CN112288632B - 基于精简esrgan的单图像超分辨率方法及系统 - Google Patents
基于精简esrgan的单图像超分辨率方法及系统 Download PDFInfo
- Publication number
- CN112288632B CN112288632B CN202011178157.5A CN202011178157A CN112288632B CN 112288632 B CN112288632 B CN 112288632B CN 202011178157 A CN202011178157 A CN 202011178157A CN 112288632 B CN112288632 B CN 112288632B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- super
- discriminator
- resolution 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003321 amplification Effects 0.000 abstract description 2
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007634 remodeling Methods 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明涉及一种基于精简ESRGAN的单图像超分辨率方法，包括以下步骤：步骤S1:获取待处理低分辨图像，并预处理；步骤S2:根据预处理后的图像，通过改进型单图像超分辨率生成对抗网络中的生成器模块，生成超分辨率图像，若模型处于训练阶段，则进行步骤S3，否则进行步骤S4；步骤S3:构建判别器，并将判别器用于判断超分辨率图像是否为真实的高分辨率图像，根据判别器得到的结果进行反向传播，优化生成器，重新进行步骤S2；步骤S4:对得到的超分辨率图像进行边缘修复处理，得到最终的超分辨率图像。本发明解决图像放大后的边缘修复问题，去除边缘锯齿效应和块效应，使得图像更加平滑，从而较好地实现单图像超分辨率重建。
Description
技术领域
本发明涉及图像超分辨率领域，具体涉及一种基于精简ESRGAN的单图像超分辨率方法及系统。
背景技术
图像的超分辨率重建旨在研究从低分辨率(LR)图像生成视觉效果更好的超分辨率(SR)图像，广泛地应用于游戏概型分辨率重塑、医疗军事等领域，为人们提供便捷自动化的工具，提升图像的质量和利用价值。
目前图像的超分辨率重建研究主要分为三类：
基于插值的超分辨率重建。图像插值是指利用已知邻近像素点的灰度值来产生未知像素点的灰度值，以便由原始图像再生出具有更高分辨率的图像。超分辨率图像重建方法有很多，基于插值的超分辨率重建方法在效率方面较其他方法有着显著的优势，常用的插值方法有三种，一是最近邻插值，该方法中需要插值的点是由与它最近点的灰度值决定的，所以该方法计算方面相较简单且插值速度快。二是双线性插值，其主要思想是分别在水平与垂直两个上进行插值，与上述方法对比，该方法可以很好的克服最近邻插值引起的图像边缘锯齿效应，还可以对重建出的图像边缘做一定的平滑化处理。三是双三次插值，该方法较上述两种方法复杂，主要思想是利用待插值点周围上下左右四个领域内的一共有16个像素点分别进行三次插值，其计算量大，时间复杂度较高，但是它可以很好的消除边缘锯齿效应和块效应，其插值后的图像的视觉效果会明显好于前两种。
基于重建的超分辨率重建。主要思想是要对重建的高分辨率图像进行线性约束，这种约束是通过所观测到的分辨率较低的图像实现的，其本质是对图像的降质流程进行建模的一个过程，其中运动估计和提取图像的先验信息是该算法较为关键的两个技术，涉及到的方法主要包括以下三类，一是最大后验概率算法，这是一种将基于概率论的知识应用到超分辨率图像重建的问题中后发现的算法。二是凸集投影法，最早该方法是通过迭代的方式来求解已经得到的一系列约束凸集的交集，从而得出高分辨率图。三是最大似然估计、凸集投影混合方法，它是在统计理论和集体概念理论的基础之上，将最大后验概率算法和所获得的一些前向观测模型结合起来实现的。
基于学习的超分辨率重建。在深度学习中提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性，但是在学习过程中图像从低分辨率到高分辨率的扩展易引入模糊或是噪声，图像插补模型的不合适导致局部过于锐化或过于平滑，亦有些深层网络中的密集网络无法让程序高效运行，在重建超分辨率图像的同时精度存在丢失，在深层网络之中BN层的引入将会产生不符合人们所期望的伪影等问题依然存在。
发明内容
有鉴于此，本发明的目的在于提供一种基于精简ESRGAN的单图像超分辨率方法及系统，将低分辨率图像转化为较高分辨率的图像，并使用双三次插值进行后处理，解决图像放大后的边缘修复问题，去除边缘锯齿效应和块效应，使得图像更加平滑，从而较好地实现单图像超分辨率重建。
为实现上述目的，本发明采用如下技术方案：
一种基于精简ESRGAN的单图像超分辨率方法，包括以下步骤：
步骤S1:获取待处理低分辨图像，并预处理；
步骤S2:根据预处理后的图像，通过改进型单图像超分辨率生成对抗网络中的生成器模块，生成超分辨率图像，若模型处于训练阶段，则进行步骤S3，否则进行步骤S4；
步骤S3:构建判别器，并将判别器用于判断超分辨率图像是否为真实的高分辨率图像，根据判别器得到的结果进行反向传播，优化生成器，重新进行步骤S2；
步骤S4:对得到的超分辨率图像进行边缘修复处理，得到最终的超分辨率图像。
进一步的，所述步骤S1具体为：
步骤S11:利用Pytorch中的数据加载程序来裁剪图像,使用N*N的滑动窗口来裁剪子图像；
步骤S12:将图像转化为LMDB格式。
进一步的，所述改进型单图像超分辨率生成对抗网络基于ESRGAN网络提出改进，将基本块即23个RRDB替换为16个SR-RESNET模块，并保持ESRGAN的高级体系结构。
进一步的，所述改进型单图像超分辨率生成对抗网络具体为：
由残差网络、升采样模块以及多个卷积层组合而成，残差网络由16个去除了BN层的SR-ResNet模块构成；
升采样模块根据残差网络计算得到的特征将输入的低分辨率图像转化为高分辨率图像
训练时，定义生成器损失
如下：
其中，DRa为相对平均判别器，E(X)表示X的期望值。生成器的损失包括真实图像Xr和虚假图像Xf的损失。
进一步的，所述步骤S3具体为：
步骤S31:采用十个卷积核对输入的图像进行卷积操作以提取图像的卷积特征；
步骤S32:通过线性分类器对卷积特征进行计算，得到输入的图像是真实的高分辨率图像的概率，从而判断该图像是否为高分辨率图像。
进一步的，所述判别器，在训练时，采用相对平均判别器，具体公式如下：
其中，C(X)表示判别器线性层的输出，这里σ表示Sigmoid函数，E表示期望；相对平均判别器通过DRa＝(Xa，Xb)接近一来表示Xa比Xb更真实；
判别器损失公式如下：
进一步的，所述判别器还包括：使用去除了BN层的预训练VGG-19网络分别提取生成图像和真实图像的特征，在经过激活函数之前计算两个特征之间的感知损失
设置两个系数λ、μ，来平衡不同损失的总生成损失,总损失定义如下：
其中内容损失为：
进一步的，所述步骤S4采用双三次插值对得到的超分辨率图像进行处理，消除边缘锯齿效应和块效应。
一种基于精简ESRGAN的单图像超分辨率方法的系统，包括
图像预处理模块，用于裁剪子图像以加快输入输出操作；
生成器模块，用于将低分辨率图像转化为高分辨率图像；
判别器模块，用于判断所生成图像是否为高分辨率图像；
后处理模块，用于处理图像放大后的边缘修复问题，去除边缘锯齿效应和块效应，使得图像更加平滑。
本发明与现有技术相比具有以下有益效果：
本发明将低分辨率图像转化为较高分辨率的图像，并使用双三次插值进行后处理，解决图像放大后的边缘修复问题，去除边缘锯齿效应和块效应，使得图像更加平滑，从而较好地实现单图像超分辨率重建。
附图说明
图1是本发明方法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于精简ESRGAN的单图像超分辨率方法，包括以下步骤：
步骤S1:获取待处理低分辨图像，并预处理；
步骤S2:根据预处理后的图像，通过改进型单图像超分辨率生成对抗网络中的生成器模块，生成超分辨率图像，若模型处于训练阶段，则进行步骤S3，否则进行步骤S4；
步骤S3:构建判别器，并将判别器用于判断超分辨率图像是否为真实的高分辨率图像，根据判别器得到的结果进行反向传播，优化生成器，重新进行步骤S2；
步骤S4:对得到的超分辨率图像进行边缘修复处理，得到最终的超分辨率图像。
在本实施例中，所述步骤S1具体为：
步骤S11:利用Pytorch中的数据加载程序来裁剪图像,使用128*128的滑动窗口来裁剪子图像以加快输入输出操作；
步骤S12:将图像转化为LMDB格式。
在本实施例中，所述改进型单图像超分辨率生成对抗网络基于ESRGAN网络提出改进，将基本块即23个RRDB替换为16个SR-RESNET模块，并保持ESRGAN的高级体系结构。
改进型单图像超分辨率生成对抗网络由残差网络、升采样模块以及多个卷积层组合而成，残差网络由16个去除了BN层的SR-ResNet模块构成；是一个较为精简的网络结构。使用残差网络可以保证梯度信息有效的传递，避免神经网络随着层数的增加而退化，从而增强生成对抗网络(GAN)的鲁棒性。
升采样模块根据残差网络计算得到的特征将输入的低分辨率图像转化为高分辨率图像；同时，去除了生成器网络中的所有BN层，增强生成后图像纹理的真实感。
训练时，定义生成器损失
如下：
其中，DRa为相对平均判别器，E(X)表示X的期望值。生成器的损失包括真实图像Xr和虚假图像Xf的损失。一般倾向于认为，无论是生成的图像还是虚假的图像都有利于生成器获得良好的梯度。DRa＝(Xa，Xb)接近一来表示Xa比Xb更真实。
在本实施中，所述步骤S3具体为：
步骤S31:采用十个卷积核对输入的图像进行卷积操作以提取图像的卷积特征；
步骤S32:通过线性分类器对卷积特征进行计算，得到输入的图像是真实的高分辨率图像的概率，从而判断该图像是否为高分辨率图像。
在训练判别器模块时，使用了相对平均判别器，可以促使生成器生成具有更丰富的纹理和更加锐利的边缘的图像，具体公式如下：
其中，C(X)表示判别器线性层的输出，这里σ表示Sigmoid函数，E表示期望。相对平均判别器通过DRa＝(Xa，Xb)接近一来表示Xa比Xb更真实。类似地，判别器损失公式如下：
为了进一步提高感知的质量，在激活函数之前使用有效的感知损失LP，具体地说，使用去除了BN层的预训练VGG-19网络分别提取生成图像和真实图像的特征，在经过激活函数之前计算两个特征之间的感知损失。由于Sparce激活特性,在深度网络中采用感知域损失可能会导致性能下降。故尝试微调VGG-19网络，使其学习更详细的纹理和平滑的边缘。
为了计算生成的图像G(X)和接近真值Y之间的内容损失L1，这里设置了两个系数λ、μ，来平衡不同损失的总生成损失。同时，由于RMSE的限制，采用通过设置权重变大的方法来解决。总损失定义如下：
其中内容损失为：
在本实施例中，所述步骤S4采用双三次插值对得到的超分辨率图像进行处理，消除边缘锯齿效应和块效应。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种基于ESRGAN的单图像超分辨率方法，其特征在于，包括以下步骤：
步骤S1:获取待处理低分辨图像，并预处理；
步骤S2:根据预处理后的图像，通过改进型单图像超分辨率生成对抗网络中的生成器模块，生成超分辨率图像，若模型处于训练阶段，则进行步骤S3，否则进行步骤S4；
步骤S3:构建判别器，并将判别器用于判断超分辨率图像是否为真实的高分辨率图像，根据判别器得到的结果进行反向传播，优化生成器，重新进行步骤S2；
步骤S4:对得到的超分辨率图像进行边缘修复处理，得到最终的超分辨率图像；
所述改进型单图像超分辨率生成对抗网络基于ESRGAN网络提出改进，将基本块即23个RRDB替换为16个SR-RESNET模块，并保持ESRGAN的高级体系结构；
所述改进型单图像超分辨率生成对抗网络具体为：
由残差网络、升采样模块以及多个卷积层组合而成，残差网络由16个去除了BN层的SR-ResNet模块构成；
升采样模块根据残差网络计算得到的特征将输入的低分辨率图像转化为高分辨率图像；
训练时，定义生成器损失
如下：
其中，DRa为相对平均判别器，相对平均判别器通过DRa(Xr，Xf)值接近1来表示Xr比Xf更真实或者DRa(Xf，Xr)值接近1来表示Xf比Xr更真实；E(X)表示X的期望值，生成器的损失包括真实图像Xr和虚假图像Xf的损失；
所述步骤S3具体为：
步骤S31：采用十个卷积核对输入的图像进行卷积操作以提取图像的卷积特征；
步骤S32：通过线性分类器对卷积特征进行计算，得到输入的图像是真实的高分辨率图像的概率，从而判断该图像是否为高分辨率图像。
2.根据权利要求1所述的基于ESRGAN的单图像超分辨率方法，其特征在于，所述步骤S1具体为：
步骤S11：利用Pytorch中的数据加载程序来裁剪图像，使用N*N的滑动窗口来裁剪子图像；
步骤S12：将图像转化为LMDB格式。
3.根据权利要求1所述的基于ESRGAN的单图像超分辨率方法，其特征在于，所述判别器，在训练时，采用相对平均判别器，具体公式如下：
其中，Xr为真实图像，Xf为虚假图像，C(X)表示输入为X的判别器线性层的输出，这里σ表示Sigmoid函数，E表示期望；
判别器损失公式如下：
4.根据权利要求3所述的基于ESRGAN的单图像超分辨率方法，其特征在于，所述判别器还包括：使用去除了BN层的预训练VGG-19网络分别提取生成图像和真实图像的特征，在经过激活函数之前计算两个特征之间的感知损失；
设置两个系数λ、μ，来平衡不同损失的总生成损失,总损失定义如下：
其中内容损失为：
其中
为生成器损失。
5.根据权利要求1所述的基于ESRGAN的单图像超分辨率方法，其特征在于，所述步骤S4采用双三次插值对得到的超分辨率图像进行处理，消除边缘锯齿效应和块效应。
6.一种用于实现权利要求1-5任一所述单图像超分辨率方法的系统，其特征在于，包括
图像预处理模块，用于裁剪子图像以加快输入输出操作；
生成器模块，用于将低分辨率图像转化为高分辨率图像；
判别器模块，用于判断所生成图像是否为高分辨率图像；
后处理模块，用于处理图像放大后的边缘修复问题，去除边缘锯齿效应和块效应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011178157.5A CN112288632B (zh) | 2020-10-29 | 2020-10-29 | 基于精简esrgan的单图像超分辨率方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011178157.5A CN112288632B (zh) | 2020-10-29 | 2020-10-29 | 基于精简esrgan的单图像超分辨率方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112288632A CN112288632A (zh) | 2021-01-29 |
| CN112288632B true CN112288632B (zh) | 2023-02-28 |
Family
ID=74372713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011178157.5A Active CN112288632B (zh) | 2020-10-29 | 2020-10-29 | 基于精简esrgan的单图像超分辨率方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288632B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907448A (zh) * | 2021-02-09 | 2021-06-04 | 长视科技股份有限公司 | 一种任意比率图像超分辨率方法、系统、设备及存储介质 |
| CN113034361B (zh) * | 2021-03-03 | 2022-10-14 | 深圳市数字城市工程研究中心 | 一种基于改进esrgan的遥感影像超分重建方法 |
| CN113099038B (zh) * | 2021-03-08 | 2022-11-22 | 北京小米移动软件有限公司 | 图像超分处理方法、图像超分处理装置及存储介质 |
| CN113177888A (zh) * | 2021-04-27 | 2021-07-27 | 北京有竹居网络技术有限公司 | 超分修复网络模型生成方法、图像超分修复方法及装置 |
| CN115100044B (zh) * | 2022-08-26 | 2022-12-27 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于三生成器生成对抗网络的内窥镜超分辨方法、系统 |
| CN116612213A (zh) * | 2023-07-19 | 2023-08-18 | 南京硅基智能科技有限公司 | 基于人脸重演算法的数字名片生成方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2948922A1 (en) * | 2013-01-24 | 2015-12-02 | Thomson Licensing | Method and apparatus for performing super-resolution of single images |
| CN110363704A (zh) * | 2019-05-29 | 2019-10-22 | 西北大学 | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 |
| CN111062872A (zh) * | 2019-12-17 | 2020-04-24 | 暨南大学 | 一种基于边缘检测的图像超分辨率重建方法及系统 |
-
2020
- 2020-10-29 CN CN202011178157.5A patent/CN112288632B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2948922A1 (en) * | 2013-01-24 | 2015-12-02 | Thomson Licensing | Method and apparatus for performing super-resolution of single images |
| CN110363704A (zh) * | 2019-05-29 | 2019-10-22 | 西北大学 | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 |
| CN111062872A (zh) * | 2019-12-17 | 2020-04-24 | 暨南大学 | 一种基于边缘检测的图像超分辨率重建方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度学习的人脸检测与对齐研究;安鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200715;全文 * |
| 基于深度生成对抗网络的素描模拟画像还原技术研究;仝宗和;《中国优秀博硕士学位论文全文数据库(硕士)社会科学Ⅰ辑》;20200815;摘要，第11,57-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112288632A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288632B (zh) | 基于精简esrgan的单图像超分辨率方法及系统 | |
| Lim et al. | DSLR: Deep stacked Laplacian restorer for low-light image enhancement | |
| CN111062872B (zh) | 一种基于边缘检测的图像超分辨率重建方法及系统 | |
| 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 | |
| CN111105352B (zh) | 超分辨率图像重构方法、系统、计算机设备及存储介质 | |
| WO2022267641A1 (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
| CN110796622B (zh) | 一种基于串联神经网络多层特征的图像比特增强方法 | |
| CN112365422B (zh) | 基于深层聚合网络的不规则缺失图像修复方法及其系统 | |
| CN108989731B (zh) | 一种提高视频空间分辨率的方法 | |
| CN112669214B (zh) | 一种基于交替方向乘子算法的模糊图像超分辨率重建方法 | |
| CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
| CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
| CN115880158B (zh) | 一种基于变分自编码的盲图像超分辨率重建方法及系统 | |
| CN111489305B (zh) | 基于强化学习的图像增强方法 | |
| CN116486074A (zh) | 一种基于局部和全局上下文信息编码的医学图像分割方法 | |
| Liu et al. | Facial image inpainting using multi-level generative network | |
| CN113096015B (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
| CN112489103B (zh) | 一种高分辨率深度图获取方法及系统 | |
| CN112634168A (zh) | 一种结合边缘信息的图像修复方法 | |
| CN114862699B (zh) | 基于生成对抗网络的人脸修复方法、装置及存储介质 | |
| CN115100044B (zh) | 基于三生成器生成对抗网络的内窥镜超分辨方法、系统 | |
| Wang | Single image super-resolution with u-net generative adversarial networks | |
| CN112348745B (zh) | 一种基于残差卷积网络的视频超分辨率重构方法 | |
| Cai et al. | Real-time super-resolution for real-world images on mobile devices |
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 |