CN112270645A - 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 - Google Patents
多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 Download PDFInfo
- Publication number
- CN112270645A CN112270645A CN202011207247.2A CN202011207247A CN112270645A CN 112270645 A CN112270645 A CN 112270645A CN 202011207247 A CN202011207247 A CN 202011207247A CN 112270645 A CN112270645 A CN 112270645A
- Authority
- CN
- China
- Prior art keywords
- resolution
- module
- face
- feature
- face image
- 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
Images
Classifications
-
- 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
- G06T3/4053—Super resolution, i.e. output image resolution higher than 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
-
- 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
- G06T3/4046—Scaling the whole image or part thereof using neural networks
Abstract
本发明公开了一种多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法,涉及图像复原技术领域。本系统是:低分辨率人脸图像(A)、初级特征提取与上采样模块(10)、多阶特征循环增强与上采样模块(20)、残差人脸生成模块(30)、加法器模块(50)和高分辨率人脸图像(B)依次交互;低分辨率人脸图像(A)、初始人脸超分辨率模块(40)和加法器模块(50)依次交互。本方法是:①初级特征提取与上采样;②多阶特征循环增强与上采样;③残差人脸生成;④初始人脸超分辨率;⑤高分辨人脸生成。本发明在更好提升高倍人脸超分辨率重构图像质量的同时,可得到系统复杂度的有效降低;适用于视频监控等应用。
Description
技术领域
本发明涉及图像复原技术领域,尤其涉及一种多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法;即是一种基于深度循环卷积网络,利用人脸结构先验与特征反馈增强的渐进高倍人脸图像超分辨率系统及其方法。
背景技术
人脸图像超分辨率也称为人脸幻象,旨在利用数值计算方法对低分辨率人脸图像进行高分辨率重建,其对有效解决低分辨率人脸图像分析与人脸识别问题具有重要意义。近年来,随着深度学习理论在图像分类识别领域的成功应用,基于深度网络的人脸图像超分辨率方法研究也得到广泛关注。【参见文献:[1]S.Zhu,S.Liu,C.C.Loy and X.Tang,"Deep cascaded bi-network for face hallucination",Proc.Eur.Conf.Comput.Vis.(ECCV),pp.614-630,2016;[2]X.Xu,D.Sun,J.Pan,Y.Zhang,H.Pfister and M.-H.Yang,"Learning to super-resolve blurry face and text images",Proc.IEEEInt.Conf.Comput.Vis.(ICCV),pp.251-260,Oct.2017;[3]N.Ahn,B.Kang and K.-A.Sohn,"Fast accurate and lightweight super-resolution with cascadingresidual network",Proc.Eur.Conf.Comput.Vis.(ECCV),pp.252-268,Sep.2018】。
人脸超分辨率不完全同于一般自然图像的超分辨率。如何充分利用人脸图像独有的先验信息,对于提升人脸图像的超分辨率性能会产生重大的影响。虽然获取清晰人脸图像的先验信息可能是比较容易的,但是在图像分辨率低,图像较模糊时要得到人脸的重要先验信息,以用于改善超分辨率性能将会十分受限,特别对于高倍放大时显得更是具有很大的挑战性。【参见文献:[4]Y.Chen,Y.Tai,X.Liu,C.Shen,and J.Yang,“Fsrnet:End-to-end learning face super-resolution with facial priors,”in Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition,2018,pp.2492–2501;[5]K.Grm,W.J.Scheirer and V."Face Hallucination Using Cascaded Super-Resolution and Identity Priors,"in IEEE Transactions on Image Processing,vol.29,pp.2150-2165,2020】。
发明内容
本发明的目的就在于克服上述背景技术的不足,提供一种多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法。本发明是一种基于循环卷积网络,特征迭代增强与人脸结构先验融合的渐进高倍人脸图像超分辨率系统及其方法,通过引入反馈机制,对提取的深度人脸特征和人脸结构特征进行迭代增强,有效改善了低分辨率人脸图像的高倍放大图像质量。
本发明的目的是这样实现的:
本发明的技术思路是:
首先采用初级的卷积神经网络对输入的低分辨率人脸图像进行特征变换与上采样,得到初始的2倍放大的人脸特征表示;然后,利用多阶级联的循环卷积网络,迭代增强人脸图像的深度特征表示并进行维度的逐级放大;然后利用单层卷积网络对高倍放大的人脸深度特征表示进行变换,得到高倍放大的人脸残差图像;最后,利用双线性插值方法生成高倍放大人脸图像的估计值,并与高倍放大的人脸残差图像进行相加运算,得到高质量的高倍放大人脸图像。本发明通过采用多阶特征循环增强与上采样技术有效改进高倍放大网络的特征提取能力,并通过引入多尺度损失监督网络训练,保障了低分辨率人脸图像的高倍超分辨率重构质量。
本发明的技术方案是:
一、多阶特征循环增强的渐进高倍人脸超分辨率系统(简称系统)
本系统包括低分辨率人脸图像和高分辨率人脸图像,设置有初级特征提取与上采样模块、多阶特征循环增强与上采样模块、残差人脸生成模块、初始人脸超分辨率模块、加法器模块;
其交互关系是:低分辨率人脸图像、初级特征提取与上采样模块、多阶特征循环增强与上采样模块、残差人脸生成模块、加法器模块和高分辨率人脸图像依次交互;
低分辨率人脸图像、初始人脸超分辨率模块和加法器模块依次交互;
所述的初级特征提取与上采样模块对输入的低分辨率人脸图像A进行多层卷积运算,产生维度放大2倍的特征表示F0;
所述的多阶特征循环增强与上采样模块包括依次交互的第1、2…N特征循环增强与上采样单元21、22…2N,N设定为2用于8倍因子的超分辨率;
所述的残差人脸生成模块接收多阶特征循环增强与上采样模块的输出,通过卷积运算,生成高倍放大人脸图像的残差图像;
所述的初始人脸超分辨率模块接收输入的低分辨率人脸图像,采样经典的双线性插值算法,生成高倍放大的人脸图像的估计值;
所述的加法器模块接收残差人脸生成模块和初始人脸超分辨率模块的输出,通过加法运算,生成高分辨率人脸图像输出。
二、多阶特征循环增强的渐进高倍人脸超分辨率方法(简称方法)
本方法包括下列步骤:
①初级特征提取与上采样
初级特征提取与上采样模块接收输入的低分辨率人脸图像,采用多层卷积神经网络,生成低分辨率人脸图像的维度2倍放大的特征表示F0;
②多阶特征循环增强与上采样;
③残差人脸生成
残差人脸生成模块接收多阶特征循环增强与上采样模块的输出FN,通过单层卷积运算生成残差人脸图像;
④初始人脸超分辨率
初始人脸超分辨率模块,接收输入的低分辨率人脸图像,采用经典的双线性插值方法,生成高倍放大的高分辨率人脸图像的初始估计值;
⑤高分辨人脸生成
加法器模块接收初始人脸超分辨率模块和残差人脸生成模块的输出,通过相加运算,生成最终的高倍放大的高分辨率人脸图像。
工作机理:
本发明的实现总体分为两个阶段:第一阶段,采用初级特征提取与上采样模块、多阶特征循环增强与上采样模块、残差人脸生成模块,由已知的低分辨率图像估计高分辨率人脸图像的残差图像;
第二阶段,利用初始人脸超分辨率模块生成高分辨率人脸图像的估计值,并利用加法器,对高分辨率人脸图像的估计值与高分辨率人脸图像的残差图像进行相加运算,生成高质量的高分辨率人脸图像。
与现有技术相比,本发明具有下列优点和积极效果:
本发明在更好提升高倍人脸超分辨率重构图像质量的同时,可得到系统复杂度的有效降低;适用于视频监控等应用。
附图说明
图1是本系统的结构方框图;
图1中:
10—初级特征提取与上采样模块(IFEU);
20—多阶特征循环增强与上采样模块,
21—第1特征循环增强与上采样单元(FREU1),
22—第2特征循环增强与上采样单元(FREU2),
…
2N—第N特征循环增强与上采样单元(FREUN),
N在本发明中设定为2用于8倍超分辨率。
30—残差人脸生成模块(RFG);
40—初始人脸超分辨率模块(IFSR);
A—低分辨率人脸图像;
B—高分辨率人脸图像。
图2是本系统的特征循环增强与上采样单元的内部结构框图;
图2中:
201—第1特征融合单元(FF1);
202—结构特征提取单元(SFE);
203—深度特征提取单元(DFE);
204—第2特征融合单元(FF2);
205—特征上采样单元(FU)。
图3是本方法与同类方法的人脸超分辨率性能比较表。
具体实施方式
下面结合附图和实施例详细说明:
一、系统
1、总体
如图1,本系统包括低分辨率人脸图像A和高分辨率人脸图像B,设置有初级特征提取与上采样模块10、多阶特征循环增强与上采样模块20、残差人脸生成模块30、初始人脸超分辨率模块40、加法器模块50;
其交互关系是:
低分辨率人脸图像A、初级特征提取与上采样模块10、多阶特征循环增强与上采样模块20、残差人脸生成模块30、加法器模块50和高分辨率人脸图像B依次交互;
低分辨率人脸图像A、初始人脸超分辨率模块40和加法器模块50依次交互。
详细地说:初级特征提取模块10有一个输入端、一个输出端,多阶特征循环增强与上采样模块20有一个输入端和一个输出端,残差人脸生成模块30有一个输入端和一个输出端,初始人脸超分辨率模块40有一个输入端和一个输出端、加法器模块50有两个输入端和一个输出端;
初级特征提取模块10的输入端和初始人脸超分辨率模块40的输入端同时连接到系统的输入端即低分辨率人脸图像A;
多阶特征循环增强与上采样模块20的第1特征循环增强与上采样单元21、第2特征循环增强与上采样单元22…第N特征循环增强与上采样单元2N依次交互;
特征循环增强与上采样单元包括第1特征融合单元201、并行的结构特征提取单元202和深度特征提取单元203、第2特征融合单元204和特征上采样单元205,第1特征融合单元201接收前一级单元的输出和第2特征融合单元204的输出,结构特征提取单元202和深度特征提取单元203同样接收第1特征融合单元201的输出,第2特征融合单元204的两个输入端分别与结构特征提取单元202和深度特征提取单元203的输出端交互,第2特征融合单元204的输出端与特征上采样单元205的输入端交互;
加法器模块50的两个输入端分别与残差人脸生成模块30和初始人脸超分辨率模块40的输出端交互,加法器模块50的输出端为系统的输出端即高分辨率人脸图像B。
2、功能模块
1)初级特征提取与上采样模块10
如图1,初级特征提取与上采样模块10对输入的低分辨率人脸图像A进行多层卷积运算,产生维度放大2倍的特征表示F0。
其工作流程是:从左到右、从上到下依次扫描输入数据块的每一元素直到结束,按顺序每次接收输入的数据块的一个元素及其规定领域范围的元素,与卷积层单元包含的多组尺寸相同的卷积核分别进行卷积和运算,输出结果按同样次序进行排列。
初级特征提取与上采样模块10和其它模块之间的关系:
初级特征提取与上采样模块10接收输入的低分辨率人脸图像A,通过多层卷积运算,得到低分辨率人脸的维度放大2倍的初级特征表示,送入多阶特征循环增强与上采样模块20。
2)多阶特征循环增强与上采样模块20
如图1,多阶特征循环增强与上采样模块20包括依次交互的第1、2…N特征循环增强与上采样单元21、22…2N,N设定为2用于8倍因子的超分辨率。
多阶特征循环增强与上采样模块20包含的N级特征循环增强与上采样单元,分别接收前一级单元的输出,首先通过多次循环的输入特征融合、两通路的特征提取和后端的特征融合,然后通过特征上采样,产生新的维度放大2倍的深度特征表示;
如图2,特征循环增强与上采样单元包括第1特征融合单元201、并行的结构特征提取单元202和深度特征提取单元203、第2特征融合单元204和特征上采样单元205;第1特征融合单元201的一个输入端接收前一级单元的输出、另一输入端接收第2特征融合单元204的输出,结构特征提取单元202和深度特征生成单元203同样接收第1特征融合单元201的输出,第2特征融合单元204的两个输入端分别与结构特征生成单元202和深度特征生成单元203的输出端交互,特征融合单元204的输出端同时与特征上采样单元205的输入端交互。
多阶特征循环增强与上采样模块20的工作流程是:
A、多阶特征循环增强与上采样模块20内的第1特征循环增强与上采样单元(FREU1)21,接收初级特征提取与上采样模块20输出的特征表示F0,通过第1特征融合单元(FF1)201卷积网络对输入的特征表示F0和第2特征融合单元(FF2)204输出的特征表示Ff2进行融合,得到融合特征表示Ff1,然后并行输入到两路不同的卷积网络包括深度特征提取单元(DFE)203和结构特征提取单元(SFE)202,对应生成人脸图像的深度特征F11和结构特征F12,然后通过第2特征融合单元(FF2)204卷积网络得到融合特征表示Ff2,此过程重复多次,最后经过特征上采样单元(FU)205卷积网络得到维度进一步放大2倍的特征表示F1;
B、第2特征循环增强与上采样单元(FREU2)22,采用结构与第1特征循环增强与上采样单元(FREU1)21相同的多个卷积网络,接收特征表示F1,生成新的维度再次放大2倍的特征表示F2;
C、第3特征循环增强与上采样单元(FREU3)23,采用结构与第1特征循环增强与上采样单元(FREU1)21相同的多个卷积网络,接收特征F2,生成新的维度再次放大2倍的特征表示F3;
D、照此执行,最后的第N特征循环增强与上采样单元(FREUN)2N接收特征表示FN-1,生成新的维度再次放大2倍的特征表示FN。
3)残差人脸生成模块30
残差人脸生成模块30接收多阶特征循环增强与上采样模块20的输出,通过卷积运算,生成高倍放大人脸图像的残差图像;
4)初始人脸超分辨率模块40
初始人脸超分辨率模块40接收输入的低分辨率人脸图像A,采样经典的双线性插值算法,生成高倍放大的人脸图像的估计值;
5)加法器模块50
加法器模块50接收残差人脸生成模块30和初始人脸超分辨率模块40的输出,通过加法运算,生成高分辨率人脸图像B输出。
二、方法
1、步骤①
初级特征提取与上采样模块10对接收的低分辨率输入图像y进行卷积运算,得到低分辨率图像y的维度放大2倍的特征表示F0,数学公式表示为:
F0=fIFEU(y,θ0),
其中:
fIFEU()代表初级特征提取卷积网络,θ0为网络参数。
2、步骤②
多阶特征循环增强与上采样模块20对接收的低分辨率输入图像y的特征表示F0,采用多阶级联的循环卷积神经网络,进行特征循环增强与上采样变换,得到低分辨率图像y的维度逐渐放大的特征表示F1、F2…FN;第i级特征循环增强与上采样模块功能的数学公式表示为:
Fi=fFREU(Fi-1,θi),i=1,2,…,N
其中:Fi为输出,Fi-1为输入,fFREU()代表循环卷积与上采样网络,θi为网络参数。
3、步骤③
残差人脸生成模块30接收多阶特征循环增强与上采样模块20送入的低分辨率图像的高倍上采样的深度特征表示FN,通过单层卷积运算,得到高分辨率人脸图像的残差估计r,数学表示为:
r=fres(FN,θr)
其中的fres()为残差人脸生成卷积网络,θr为网络参数。
4、步骤④
初始人脸超分辨率模块40对接收的低分辨率输入图像y进行双线性插值运算,得到低分辨率输入图像y的维度放大2N+1倍的高分辨率人脸图像的估计值p,数学表示为:
p=fbi(y)
其中的fbi()表示双线性插值运算。
5、步骤⑤
加法器模块50对接收的高分辨率人脸的估计值p和残差估计r进行相加运算,得到低分辨率输入图像y的维度放大2N+1倍的高分辨率人脸图像输出。
三、实验评估
为了证明本发明实施例的有效性,发明人在pytorch深度学习框架下进行了实验评估。实验平台配置2张Nvidia GeForce GTX 1080 Ti显卡。多阶特征循环增强与上采样模块的级联层数选取为N=2用于人脸图像的8倍放大,每个特征循环增强与上采样单元的深度特征提取(DFE)单元为残差密集卷积网络,结构特征提取(SFE)单元为沙漏卷积网络,两个特征融合单元均为单层卷积网络。测试系统性能用平均PSNR和MS-SSIM指标度量。训练方法选用Adam法,相关参数设置为β1=0.9,β2=0.999和ε=10-8;学习率为0.0001,Batchsize大小为6。网络训练定义的损失函数为所有不同分辨率图像的绝对误差与结构特征损失的加权和,网络训练采用端对端训练。
图3给出了本发明方法与同类方法的图像重构性能比较结果。
由此可见:本发明在改善重构图像质量方面具有良好表现。
本领域的技术人员可以对本发明实施例进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (4)
1.一种多阶特征循环增强的渐进高倍人脸超分辨率系统,其特征在于:
包括低分辨率人脸图像(A)和高分辨率人脸图像(B),设置有初级特征提取与上采样模块(10)、多阶特征循环增强与上采样模块(20)、残差人脸生成模块(30)、初始人脸超分辨率模块(40)、加法器模块(50);
其交互关系是:
低分辨率人脸图像(A)、初级特征提取与上采样模块(10)、多阶特征循环增强与上采样模块(20)、残差人脸生成模块(30)、加法器模块(50)和高分辨率人脸图像(B)依次交互;
低分辨率人脸图像(A)、初始人脸超分辨率模块(40)和加法器模块(50)依次交互;
所述的初级特征提取与上采样模块(10)对输入的低分辨率人脸图像(A)进行多层卷积运算,产生维度放大2倍的特征表示F0;
所述的多阶特征循环增强与上采样模块(20)包括依次交互的第1、2…N特征循环增强与上采样单元21、22…2N,N设定为2用于8倍因子的超分辨率;
所述的残差人脸生成模块(30)接收多阶特征循环增强与上采样模块(20)的输出,通过卷积运算,生成高倍放大人脸图像的残差图像;
所述的初始人脸超分辨率模块(40)接收输入的低分辨率人脸图像(A),采样经典的双线性插值算法,生成高倍放大的人脸图像的估计值;
所述的加法器模块(50)接收残差人脸生成模块(30)和初始人脸超分辨率模块(40)的输出,通过加法运算,生成高分辨率人脸图像(B)输出。
2.按权利要求1所述的渐进高倍人脸超分辨率系统,其特征在于:
所述的初级特征提取与上采样模块(10)其工作流程是:从左到右、从上到下依次扫描输入数据块的每一元素直到结束,按顺序每次接收输入的数据块的一个元素及其规定领域范围的元素,与卷积层单元包含的多组尺寸相同的卷积核分别进行卷积和运算,输出结果按同样次序进行排列。
3.按权利要求1所述的渐进高倍人脸超分辨率系统,其特征在于:
所述的多阶特征循环增强与上采样模块(20)的工作流程是:
A、多阶特征循环增强与上采样模块(20)内的第1特征循环增强与上采样单元(21),接收初级特征提取与上采样模块(20)输出的特征表示F0,通过第1特征融合单元(201)卷积网络对输入的特征表示F0和第2特征融合单元(204)输出的特征表示Ff2进行融合,得到融合特征表示Ff1,然后并行输入到两路不同的卷积网络包括深度特征提取单元(203)和结构特征提取单元(202),对应生成人脸图像的深度特征F11和结构特征F12,然后通过第2特征融合单元(204)卷积网络得到融合特征表示Ff2,此过程重复多次,最后经过特征上采样单元(205)卷积网络得到维度进一步放大2倍的特征表示F1;
B、第2特征循环增强与上采样单元(22),采用结构与第1特征循环增强与上采样单元(21)相同的多层卷积网络,接收特征表示F1,生成新的维度再次放大2倍的特征表示F2;
C、第3特征循环增强与上采样单元(23),采用结构与第1特征循环增强与上采样单元(21)相同的多层卷积网络,接收特征F2,生成新的维度再次放大2倍的特征表示F3;
D、照此执行,最后的第N特征循环增强与上采样单元2N接收特征表示FN-1,生成新的维度再次放大2倍的特征表示FN。
4.基于权利要求1、2或3系统的渐进高倍人脸超分辨率的方法,其特征在于包括下列步骤:
①初级特征提取与上采样
初级特征提取与上采样模块(10)接收输入的低分辨率人脸图像(A),采用多层卷积神经网络,生成低分辨率人脸图像的维度2倍放大的特征表示F0;
②多阶特征循环增强与上采样;
③残差人脸生成
残差人脸生成模块(30)接收多阶特征循环增强与上采样模块的输出FN,通过单层卷积运算生成残差人脸图像;
④初始人脸超分辨率
初始人脸超分辨率模块(40),接收输入的低分辨率人脸图像,采用经典的双线性插值方法,生成高倍放大的高分辨率人脸图像的初始估计值;
⑤高分辨人脸生成
加法器模块(50)接收初始人脸超分辨率模块(40)和残差人脸生成模块(30)的输出,通过相加运算,生成最终的高倍放大的高分辨率人脸图像(B)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207247.2A CN112270645B (zh) | 2020-11-03 | 2020-11-03 | 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207247.2A CN112270645B (zh) | 2020-11-03 | 2020-11-03 | 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270645A true CN112270645A (zh) | 2021-01-26 |
CN112270645B CN112270645B (zh) | 2022-05-03 |
Family
ID=74345690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011207247.2A Active CN112270645B (zh) | 2020-11-03 | 2020-11-03 | 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270645B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311145A (zh) * | 2022-08-12 | 2022-11-08 | 中国电信股份有限公司 | 图像处理方法及装置、电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374197A1 (en) * | 2016-11-30 | 2018-12-27 | Boe Technology Group Co., Ltd. | Human face resolution re-establishing method and re-establishing system, and readable medium |
CN109978785A (zh) * | 2019-03-22 | 2019-07-05 | 中南民族大学 | 多级递归特征融合的图像超分辨率重构系统及其方法 |
CN110288524A (zh) * | 2019-05-09 | 2019-09-27 | 广东启迪图卫科技股份有限公司 | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 |
-
2020
- 2020-11-03 CN CN202011207247.2A patent/CN112270645B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374197A1 (en) * | 2016-11-30 | 2018-12-27 | Boe Technology Group Co., Ltd. | Human face resolution re-establishing method and re-establishing system, and readable medium |
CN109978785A (zh) * | 2019-03-22 | 2019-07-05 | 中南民族大学 | 多级递归特征融合的图像超分辨率重构系统及其方法 |
CN110288524A (zh) * | 2019-05-09 | 2019-09-27 | 广东启迪图卫科技股份有限公司 | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311145A (zh) * | 2022-08-12 | 2022-11-08 | 中国电信股份有限公司 | 图像处理方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112270645B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anwar et al. | Densely residual laplacian super-resolution | |
CN109978785B (zh) | 多级递归特征融合的图像超分辨率重构系统及其方法 | |
Huang et al. | Interpretable detail-fidelity attention network for single image super-resolution | |
Xue et al. | Wavelet-based residual attention network for image super-resolution | |
Li et al. | FilterNet: Adaptive information filtering network for accurate and fast image super-resolution | |
CN112801877B (zh) | 一种视频帧的超分辨率重构方法 | |
CN112070702B (zh) | 多尺度残差特征判别增强的图像超分辨率重构系统及方法 | |
Fan et al. | Compressed multi-scale feature fusion network for single image super-resolution | |
Li et al. | On efficient transformer-based image pre-training for low-level vision | |
Zhang et al. | Accurate and efficient image super-resolution via global-local adjusting dense network | |
Gunasekaran | Ultra sharp: Study of single image super resolution using residual dense network | |
Guo et al. | Dual-view attention networks for single image super-resolution | |
Yang et al. | Lightweight group convolutional network for single image super-resolution | |
CN112270645B (zh) | 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 | |
Qin et al. | Lightweight single image super-resolution with attentive residual refinement network | |
Fang et al. | High-resolution optical flow and frame-recurrent network for video super-resolution and deblurring | |
Liu et al. | An efficient group skip-connecting network for image super-resolution | |
Xing et al. | Residual swin transformer channel attention network for image demosaicing | |
Jang et al. | Dual path denoising network for real photographic noise | |
Fan et al. | An empirical investigation of efficient spatio-temporal modeling in video restoration | |
Xiang et al. | Boosting high-level vision with joint compression artifacts reduction and super-resolution | |
Gopan et al. | Video super resolution with generative adversarial network | |
Wu et al. | Dcanet: Dual convolutional neural network with attention for image blind denoising | |
Purohit et al. | Scale-recurrent multi-residual dense network for image super-resolution | |
Niu et al. | ACDMSR: Accelerated Conditional Diffusion Models for Single 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |