CN112767251A - 基于多尺度细节特征融合神经网络的图像超分辨率方法 - Google Patents
基于多尺度细节特征融合神经网络的图像超分辨率方法 Download PDFInfo
- Publication number
- CN112767251A CN112767251A CN202110073381.6A CN202110073381A CN112767251A CN 112767251 A CN112767251 A CN 112767251A CN 202110073381 A CN202110073381 A CN 202110073381A CN 112767251 A CN112767251 A CN 112767251A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- features
- residual
- neural network
- 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 52
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 2
- 230000001902 propagating effect Effects 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 37
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像超分辨率重建领域，具体涉及一种基于多尺度细节特征融合神经网络的图像超分辨率方法，该方法包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；本发明在提取特征的过程中，增加了原始图片中的高频信息，通过这种集成的方式，增加了网络的稳定性；另外在残差密集块方面，利用了多层的特征融合机制，增加了语义信息，也加入了通道特征筛选，使整个网络能够更好地表达；并且，在特征提取过程的每个阶段，即每个残差密集块后，加入损失计算，用于反向传播调整特征提取的过程，提高了网络的表达能力以及能够更好地学习重建高分辨率图片。
Description
技术领域
本发明属于图像超分辨率重建领域，具体涉及一种基于多尺度细节特征融合神经网络的图像超分辨率方法。
背景技术
随着计算机技术、信息处理技术和视觉通信技术的高速发展，人类进入了全新的信息化时代。人们所能够获取的知识量呈爆炸式的增长，因此迫切的要求信息处理技术不断的完善和发展，以便能够为人们提供更加方便、快捷和多样化的服务。数字图像及其相关处理技术是信息处理技术的重要内容之一，在很多领域得到了越来越广泛的应用。对于数字图像在一些情况下一般要求是高分辨图像，如：医学图像要求能够显示出人眼不能辨别出的细微病灶；卫星图像要求能辨别出人的脸相甚至是证件；有些检测识别控制装置需要足够高分辨率的图像才能保证测量和控制的精度。因此提高图像分辨率是图像获取领域里追求的一个目标。
提升图像分辨率的常用方法有两种：一种是从硬件角度，通过对成像设备性能的改进来提高图像分辨率，该方法成本较高；二是从软件算法角度，人们通过不同的算法对低质量图像的像素间进行插值从而重构图像的细节特征，即图像的超分辨率重建。该方法有效的避开了硬件技术的限制，减少了设备开销，有很强的实际应用意义，成为目前提高图像分辨率的常用方法。
而近几年深度学习算法在计算机视觉领域取得巨大成功，因此深度学习算法也被应用在图像超分辨的领域中取得了很大的突破。图像超分辨率任务旨在重建图像的局部细节特征，然而深度神经网络算法在特征提取过程中会存在不同程度的高频信息的损失(局部细节特征多属于高频信息)，使得最终得到的高分辨率图像的分辨率达不到要求。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于多尺度细节特征融合神经网络的图像超分辨率方法，该方法包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；
训练改进的深度神经网络模型的过程包括：
S1：获取原始图像，对原始图像进行预处理，得到训练数据集和测试数据集；
S2：采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取，得到多尺度的高频细节特征信息；
S3：采用两层基于深度学习卷积层对训练数据集中的低分辨率图像进行浅层特征提取；
S4：采用残差密集块和高频信息提取浅层特征的各层局部特征；
S5：将每个局部特征和同一层提取的高频细节特征信息进行融合，并通过一层卷积层后计算该局部特征与高分辨率目标图之间的损失；
S6：采用残差密集块在全局上提取各层特征，计算出各层特征的损失，对损失进行加权处理，并在模型训练过程中进行反向传播，调整图像特征提取过程；
S7：将各层特征进行卷积融合，得到融合了特征后的低分辨率图；对融合特征后的低分辨率图进行上采样，得到最终的高分辨率图像；
S8：根据最终的高分辨率图像计算模型的损失函数，将测试集中的数据输入到模型中，不断调整损失函数的参数，当损失函数最小时，完成模型的训练。
优选的，采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取的具体过程包括：对图像的每一行进行一维小波变换，获得原始图像在水平方向上的低频分量L和高频分量H，对变换所得数据的每一列进行一维小波变换，获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的高频分量HH；其中，高频信息分量HH用于融合，低频分量LL用于进行下一轮二维离散小波分解。
优选的，得到各层局部特征的过程包括：将原始的低分辨率图像输入到残差密集块中进行局部特征提取，每通过一次残差密集块就得到一个部特征图。
进一步的，残差密集块由至少4个注意力残差块构成；每个注意力残差块包括残差块和一个SENet网络；所述残差块包括两个卷积层；SENet网络包括两个全连接层；在采用残差密集块提取浅层特征的各层局部特征的过程中，采用两个卷积层依次提取低分辨率图的浅层特征，将提取的两个低分辨率图的浅层特征进行特征融合，得到融合特征；将融合特征输入到SENet网络的全连接层中进行特征重要性学习；将融合特征与SENet网络输出的特征进行点乘，得到局部特征图。
优选的，计算局部特征与高分辨率目标图之间的损失的过程包括：将融合了高频信息之后的局部特征图像进行上采样操作使得图像的尺寸变得跟高分辨率目标图相同，此时将两张图片之间的差异值作为图像的损失。
优选的，计算出每个损失加以权重后反向传播调整图像特征提取过程包括：对于不同网络深度提取到的局部特征图和高分辨率目标图之间损失加上不同的权重，求出加权和，利用深度学习框架的梯度反向传播机制，调整网络中的可学习参数值，对下一轮图像特征的提取过程进行调整。
进一步的，计算不同权重的过程包括：设置第一个残差密集块的权重为w1、权重的增益比率α；则根据α和w1得到各个残差密集块的权重关系，关系表达式为：
wi+1＝wi*(1+α)，1≤i≤n-1
进一步的，第一个残差密集块的权重为w1为1，权重的增益比率α为0.1。
优选的，模型的损失函数的表达式为：
本发明在提取特征的过程中，增加了原始图片中的高频信息，通过这种集成的方式，增加了网络的稳定性；另外在残差密集块方面，利用了多层的特征融合机制，增加了语义信息，也加入了通道特征筛选，使整个网络能够更好地表达；并且，在特征提取过程的每个阶段，即每个残差密集块后，加入损失计算，用于反向传播调整特征提取的过程，提高了网络的表达能力以及能够更好地学习重建高分辨率图片。
附图说明
图1为本发明的注意力残差块结构图；
图2为本发明的残差密集块结构图；
图3为本发明的多尺度细节特征提取模块的结构图；
图4为本发明的多尺度细节特征融合的深度神经网络图像超分算法图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于多尺度细节特征融合神经网络的图像超分辨率方法，如图4所示，该方法包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；
训练改进的深度神经网络模型的过程包括：
S1：获取原始图像，对原始图像进行预处理，得到训练数据集和测试数据集；
S2：采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取，得到多尺度的高频细节特征信息；
S3：采用两层基于深度学习卷积层对训练数据集中的低分辨率图像进行浅层特征提取；
S4：采用残差密集块和高频信息提取浅层特征的各层局部特征；
S5：将每个局部特征和同一层提取的高频细节特征信息进行融合，并通过一层卷积层后计算该局部特征与高分辨率目标图之间的损失；
S6：采用残差密集块在全局上提取各层特征，计算出各层特征的损失，对损失进行加权处理，并在模型训练过程中进行反向传播，调整图像特征提取过程；
S7：将各层特征进行卷积融合，得到融合了特征后的低分辨率图；对融合特征后的低分辨率图进行上采样，得到最终的高分辨率图像；
S8：根据最终的高分辨率图像计算模型的损失函数，将测试集中的数据输入到模型中，不断调整损失函数的参数，当损失函数最小时，完成模型的训练。
在特征提取开头通过两个单层的基于深度学习的卷积层直接提取低分辨率图像的浅层原始特征；其中卷积层尺寸为3*3*64。
如图3示意，采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取的具体过程包括：对图像的每一行进行一维小波变换，获得原始图像在水平方向上的低频分量L和高频分量H，对变换所得数据的每一列进行一维小波变换，获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的高频分量HH；其中，高频信息分量HH用于融合，低频分量LL用于进行下一轮二维离散小波分解。
如图2所示，残差密集块由至少4个注意力残差块构成；每个注意力残差块包括残差块和一个SENet网络。如图1所示，残差块包括两个卷积层；SENet网络包括两个全连接层；在采用残差密集块提取浅层特征的各层局部特征的过程中，采用两个卷积层依次提取低分辨率图的浅层特征，将提取的两个低分辨率图的浅层特征进行特征融合，得到融合特征；将融合特征输入到SENet网络的全连接层中进行特征重要性学习；将融合特征与SENet网络输出的特征进行点乘，得到局部特征图。
优选的，采用残差密集块提取出一个局部特征的过程包括：
(1)在进入每个残差密集块前将计算出的当层高频信息与局部的特征融合；
(2)融合后的特征进入由多个稠密块级联得到的残差密集块，稠密块由多个基本的残差块构成，每个残差块为一层1*1卷积，1层3*3卷积以及一层SENet构成，并与残差块的输入特征融合。每个稠密块间有局部的特征融合，且包括与稠密块的输入特征的融合，最后将得到的特征与浅层特征融合得到深层特征，此时融合了包括其实特征和浅层特征在内的多层特征。
计算局部特征与高分辨率目标图之间的损失包括：将局部特征图输入一层1*1*3的卷积层，得到与目标图像相同通道数的特征图，依据L1范数损失函数计算得出与目标图像之间的损失。
采用残差密集块在全局上提取各层特征包括：在全局上提取特征包括全局特征的融合以及全局残差学习，即实现浅层特征与所有残差密集块所提取出的特征融合；将计算出的各层损失分配给定权重并相加得到最终损失。
计算不同权重的过程包括：设置第一个残差密集块的权重为w1、权重的增益比率α；则根据α和w1得到各个残差密集块的权重关系，关系表达式为：
wi+1＝wi*(1+α)，1≤i≤n-1
其中，wi+1表示第i+1个残差密集块的权重，wi表示第i个残差密集块的权重，i表示第i个残差密集块，α表示权重的增益比率，n表示残差密集块的总数。
模型的损失函数的表达式为：
其中，L表示损失函数值，n表示残差密集块的个数，li表示残差密集块中的损失，wi表示各个残差密集块的权重，pij表示特征图，Hj表示高分辨率目标图，j表示像素点的编号，m表示两张图片的像素点个数，i表示损失的编号。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；
训练改进的深度神经网络模型的过程包括：
S1：获取原始图像，对原始图像进行预处理，得到训练数据集和测试数据集；
S2：采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取，得到多尺度的高频细节特征信息；
S3：采用两层基于深度学习卷积层对训练数据集中的低分辨率图像进行浅层特征提取；
S4：采用残差密集块提取浅层特征的各层局部特征；
S5：将每个局部特征和同一层提取的高频细节特征信息进行融合，并通过一层卷积层后计算该局部特征与高分辨率目标图之间的损失；
S6：采用残差密集块在全局上提取各层特征，计算出各层特征的损失，对损失进行加权处理，并在模型训练过程中进行反向传播，调整图像特征提取过程；
S7：将各层特征进行卷积融合，得到融合了特征后的低分辨率图；对融合特征后的低分辨率图进行上采样，得到最终的高分辨率图像；
S8：根据最终的高分辨率图像计算模型的损失函数，将测试集中的数据输入到模型中，不断调整损失函数的参数，当损失函数最小时，完成模型的训练。
2.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，采用二维离散小波分解法对训练集中的图像进行高频信息的迭代提取的具体过程包括：对图像的每一行进行一维小波变换，获得原始图像在水平方向上的低频分量L和高频分量H，对变换所得数据的每一列进行一维小波变换，获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的高频分量HH；其中，高频信息分量HH用于融合，低频分量LL用于进行下一轮二维离散小波分解。
3.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，得到各层局部特征的过程包括：将原始的低分辨率图像输入到残差密集块中进行局部特征提取，每通过一次残差密集块就得到一个部特征图。
4.根据权利要求3所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，残差密集块由至少4个注意力残差块构成；每个注意力残差块包括残差块和一个SENet网络；所述残差块包括两个卷积层；SENet网络包括两个全连接层；在采用残差密集块提取浅层特征的各层局部特征的过程中，采用两个卷积层依次提取低分辨率图的浅层特征，将提取的两个低分辨率图的浅层特征进行特征融合，得到融合特征；将融合特征输入到SENet网络的全连接层中进行特征重要性学习；将融合特征与SENet网络输出的特征进行点乘，得到局部特征图。
5.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，计算局部特征与高分辨率目标图之间的损失的过程包括：将融合了高频信息之后的局部特征图像进行上采样操作使得图像的尺寸变得跟高分辨率目标图相同，此时将两张图片之间的差异值作为图像的损失。
6.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，计算出每个损失加以权重后反向传播调整图像特征提取过程包括：对于不同网络深度提取到的局部特征图和高分辨率目标图之间损失加上不同的权重，求出加权和，利用深度学习框架的梯度反向传播机制，调整网络中的可学习参数值，对下一轮图像特征的提取过程进行调整。
7.根据权利要求6所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，计算不同权重的过程包括：设置第一个残差密集块的权重为w1、权重的增益比率α；则根据α和w1得到各个残差密集块的权重关系，关系表达式为：
wi+1＝wi*(1+α)，1≤i≤n-1
其中，wi+1表示第i+1个残差密集块的权重，wi表示第i个残差密集块的权重，i表示第i个残差密集块，α表示权重的增益比率，n表示残差密集块的总数。
8.根据权利要求7所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，第一个残差密集块的权重为w1为1，权重的增益比率α为0.1。
9.根据权利要求1所述的一种基于多尺度细节特征融合神经网络的图像超分辨率方法，其特征在于，模型的损失函数的表达式为：
其中，L表示损失函数值，n表示残差密集块的个数，li表示残差密集块中的损失，wi表示各个残差密集块的权重，
表示特征图，Hj表示高分辨率目标图，j表示像素点的编号，m表示两张图片的像素点个数，i表示损失的编号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110073381.6A CN112767251B (zh) | 2021-01-20 | 2021-01-20 | 基于多尺度细节特征融合神经网络的图像超分辨率方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110073381.6A CN112767251B (zh) | 2021-01-20 | 2021-01-20 | 基于多尺度细节特征融合神经网络的图像超分辨率方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767251A true CN112767251A (zh) | 2021-05-07 |
| CN112767251B CN112767251B (zh) | 2023-04-07 |
Family
ID=75703375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110073381.6A Active CN112767251B (zh) | 2021-01-20 | 2021-01-20 | 基于多尺度细节特征融合神经网络的图像超分辨率方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767251B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066013A (zh) * | 2021-05-18 | 2021-07-02 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、系统、装置及存储介质 |
| CN113256500A (zh) * | 2021-07-02 | 2021-08-13 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态图像合成的深度学习神经网络模型系统 |
| CN113327219A (zh) * | 2021-06-21 | 2021-08-31 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与系统 |
| CN113361546A (zh) * | 2021-06-18 | 2021-09-07 | 合肥工业大学 | 融合非对称卷积和注意力机制的遥感图像特征提取方法 |
| CN113902618A (zh) * | 2021-10-09 | 2022-01-07 | 普达迪泰（天津）智能装备科技有限公司 | 一种基于多模态空间滤波的图像超分算法 |
| CN113963274A (zh) * | 2021-12-22 | 2022-01-21 | 中国人民解放军96901部队 | 基于改进ssd算法的卫星影像目标智能识别系统与方法 |
| CN114022354A (zh) * | 2021-09-18 | 2022-02-08 | 北京旷视科技有限公司 | 图像处理方法、电子设备及计算机程序产品 |
| CN114066727A (zh) * | 2021-07-28 | 2022-02-18 | 华侨大学 | 一种多阶段渐进式图像超分辨率方法 |
| CN114548201A (zh) * | 2021-11-15 | 2022-05-27 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
| CN114648468A (zh) * | 2022-05-18 | 2022-06-21 | 中山大学深圳研究院 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN115908144A (zh) * | 2023-03-08 | 2023-04-04 | 中国科学院自动化研究所 | 基于随机小波注意力的图像处理方法、装置、设备及介质 |
| CN116851856A (zh) * | 2023-03-27 | 2023-10-10 | 浙江万能弹簧机械有限公司 | 纯水线切割加工工艺及其系统 |
| WO2023197784A1 (zh) * | 2022-04-12 | 2023-10-19 | 中兴通讯股份有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
| CN117408657A (zh) * | 2023-10-27 | 2024-01-16 | 杭州静嘉科技有限公司 | 一种基于人工智能的人力资源服务系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991648A (zh) * | 2017-04-10 | 2017-07-28 | 中国石油大学(华东) | 一种基于小波变换和卷积神经网络的图像超分辨率重建方法 |
| CN109272452A (zh) * | 2018-08-30 | 2019-01-25 | 北京大学 | 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 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| AU2020100200A4 (en) * | 2020-02-08 | 2020-06-11 | Huang, Shuying DR | Content-guide Residual Network for Image Super-Resolution |
| CN111754403A (zh) * | 2020-06-15 | 2020-10-09 | 南京邮电大学 | 一种基于残差学习的图像超分辨率重构方法 |
-
2021
- 2021-01-20 CN CN202110073381.6A patent/CN112767251B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991648A (zh) * | 2017-04-10 | 2017-07-28 | 中国石油大学(华东) | 一种基于小波变换和卷积神经网络的图像超分辨率重建方法 |
| CN109272452A (zh) * | 2018-08-30 | 2019-01-25 | 北京大学 | 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 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| AU2020100200A4 (en) * | 2020-02-08 | 2020-06-11 | Huang, Shuying DR | Content-guide Residual Network for Image Super-Resolution |
| CN111754403A (zh) * | 2020-06-15 | 2020-10-09 | 南京邮电大学 | 一种基于残差学习的图像超分辨率重构方法 |
Non-Patent Citations (3)
| Title |
|---|
| JING LIU 等: "Residual Attention Network for Wavelet Domain Super-Resolution", 《ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
| 朱虹: "基于压缩感知的超分辨率图像重建算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 武春丽: "基于小波域的卷积神经网络超分辨率算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066013A (zh) * | 2021-05-18 | 2021-07-02 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、系统、装置及存储介质 |
| WO2022241995A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、系统、装置及存储介质 |
| CN113361546A (zh) * | 2021-06-18 | 2021-09-07 | 合肥工业大学 | 融合非对称卷积和注意力机制的遥感图像特征提取方法 |
| CN113327219A (zh) * | 2021-06-21 | 2021-08-31 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与系统 |
| CN113256500A (zh) * | 2021-07-02 | 2021-08-13 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态图像合成的深度学习神经网络模型系统 |
| CN113256500B (zh) * | 2021-07-02 | 2021-10-01 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态图像合成的深度学习神经网络模型系统 |
| CN114066727A (zh) * | 2021-07-28 | 2022-02-18 | 华侨大学 | 一种多阶段渐进式图像超分辨率方法 |
| CN114022354A (zh) * | 2021-09-18 | 2022-02-08 | 北京旷视科技有限公司 | 图像处理方法、电子设备及计算机程序产品 |
| CN113902618A (zh) * | 2021-10-09 | 2022-01-07 | 普达迪泰（天津）智能装备科技有限公司 | 一种基于多模态空间滤波的图像超分算法 |
| CN113902618B (zh) * | 2021-10-09 | 2024-03-29 | 普达迪泰（天津）智能装备科技有限公司 | 一种基于多模态空间滤波的图像超分算法 |
| CN114548201A (zh) * | 2021-11-15 | 2022-05-27 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
| CN114548201B (zh) * | 2021-11-15 | 2023-04-07 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
| CN113963274B (zh) * | 2021-12-22 | 2022-03-04 | 中国人民解放军96901部队 | 基于改进ssd算法的卫星影像目标智能识别系统与方法 |
| CN113963274A (zh) * | 2021-12-22 | 2022-01-21 | 中国人民解放军96901部队 | 基于改进ssd算法的卫星影像目标智能识别系统与方法 |
| WO2023197784A1 (zh) * | 2022-04-12 | 2023-10-19 | 中兴通讯股份有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
| CN114648468A (zh) * | 2022-05-18 | 2022-06-21 | 中山大学深圳研究院 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN115908144A (zh) * | 2023-03-08 | 2023-04-04 | 中国科学院自动化研究所 | 基于随机小波注意力的图像处理方法、装置、设备及介质 |
| CN115908144B (zh) * | 2023-03-08 | 2023-06-02 | 中国科学院自动化研究所 | 基于随机小波注意力的图像处理方法、装置、设备及介质 |
| CN116851856A (zh) * | 2023-03-27 | 2023-10-10 | 浙江万能弹簧机械有限公司 | 纯水线切割加工工艺及其系统 |
| CN116851856B (zh) * | 2023-03-27 | 2024-05-10 | 浙江万能弹簧机械有限公司 | 纯水线切割加工工艺及其系统 |
| CN117408657A (zh) * | 2023-10-27 | 2024-01-16 | 杭州静嘉科技有限公司 | 一种基于人工智能的人力资源服务系统 |
| CN117408657B (zh) * | 2023-10-27 | 2024-05-17 | 杭州静嘉科技有限公司 | 一种基于人工智能的人力资源服务系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767251B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112767251B (zh) | 基于多尺度细节特征融合神经网络的图像超分辨率方法 | |
| CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
| Molini et al. | Deepsum: Deep neural network for super-resolution of unregistered multitemporal images | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| Zhang et al. | Image super-resolution based on structure-modulated sparse representation | |
| CN113284051B (zh) | 一种基于频率分解多注意力机制的人脸超分辨方法 | |
| CN110738605A (zh) | 基于迁移学习的图像去噪方法、系统、设备及介质 | |
| CN110766632A (zh) | 基于通道注意力机制和特征金字塔的图像去噪方法 | |
| CN109949217B (zh) | 基于残差学习和隐式运动补偿的视频超分辨率重建方法 | |
| Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
| CN112001843A (zh) | 一种基于深度学习的红外图像超分辨率重建方法 | |
| Zhu et al. | Generative high-capacity image hiding based on residual CNN in wavelet domain | |
| CN113362338A (zh) | 铁轨分割方法、装置、计算机设备和铁轨分割处理系统 | |
| CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
| CN114022356A (zh) | 基于小波域的河道流量水位遥感图像超分辨率方法与系统 | |
| Alvarez-Ramos et al. | Image super-resolution via two coupled dictionaries and sparse representation | |
| CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
| CN111696167A (zh) | 自范例学习引导的单张影像超分辨率重构方法 | |
| Suryanarayana et al. | Single image super-resolution algorithm possessing edge and contrast preservation | |
| Chen et al. | SR-AFU: super-resolution network using adaptive frequency component upsampling and multi-resolution features | |
| CN115222606A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
| Tojo et al. | Image denoising using multi scaling aided double decker convolutional neural network | |
| Huang et al. | DF3Net: Dual frequency feature fusion network with hierarchical transformer for image inpainting | |
| Chen et al. | Infrared and visible image fusion with deep wavelet-dense network | |
| Valli Bhasha et al. | Image super resolution model enabled by wavelet lifting with optimized deep convolutional neural network |
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 |