CN111476745B - 一种进行运动模糊超分辨的多分支网络及方法 - Google Patents
一种进行运动模糊超分辨的多分支网络及方法 Download PDFInfo
- Publication number
- CN111476745B CN111476745B CN202010032622.8A CN202010032622A CN111476745B CN 111476745 B CN111476745 B CN 111476745B CN 202010032622 A CN202010032622 A CN 202010032622A CN 111476745 B CN111476745 B CN 111476745B
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- module
- low
- branch
- 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 22
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000009977 dual effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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 using two or more images, e.g. averaging or subtraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种进行运动模糊超分辨的多分支网络及方法,包括依次相连的去模糊模块、融合模块、重建模块和图像输出模块,还包括与去模糊模块并联的SR特征提取模块。方法包括:获取图像并对图像进行处理;建立数据集;构建网络结构;计算并输出处理结果。提出包括三条分支的网络,前两条分别实现高频去模糊和低频去模糊,构成了对偶双分支生成对抗网络为去模糊模块,把高频信息去模糊作为单独一条支路更加强调了图像细节部分的复原,第三条分支实现超分辨特征提取,经过融合模块把去模糊和超分辨特征融合再进行重建,对由于相机和景物之间的相对运动造成的运动模糊图像进行有效地超分辨,生成令人愉悦的高分辨率图像。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种进行运动模糊超分辨的多分支网络及方法。
背景技术
超分辨旨在从低分辨率(LR)图像恢复高分辨率(HR)图像,近年来,这种图像受到了广泛的关注和进步。超分辨方法用于输入固有的低分辨率图像,例如来自监视摄像机和移动摄像机的低质量图像,生成令人愉悦的高分辨率图像,生成的高分辨率可以显着提高其他机器视觉任务的性能。在实际应用中,由于摄像机或者目标运动,捕获的图像倾向于变得模糊,这种模糊称之为运动模糊。此时进行超分辨方法将放大移动人周围的运动模糊并生成模糊的高分辨率斑块,无法得到正常的高分辨率图像,因此可对具有运动模糊的图像进行超分辨尤其重要。
基于单幅模糊图像的去模糊问题存在高度欠定的问题。且在图像模糊的过程中,清晰图像和模糊核发生卷积,相当于对场景信息进行一次低通滤波,对应于模糊核高频零点的图像信息在成像过程中会发生缺失。卷积不可逆,导致用传统方法去运动模糊成为了一个病态性的问题,且去模糊之后也无法产生一张高分辨率的图像。无论是先超分辨再去模糊还是先去模糊再超分辨都会产生大量的参数且会不适当地增强某些结构伪像。
中国专利文献CN104376547A公开了一种“运动模糊图像复原方法”。包括:相机选型;场景序列图像获取;序列图像间时空配准;高分辨率图像序列重构等步骤。与现有技术相比较,本发明具备如下有益效果:(1)本发明充分利用了多相机获取同场景图像序列和时序控制电路的时序控制,增加了所获场景图像的细节信息;(2)本发明充分利用了分层搜索策略,提高了图像匹配的速度和精度;(3)本发明充分利用了不同视频图像间亚像素级互补信息和超分辨率重建算法,复原了运动模糊图像,提高了视频图像的分辨率。上述技术方案依次进行去模糊和超分辨,对图像造成了不可逆的影响。
发明内容
本发明主要解决原有的超分辨和去模糊对图像造成不可逆影响的技术问题,提供一种进行运动模糊超分辨的多分支网络及方法,提出包括三条分支的网络,前两条分别实现高频去模糊和低频去模糊,构成了对偶双分支生成对抗网络为去模糊模块,把高频信息去模糊作为单独一条支路更加强调了图像细节部分的复原,第三条分支实现超分辨特征提取,经过融合模块把去模糊和超分辨特征融合再进行重建,对由于相机和景物之间的相对运动造成的运动模糊图像进行有效地超分辨,生成令人愉悦的高分辨率图像。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种进行运动模糊超分辨的多分支网络,包括图像输入模块、去模糊模块、SR特征提取模块、融合模块、重建模块和图像输出模块,所述去模糊模块、融合模块、重建模块和图像输出模块依次相连,所述SR特征提取模块与去模糊模块并联的同时和图像输入模块、融合模块相连。
作为优选,所述的去模糊模块包括高频去模糊模块和低频去模糊模块,去模糊模块的训练集包括模糊低分辨图像LRB、清晰低分辨图像的高频部分LRSH和清晰低分辨图像的低频部分LRSL,上下两个分支均使用对偶生成对抗网络结构,生成器使用pix2pix的U-Net结构,配置有相等数量的下采样和上采样层,在镜像的下采样层和上采样层之间设有跳过连接成为U形网络。
作为优选,所述的SR特征提取模块的生成器部分包括八个ResBlocks。
作为优选,所述的融合模块包括两个卷积层,其滤波器大小分别为3×3和1×1。
作为优选,所述的重建模块包括八个ResBlock、一个像素改组层和两个最终的卷积层,所述融合模块与八个ResBlock和一个像素改组层相连。
一种进行运动模糊超分辨的多分支网络的运行方法,其特征在于,包括以下步骤:
(1)获取图像并对图像进行处理;
(2)建立数据集;
(3)构建网络结构;
(4)计算并输出处理结果。
作为优选,所述的步骤1获取图像为高分辨率清晰图像HRS。
作为优选,所述的步骤1处理方法为先对高分辨率清晰图像HRS进行2倍降采样,得到低分辨率清晰图像LRS,对低分辨率清晰图像LRS再进行模糊处理,固定模糊角度为0°,前10张模糊尺度设为5,后面每隔10张模糊尺度加1,最终得到模糊尺度不相同的低分辨率模糊图像LRB。
作为优选,所述的步骤2使用滤波器对低分辨率清晰图像LRS分别提取高频信息部分LRSH和低频信息部分LRSL,形成三对数据集,低分辨率模糊图像LRB和低分辨率清晰图像的高频信息部分LRSH,低分辨率模糊图像LRB和低分辨率清晰图像的低频信息部分LRSL,低分辨率模糊图像LRB和高分辨率清晰图像HRS。
作为优选,所述的步骤4通过计算确定损失函数,分支均使用GAN网络,去模糊模块两个分支的生成对抗网络的损失函数分别为:
其中,X表示输入的低分辨率模糊图像LRB,Y1表示低分辨率清晰图像的高频信息部分LRSH,Y2表示低分辨率清晰图像的低频信息部分LRSL,GH(X)表示输入模糊图通过高频分支生成的图像,DH表示高频分支判别器,GL(X)表示输入模糊图通过低频分支生成的图像,DL表示低频分支判别器。超分辨分支的损失函数为:
其中Y表示高分辨清晰图像HRS,GSR(X)表示输入模糊图通过超分辨分支生成的图像,DH表示超分辨分支判别器,因此,本专利通过共同优化超分辨率损失和去模糊损失来训练我们的网络:
min[SRloss+αHloss+βLloss]
其中α和β是权衡三个损失项的权重。根据经验将α=0.3,β=0.3。
本发明的有益效果是:提出包括三条分支的网络,前两条分别实现高频去模糊和低频去模糊,构成了对偶双分支生成对抗网络为去模糊模块,把高频信息去模糊作为单独一条支路更加强调了图像细节部分的复原,第三条分支实现超分辨特征提取,经过融合模块把去模糊和超分辨特征融合再进行重建,对由于相机和景物之间的相对运动造成的运动模糊图像进行有效地超分辨,生成令人愉悦的高分辨率图像。
附图说明
图1是本发明的一种原理连接结构框图。
图中1图像输入模块,2去模糊模块,2.1高频去模糊模块,2.2低频去模糊模块,3SR特征提取模块,4融合模块,5重建模块,6图像输出模块。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种进行运动模糊超分辨的多分支网络,如图1所示,包括图像输入模块1、去模糊模块2、SR特征提取模块3、融合模块4、重建模块5和图像输出模块6,其中,去模糊模块、融合模块、重建模块和图像输出模块依次相连,SR特征提取模块与去模糊模块并联的同时和图像输入模块、融合模块相连。去模糊模块Deblurring Module,用于分别提取去模糊特征并预测清晰的低分辨率图像LR的高频信息部分LRSH和低频信息部分LRSL,再进行加权。SR特征提取模块SR Module提取图像超分辨率的特征。融合模块GateModule用于混合去模糊和超分辨率特征的权重图。重建模块Reconstruction Module重建最终的高分辨率HR输出图像。
去模糊模块使用GAN网络,包括高频去模糊模块2.1和低频去模糊模块2.2,去模糊模块的训练集包括模糊低分辨图像LRB、清晰低分辨图像的高频部分LRSH和清晰低分辨图像的低频部分LRSL,上下两个分支均使用对偶生成对抗网络结构,生成器使用pix2pix的U-Net结构,配置有相等数量的下采样和上采样层,在镜像的下采样层和上采样层之间设有跳过连接成为U形网络。这样的设计使得低级信息能够在输入和输出之间共享,将编码器中的浅层特征直接传递给深层的解码器,两者在通道维度上直接进行拼接,通过该种方式,浅层特征与深层特征实现了融合,有利于网络重建出细节更丰富的图像。如果没有跳过层,所有级别的信息都必须穿过瓶颈,通常会导致高频信息的大量丢失。判别器使用的是pix2pix中的判别器——PatchGAN,与普通判别网络不同,它只在图像块上判断图像的真实性,整张图像的真实性为所有图像块的真实性的平均值。只关注图像块使得PatchGAN能将“注意力”放在图像的局部信息上,使生成的图像结构更丰富细腻、整体更逼真。生成器负责根据输入的图像产生高频和低频的复原图像,判别器则负责将生成器产生的模拟图像和数据集中的清晰图像进行比较判别,并输出判别结果。
SR特征提取模块SR Module依然使用GAN网络,与去模糊模块不同的是,该模块的生成器部分,使用八个ResBlocks提取高维特征以获得图像超分辨率。因为深度残差网络大大加深了网络层数,模型的容纳能力得到大幅提升,使用该结构能获得更好更高清的图像生成效果。为了保持空间信息,不使用任何池化或跨步卷积层。
融合模块Gate Module仅由两个卷积层组成,其滤波器大小分别为3×3和1×1。受栅极结构可用于发现多模态融合的特征重要性这一事实的启发建立栅极模块以自适应融合这两个分支特征,要保证该模块的两输入尺寸保持一致。
重建模块Reconstruction Module负责把融合模块输出的张量重建成输入图像空间分辨率扩大两倍的图像,来自融合模块的融合特征被馈入八个ResBlock和一个像素改组层,以将空间分辨率扩大2倍。然后使用两个最终的卷积层来重构HR输出HRS。
一种进行运动模糊超分辨的多分支网络的运行方法,包括以下步骤:
(1)获取图像并对图像进行处理;用相机拍摄1151张高分辨率清晰图像HRS,先对高分辨率清晰图像HRS进行2倍降采样,得到1151张低分辨率清晰图像LRS,对低分辨率清晰图像LRS再进行模糊处理,固定模糊角度为0°,前10张模糊尺度设为5,后面每隔10张模糊尺度加1,最终得到1151张模糊尺度不相同的低分辨率模糊图像LRB,这是整个网络的输入图像。
(2)建立数据集;使用滤波器对低分辨率清晰图像LRS分别提取高频信息部分LRSH和低频信息部分LRSL,形成三对数据集,低分辨率模糊图像LRB和低分辨率清晰图像的高频信息部分LRSH,低分辨率模糊图像LRB和低分辨率清晰图像的低频信息部分LRSL,低分辨率模糊图像LRB和高分辨率清晰图像HRS。
(3)构建网络结构。
(4)计算并输出处理结果。
(4.1)通过计算确定损失函数。由于三条分支均使用GAN网络,去模糊模块两个分支的生成对抗网络的损失函数分别为:
其中,X表示输入的低分辨率模糊图像LRB,Y1表示低分辨率清晰图像的高频信息部分LRSH,Y2表示低分辨率清晰图像的低频信息部分LRSL,GH(X)表示输入模糊图通过高频分支生成的图像,DH表示高频分支判别器,GL(X)表示输入模糊图通过低频分支生成的图像,DL表示低频分支判别器。超分辨分支的损失函数为:
其中Y表示高分辨清晰图像HRS,GSR(X)表示输入模糊图通过超分辨分支生成的图像,DH表示超分辨分支判别器,因此,本专利通过共同优化超分辨率损失和去模糊损失来训练我们的网络:
min[SRloss+αHloss+βLloss]
其中α和β是权衡三个损失项的权重。根据经验将α=0.3,β=0.3。
(4.2)训练。为了优化网络,遵循WGAN中提出的训练程序,先对鉴别器进行关键步骤训练,然后对生成器进行一步训练。使用小批量随机梯度下降法并应用RMSProp求解器,因为基于动量的方法,例如Adam,偶尔会引起不稳定性,并且已知RMSProp即使在高度不稳定的问题上也表现良好。通常将每个生成器迭代的批注者迭代次数n设置为2-4,并将批处理大小设为1,通过实验发现,这样获得的模型在测试集上的表现更好而在实验有效性上没有明显差异。削波参数c通常设置为[0.01,0.1],具体取决于应用程序。详细的模型训练参数如表1。
初始学习率 | 0.00005 |
优化算法 | RMSProp |
α | 0.3 |
β | 0.3 |
Batch size | 1 |
迭代次数 | 200 |
表1模型训练参数。
Claims (8)
1.一种进行运动模糊超分辨的多分支网络系统,其特征在于,包括图像输入模块、去模糊模块、SR特征提取模块、融合模块、重建模块和图像输出模块,所述去模糊模块、融合模块、重建模块和图像输出模块依次相连,所述SR特征提取模块与去模糊模块并联的同时和图像输入模块、融合模块相连,所述去模糊模块包括高频去模糊模块和低频去模糊模块,所述去模糊模块的训练集包括模糊低分辨图像LRB、清晰低分辨图像的高频部分LRSH和清晰低分辨图像的低频部分LRSL,上下两个分支均使用对偶生成对抗网络结构,生成器使用pix2pix的U-Net结构,配置有相等数量的下采样和上采样层,在镜像的下采样层和上采样层之间设有跳过连接成为U形网络;所述高频信息部分LRSH和低频信息部分LRSL由低分辨率清晰图像LRS通过滤波器分别提取生成,形成三对数据集,低分辨率模糊图像LRB和低分辨率清晰图像的高频信息部分LRSH,低分辨率模糊图像LRB和低分辨率清晰图像的低频信息部分LRSL,低分辨率模糊图像LRB和高分辨率清晰图像HRS。
2.根据权利要求1所述的一种进行运动模糊超分辨的多分支网络系统,其特征在于,所述SR特征提取模块的生成器部分包括八个ResBlocks。
3.根据权利要求1所述的一种进行运动模糊超分辨的多分支网络系统,其特征在于,所述融合模块包括两个卷积层,其滤波器大小分别为3×3和1×1。
4.根据权利要求1所述的一种进行运动模糊超分辨的多分支网络系统,其特征在于,所述重建模块包括八个ResBlock、一个像素改组层和两个最终的卷积层,所述融合模块与八个ResBlock和一个像素改组层相连。
5.一种进行运动模糊超分辨的多分支网络系统的运行方法,采用权利要求1至4任意一项所述的系统,其特征在于,包括以下步骤:
(1)获取图像并对图像进行处理;
(2)建立数据集;
(3)构建网络结构;
(4)计算并输出处理结果。
6.根据权利要求5所述的一种进行运动模糊超分辨的多分支网络系统的运行方法,其特征在于,所述步骤1获取图像为高分辨率清晰图像HRS。
7.根据权利要求6所述的一种进行运动模糊超分辨的多分支网络系统的运行方法,其特征在于,所述步骤1处理方法为先对高分辨率清晰图像HRS进行2倍降采样,得到低分辨率清晰图像LRS,对低分辨率清晰图像LRS再进行模糊处理,固定模糊角度为0°,前10张模糊尺度设为5,后面每隔10张模糊尺度加1,最终得到模糊尺度不相同的低分辨率模糊图像LRB。
8.根据权利要求5所述的一种进行运动模糊超分辨的多分支网络系统的运行方法,其特征在于,所述步骤4通过计算确定损失函数,分支均使用GAN网络,去模糊模块两个分支的生成对抗网络的损失函数分别为:
其中,X表示输入的低分辨率模糊图像LRB,Y1表示低分辨率清晰图像的高频信息部分LRSH,Y2表示低分辨率清晰图像的低频信息部分LRSL,GH(X)表示输入模糊图通过高频分支生成的图像,DH表示高频分支判别器,GL(X)表示输入模糊图通过低频分支生成的图像,DL表示低频分支判别器,超分辨分支的损失函数为:
其中Y表示高分辨清晰图像HRS,GSR(X)表示输入模糊图通过超分辨分支生成的图像,DSR表示超分辨分支判别器,通过共同优化超分辨率损失和去模糊损失训练网络:
min[SRloss+αHloss+βLloss]
其中α和β是权衡三个损失项的权重,根据经验将α=0.3,β=0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032622.8A CN111476745B (zh) | 2020-01-13 | 2020-01-13 | 一种进行运动模糊超分辨的多分支网络及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032622.8A CN111476745B (zh) | 2020-01-13 | 2020-01-13 | 一种进行运动模糊超分辨的多分支网络及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476745A CN111476745A (zh) | 2020-07-31 |
CN111476745B true CN111476745B (zh) | 2023-07-25 |
Family
ID=71746221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010032622.8A Active CN111476745B (zh) | 2020-01-13 | 2020-01-13 | 一种进行运动模糊超分辨的多分支网络及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476745B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102184A (zh) * | 2020-09-04 | 2020-12-18 | 西北工业大学 | 基于Scale-Encoder-Decoder-Net网络的图像去模糊方法 |
CN112862733A (zh) * | 2021-01-21 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种图像生成方法、装置、电子设备和存储介质 |
CN113240598A (zh) * | 2021-05-08 | 2021-08-10 | Oppo广东移动通信有限公司 | 人脸图像去模糊方法、人脸图像去模糊装置、介质与设备 |
CN113421188B (zh) * | 2021-06-18 | 2024-01-05 | 广东奥普特科技股份有限公司 | 一种图像均衡增强的方法、系统、装置及存储介质 |
CN114724022B (zh) * | 2022-03-04 | 2024-05-10 | 大连海洋大学 | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 |
CN114998156B (zh) * | 2022-06-30 | 2023-06-20 | 同济大学 | 一种基于多补丁多尺度网络的图像运动去模糊方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
CN109903237A (zh) * | 2019-01-23 | 2019-06-18 | 复旦大学 | 一种基于分离低高频的多尺度人脸图像去模糊算法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504672B (zh) * | 2014-12-27 | 2017-06-13 | 西安电子科技大学 | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 |
WO2017206048A1 (en) * | 2016-05-31 | 2017-12-07 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for removing gibbs artifact in medical imaging system |
KR101795271B1 (ko) * | 2016-06-10 | 2017-11-07 | 현대자동차주식회사 | 영상의 선명화를 위한 전처리를 수행하는 영상 처리 장치 및 방법 |
US10049437B2 (en) * | 2016-11-21 | 2018-08-14 | Microsoft Technology Licensing, Llc | Cleartype resolution recovery resampling |
KR102064486B1 (ko) * | 2018-03-20 | 2020-03-02 | 영남대학교 산학협력단 | 영상 복원 방법과 이를 수행하기 위한 장치 및 시스템 |
CN108573479A (zh) * | 2018-04-16 | 2018-09-25 | 西安电子科技大学 | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 |
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 |
CN109978762B (zh) * | 2019-02-27 | 2023-06-16 | 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 |
-
2020
- 2020-01-13 CN CN202010032622.8A patent/CN111476745B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
CN109903237A (zh) * | 2019-01-23 | 2019-06-18 | 复旦大学 | 一种基于分离低高频的多尺度人脸图像去模糊算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111476745A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476745B (zh) | 一种进行运动模糊超分辨的多分支网络及方法 | |
CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
CN109102462B (zh) | 一种基于深度学习的视频超分辨率重建方法 | |
Zhang et al. | Residual dense network for image super-resolution | |
CN110782399B (zh) | 一种基于多任务cnn的图像去模糊方法 | |
CN109671023B (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN112801901B (zh) | 基于分块多尺度卷积神经网络的图像去模糊算法 | |
WO2020015167A1 (zh) | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 | |
CN109389552B (zh) | 一种基于上下文相关多任务深度学习的图像超分辨算法 | |
CN111028150B (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
CN110705699A (zh) | 超分辨率重建方法、装置、电子设备和可读存储介质 | |
CN108182669A (zh) | 一种基于多个图片尺寸的生成对抗网络的超分辨率复原方法 | |
CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
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 | |
CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
CN117274059A (zh) | 基于图像编码-解码的低分辨率图像重构方法及其系统 | |
CN116563100A (zh) | 一种基于内核引导网络的盲超分辨率重建方法 | |
CN113096032A (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
CN112669293A (zh) | 图像检测方法和检测模型的训练方法及相关装置、设备 | |
Shedligeri et al. | A unified framework for compressive video recovery from coded exposure techniques | |
CN114913095B (zh) | 基于域适应的深度去模糊方法 | |
CN114119428B (zh) | 一种图像去模糊方法和装置 | |
CN115511733A (zh) | 一种图像退化建模方法、神经网络训练方法和装置 | |
CN113469882B (zh) | 基于土壤ct图像的超分辨率重建方法及装置 | |
CN113379602B (zh) | 利用零样本学习的光场超分辨率增强方法 |
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 |