辨率重建方法及系统 | |
CN112419184B (zh) | 一种综合局部信息和全局信息的空间注意力图像去噪方法 | |
CN111754446A (zh) | 一种基于生成对抗网络的图像融合方法、系统及存储介质 | |
CN113436076B (zh) | 逐步融合特征的图像超分辨率重建方法及电子设备 | |
CN110363068B (zh) | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 | |
Chen et al. | Automated design of neural network architectures with reinforcement learning for detection of global manipulations | |
CN112862689A (zh) | 一种图像超分辨率重建方法及系统 | |
CN114821058A (zh) | 一种图像语义分割方法、装置、电子设备及存储介质 | |
CN114612476A (zh) | 一种基于全分辨率混合注意力机制的图像篡改检测方法 | |
CN114299358A (zh) | 图像质量评估方法、装置、电子设备及机器可读存储介质 | |
CN113129231A (zh) | 一种基于对抗生成网络生成高清图像的方法及系统 | |
CN111753980A (zh) | 将第一图像的特征转移到第二图像的方法 | |
Wei et al. | Auto-generating neural networks with reinforcement learning for multi-purpose image forensics | |
CN112991257B (zh) | 基于半监督孪生网络的异质遥感图像变化快速检测方法 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN115147274A (zh) | 获取图像超分辨率方法、获取系统设备以及存储介质 | |
CN113191947B (zh) | 一种图像超分辨率的方法及系统 | |
CN114943655A (zh) | 基于循环深度卷积生成对抗网络结构的图像修复系统 |
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 |