CN112907446B - 一种基于分组连接网络的图像超分辨率重建方法 - Google Patents

一种基于分组连接网络的图像超分辨率重建方法 Download PDF

Info

Publication number
CN112907446B
CN112907446B CN202110174059.2A CN202110174059A CN112907446B CN 112907446 B CN112907446 B CN 112907446B CN 202110174059 A CN202110174059 A CN 202110174059A CN 112907446 B CN112907446 B CN 112907446B
Authority
CN
China
Prior art keywords
image
convolution
layer
group
characteristic images
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.)
Expired - Fee Related
Application number
CN202110174059.2A
Other languages
English (en)
Other versions
CN112907446A (zh
Inventor
李劼
任春辉
付毓生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110174059.2A priority Critical patent/CN112907446B/zh
Publication of CN112907446A publication Critical patent/CN112907446A/zh
Application granted granted Critical
Publication of CN112907446B publication Critical patent/CN112907446B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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 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

本发明属于图像处理领域，具体是涉及一种基于卷积神经网络的图像超分辨率重建方法。本发明方法根据分组卷积将特征图像分组、跳跃连接可以改变特征图像的卷积顺序的原理，利用分组卷积与跳跃连接结合的方式对卷积神经网络进行改进，分组卷积的方式将不同组特征图像在不同的层数进行卷积，使得卷积神经网络具有更加丰富的非线性映射特性；跳跃连接的方式有效的减少了卷积中所使用的参数数目，将不同组的特征图像利用跳跃连接的方式进行结合，得到更深的卷积层，能够对图像的高级特征进行提取而不加大计算量。本发明方法能够在相较于传统网络的参数数目没有较大提升的基础上提升重建图像质量。

Description

一种基于分组连接网络的图像超分辨率重建方法
技术领域
本发明属于图像处理技术领域，具体是涉及一种基于分组连接网络的图像超分辨率重建方法。
背景技术
图像超分辨率重建是低分辨率图像重建成高分辨率图像的图像处理技术。随着设备显示能力的提升，用户需要有更高分辨率的图像带来更好的视觉体验，同时更高的分辨率也能方便更多行业的从业人员进行科研，这就需要对图像进行超分辨率重建。
图像超分辨率重建方法包括基于插值的图像超分辨率重建、基于拟合的图像超分辨率重建和基于学习的图像超分辨率重建。基于学习的图像超分辨率重建是当前较为热门的一种重建方法，其具有重建质量好、重建图像细节丰富和人眼观感好等特点，在医疗、卫星和民用领域均得到广泛的应用，因此对图像超分辨率重建的重建质量提升具有重要意义。基于学习的图像超分辨率重建方法又有基于字典学习的图像超分辨率重建方法和基于卷积神经网络的图像超分辨率重建方法，基于卷积神经网络的图像超分辨率重建方法由于其具有较好的特征提取能力和非线性映射能力，使其重建图像质量优于其他方法。
目前针对基于卷积神经网络的图像超分辨率重建方法主要集中在以下几种:
1.卷积神经网络
卷积神经网络方法通过将卷积神经网络利用在图像超分辨率重建问题上，该方法主要利用三层卷积层对图像进行超分辨率重建：特征提取层、非线性映射层和超分辨率重建层，该方法有效的提升了重建图像质量，但是由于网络层数少、图像特征利用率低等弊端，并没有充分使用图像信息，重建效果还可以进一步提升。
2.循环神经网络
循环神经网络方法是利用循环神经网络对图像进行超分辨率重建，在特征提取层之后，利用循环卷积的原理，对特征图像进行循环卷积，并将每次卷积的结果传给最后一层卷积层，实现对图像特征的提取。利用循环神经网络进行图像超分辨率重建的方法虽然改动不大，但是循环卷积的方式可以对图像的某些特征进行充分的提取，避免了一部分卷积神经网络层数少，没有充分提取特征的问题；但是循环神经网络使用同一层卷积层进行循环卷积，无法充分提取图像的不同特征，使得重建图像会对某类重复出现的特征的重建效果较好、其他特征效果一般的问题。
3.对抗神经网络
该方法基于对抗神经网络，利用生成网络和对抗网络两个网络同时训练，得到能够重建出具有丰富纹理的图案，但是由于该网络在训练过程中用到了对抗网络对图像的观感进行提升，会造成重建图像与真实图像所呈现的内容有较大的差异，并且同时训练两个网络需要较长的时间和较多的资源，对设备的要求非常高，实用性有一定的限制。
发明内容
本发明的目的在于，针对上述问题，提出一种基于改进的卷积神经网络——分组连接网络的图像超分辨率重建方法，是一种重建图像性能好且网络参数较少的图像超分辨率重建方法。
本发明的技术方案为，一种基于卷积神经网络的图像超分辨率重建方法，如图1所示，包括以下步骤：
S1、选取n张图像作为训练集{PH1,PH2,...,PHn}，下标H表示图像为高分辨率图像；
S2、对训练集进行预处理：随机提取训练集每张图像中大小为100×100的像素区域，图像像素区域小于100则用0补齐不足区域，然后对这些像素区域进行下采样，得到对应的低分辨率图像集{PL1,PL2,...,PLn}；
S3、构建卷积神经网络，网络从输入到输出依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、反卷积层；其中，
所述第一卷积层的输入为低分辨率图像集，第一卷积层输出的特征图像分为数量相等的两组，其中一组不变，另一组再细分为4个小组，为方便区分，分别标记为A、B、C、D；
所述第二卷积层是通过第一层第一组特征图像进行卷积，得到的特征图像再等分为两组，其中一组直接以跳跃连接的方式传至第六层，第一层中的A组特征图像以跳跃连接的方式与另一组结合，形成一组新的特征图像；
所述第三卷积层对第二卷积层中一组新的特征图像进行卷积，得到的特征图像再等分为两组，其中一组直接以跳跃连接的方式传至第六层，第一层中的B组特征图像以跳跃连接的方式与另一组结合，形成一组新的特征图像；
所述第四卷积层与第三卷积层的操作一致，第一层中的C组特征图像以跳跃连接的方式与其中一组结合，形成一组新的特征图像；
所述第五卷积层与第三卷积层的操作一致，第一层中的D组特征图像以跳跃连接的方式与其中一组结合，形成一组新的特征图像；
所述第六卷积层将第五卷积层所得到的一组新的特征图像进行卷积，并将前四层以跳跃连接的方式传递到第六卷积层的特征图像进行组合，得到一组新的特征图像；
所述第七卷积层将第六卷积层所得到的特征图像进行卷积，得到一组新的特征图像；
所述反卷积层将第七卷积层所得到的特征图像进行反卷积，得到与差值放大后的低分辨率图像等大的特征图像；
最后将反卷积层得到的特征图像与插值放大后的低分辨率图像按对应像素点位置相加的方式进行组合，得到超分辨率图像。
网络中每一次卷积后采用tanh函数作为激活函数；
S4、对构建的卷积神经网络进行训练，具体为：设置目标图像为残差图像，通过将低分辨率图像集利用双线性插值法放大至与训练集中对应图像等大，得到放大的低分辨率图像集{PIL1,PIL2,...,PILn}，将放大的低分辨率图像集与提取的像素区域中对应的图像的对应位置的像素值相减，得到残差图像集{PR1,PR2,...,PRn}；将输入低分辨率图像PLi到网络中后所获得的输出图像POi与对应的残差图像PRi比较，得到均方差
Figure BDA0002939923210000031
将均方差作为网络的损失函数，对网络参数进行更新，从而获得训练好的卷积神经网络；
S5、利用训练好的卷积神经网络进行图像的超分辨率重建，如图2所示，具体为：
S51、将需要超分辨率重建的图像PL作为输入图像，输入卷积神经网络后得到输出图像PO；
S52、对图像PL利用双三次插值法放大至与图像PO等大，获得放大后的图像PIL；
S53、将PIL与PO对应的像素点的像素值进行相加，得到超分辨率图像PS。
进一步的，所述的所有卷积层的卷积核为3×3的卷积核，第七卷积层为5×5的卷积核。
本发明的有益效果是：
(1)通过分组卷积的方式，减少了卷积运算的运算量。
(2)以跳跃连接的方式将分组后的特征图像与当前的卷积层进行组合，减少每层卷积操作所提取的特征图像数量。
(3)将每层提取的特征图像进一步进行分组，并将其中一组直接以跳跃连接的方式连接至第六层，进一步减少卷积运算量的同时，使多种不同的非线性映射同时存在，使特征图像更加多样化。
附图说明
图1为本发明方法训练流程图。
图2为本发明方法图像超分辨率重建流程图。
图3为本发明的分组连接网络结构图。
图4为不同模型在不同训练周期后在测试集上的表现。
图5为不同模型对同一图像的超分辨率重建效果图。
具体实施方式
下面结合附图，详细描述本发明的技术方案：
卷积神经网络定义为：
Y＝a(w*X+b)
Y代表输出，a(·)代表激活函数，w代表卷积核，*代表卷积操作，b代表偏置项。
如图3所示，相比于传统卷积神经网络进行超分辨率重建时直接使用上一层特征图像进行卷积的方式，本发明定义了一种将特征图像以分组的形式进行拆分，再以跳跃连接的方式将不同层间的特征图像进行重新组合的方法。这种方法能够在不增加卷积神经网络参数的情况下加深卷积层的层数，并且使最后的特征图像同时具有多种非线性映射关系。使训练更加方便。
传统卷积神经网络进行超分辨率重建时每一层卷积层只会对上一层的特征图像进行卷积，通过对上一层的特征进行提取得到本层的特征图像。这种卷积操作需要使用所有上一层的特征图像，并且卷积生成的特征图像也非常多，这就导致在卷积神经网络中一层卷积层就需要大量的参数，并且非线性映射效果也只有一层卷积层的深度。如果要提取图像中深层的特征，则需要用大量的参数对特征图像进行提取。本发明的方法中，将第一卷积层的特征图像以进行分组，并用跳跃连接的方式将每一组分组的特征图像分配在其中一层卷积层中，这样能够在不增加特征图像数量的情况下加深网络的深度，减少卷积运算量。
本发明的网络在第二至第五卷积层中将每次卷积得到的特征图像都分为两组，并将其中一组以跳跃连接的方式在第六卷积层前进行组合，这样在第二至第五卷积层中每次卷积时所需要处理的特征图像数都有所减少，同时也保证了多层卷积后仍然具有较多的特征图像，更加方便后续的超分辨率重建。
每一次卷积后都采用tanh函数作为激活函数，因为在图像超分辨率重建问题中，所需要输出的结果是图像信息，图像中的物体都较为平滑和连续，并且经过处理之后的目标图像的取值范围在[-1,1]之间，而tanh函数的表达式如下：
Figure BDA0002939923210000051
tanh函数的输出值也是在[-1,1]之间，不像ReLU和PReLU函数在取值为0的点有不可导的点。tanh函数不会将负数的输出值直接置0，使得该图像特征不被激活，造成训练过程中的一部分图像信息的丢失，tanh函数在接近0点处的输出值有较大的变化率，对较小的变化能够比较好的捕捉，在远离0点处的输出值有较小的变化率，且输出范围有限，对较大的卷积结果能够很好的抑制其增长，防止梯度消失和梯度爆炸的问题。因此通过激活函数之后的特征图像更接近目标图像，更有利于后续对图像超分辨率重建的处理。
本发明方法中将第一卷积层用来跳跃连接的特征图像分为了4组，相较与原本直接对第一卷积层进行卷积时，卷积层的深度多了3层，使该卷积神经网络对于较高级特征的提取能力大大加强了。同时，在网络深度加深的基础上，将第二卷积层至第五卷积层的特征图像分为两组，其中一组直接以跳跃连接的方式与第六卷积层提取的特征图像进行组合，得到一组新的特征图像，这种做法并没有增加卷积神经网络的参数数目，同时也没有减少最终的特征图像的数目。
下面通过仿真示例并结合图4、图5来证明本发明的有效性：
在训练过程中，使用的是ImageNet2012数据集中的10000张图片作为训练集，每张图片随机选取100×100的像素快作为训练区域，图像放大倍数设置成4倍。学习率设置成0.0001。
图4是不同的网络模型在不同训练周期时，在测试集的重建性能比较。其中横坐标是模型所训练的周期数，纵坐标是峰值信噪比，是一种客观评价图像重建质量的指标。从图中可以看出，本发明的网络在十几个训练周期后就得到了良好的图像重建质量，优于其他网络。此实例说明本发明具有很好的特征提取能力和图像超分辨率重建的能力，并且易于训练。
图5是不同的网络模型的重建效果，从图上可以看出，本发明的网络所重建的图像相较于其他网络在人眼观感上有一定提升，其模糊程度较低，相比于其他网络，也更没有重建时的锯齿感。此实例说明，本发明重建的图像具有很好的人眼观感。

Claims (2)

1.一种分组连接网络的图像超分辨率重建方法，其特征在于，包括以下步骤：
S1、选取n张图像作为训练集{PH1,PH2,...,PHn}，下标H表示图像为高分辨率图像；
S2、对训练集进行预处理：随机提取训练集每张图像中大小为100×100的像素区域，图像像素区域小于100则用0补齐不足区域，然后对这些像素区域进行下采样，得到对应的低分辨率图像集{PL1,PL2,...,PLn}；
S3、构建卷积神经网络，网络从输入到输出依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、反卷积层；其中，
所述第一卷积层的输入为低分辨率图像集，第一卷积层输出的特征图像分为数量相等的两组，其中一组不变，另一组再细分为4个小组，分别定义为A组特征图像、B组特征图像、C组特征图像、D组特征图像；
所述第二卷积层是通过第一层第一组特征图像进行卷积，得到的特征图像再等分为两组，其中一组直接以跳跃连接的方式传至第六层，第一层中的A组特征图像以跳跃连接的方式与另一组结合，形成一组新的特征图像；
所述第三卷积层对第二卷积层中一组新的特征图像进行卷积，得到的特征图像再等分为两组，其中一组直接以跳跃连接的方式传至第六层，第一层中的B组特征图像以跳跃连接的方式与另一组结合，形成一组新的特征图像；
所述第四卷积层与第三卷积层的操作一致，第一层中的C组特征图像以跳跃连接的方式与其中一组结合，形成一组新的特征图像；
所述第五卷积层与第三卷积层的操作一致，第一层中的D组特征图像以跳跃连接的方式与其中一组结合，形成一组新的特征图像；
所述第六卷积层将第五卷积层所得到的一组新的特征图像进行卷积，并将前四层以跳跃连接的方式传递到第六卷积层的特征图像进行组合，得到一组新的特征图像；
所述第七卷积层将第六卷积层所得到的特征图像进行卷积，得到一组新的特征图像；
所述反卷积层将第七卷积层所得到的特征图像进行反卷积，得到与差值放大后的低分辨率图像等大的特征图像；
最后将反卷积层得到的特征图像与插值放大后的低分辨率图像按对应像素点位置相加的方式进行组合，得到超分辨率图像；
网络中每一次卷积后采用tanh函数作为激活函数；
S4、对构建的卷积神经网络进行训练，具体为：设置目标图像为残差图像，通过将低分辨率图像集利用双线性插值法放大至与训练集中对应图像等大，得到放大的低分辨率图像集{PIL1,PIL2,...,PILn}，将放大的低分辨率图像集与提取的像素区域中对应的图像的对应位置的像素值相减，得到残差图像集{PR1,PR2,...,PRn}；将输入低分辨率图像PLi到网络中后所获得的输出图像POi与对应的残差图像PRi比较，得到均方差
Figure FDA0002939923200000021
将均方差作为网络的损失函数，对网络参数进行更新，从而获得训练好的卷积神经网络；
S5、利用训练好的卷积神经网络进行图像的超分辨率重建，具体为：
S51、将需要超分辨率重建的图像PL作为输入图像，输入卷积神经网络后得到输出图像PO；
S52、对图像PL利用双三次插值法放大至与图像PO等大，获得放大后的图像PIL；
S53、将PIL与PO对应的像素点的像素值进行相加，得到超分辨率图像PS。
2.根据权利要求1所述的一种分组连接网络的图像超分辨率重建方法，其特征在于，所述的所有卷积层的卷积核为3×3的卷积核，第七卷积层为5×5的卷积核。
CN202110174059.2A 2021-02-07 2021-02-07 一种基于分组连接网络的图像超分辨率重建方法 Expired - Fee Related CN112907446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110174059.2A CN112907446B (zh) 2021-02-07 2021-02-07 一种基于分组连接网络的图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110174059.2A CN112907446B (zh) 2021-02-07 2021-02-07 一种基于分组连接网络的图像超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN112907446A CN112907446A (zh) 2021-06-04
CN112907446B true CN112907446B (zh) 2022-06-07

Family

ID=76124153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110174059.2A Expired - Fee Related CN112907446B (zh) 2021-02-07 2021-02-07 一种基于分组连接网络的图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN112907446B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409195A (zh) * 2021-07-06 2021-09-17 中国标准化研究院 基于改进的深度卷积神经网络的图像超分辨率重建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345476A (zh) * 2018-09-19 2019-02-15 南昌工程学院 基于深度残差网络的高光谱图像超分辨率重建方法及装置
CN109978763A (zh) * 2019-03-01 2019-07-05 昆明理工大学 一种基于跳跃连接残差网络的图像超分辨率重建算法
CN110163803A (zh) * 2019-05-24 2019-08-23 厦门大学 一种基于卷积神经网络的图像超分辨率重建方法及系统
WO2020221200A1 (zh) * 2019-04-28 2020-11-05 华为技术有限公司 神经网络的构建方法、图像处理方法及装置
CN111932461A (zh) * 2020-08-11 2020-11-13 西安邮电大学 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统
CN111968036A (zh) * 2020-08-18 2020-11-20 西京学院 一种分层图像超分辨率方法、系统、计算机设备及应用

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991646B (zh) * 2017-03-28 2020-05-26 福建帝视信息科技有限公司 一种基于密集连接网络的图像超分辨率方法
CN108769682B (zh) * 2018-06-20 2022-08-16 腾讯科技（深圳）有限公司 视频编码、解码方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345476A (zh) * 2018-09-19 2019-02-15 南昌工程学院 基于深度残差网络的高光谱图像超分辨率重建方法及装置
CN109978763A (zh) * 2019-03-01 2019-07-05 昆明理工大学 一种基于跳跃连接残差网络的图像超分辨率重建算法
WO2020221200A1 (zh) * 2019-04-28 2020-11-05 华为技术有限公司 神经网络的构建方法、图像处理方法及装置
CN110163803A (zh) * 2019-05-24 2019-08-23 厦门大学 一种基于卷积神经网络的图像超分辨率重建方法及系统
CN111932461A (zh) * 2020-08-11 2020-11-13 西安邮电大学 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统
CN111968036A (zh) * 2020-08-18 2020-11-20 西京学院 一种分层图像超分辨率方法、系统、计算机设备及应用

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Cytomorphology-based microchip with contour extraction processing for bioparticle analysis;Yusheng Fu等;《Electrophoresis》;20190430;第40卷(第8期);1195-1201 *
基于CNN的SQL注入检测;任春辉等;《计算机与网络》;20200212;第46卷(第3期);69-71 *
基于改进生成式对抗网络的图像超分辨率重建;米恒等;《计算机应用与软件》;20200910;第37卷(第09期);139-145 *
基于深度跳跃级联的图像超分辨率重建;袁昆鹏等;《光学学报》;20190402;第39卷(第7期);243-252 *
基于特征损失的医学图像超分辨率重建;邢晓羊等;《计算机工程与应用》;20180206;第54卷(第20期);202-207+218 *

Also Published As

Publication number Publication date
CN112907446A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN108537733B (zh) 基于多路径深度卷积神经网络的超分辨率重建方法
CN111161150B (zh) 一种基于多尺度注意级联网络的图像超分辨率重建方法
CN110310227B (zh) 一种基于高低频信息分解的图像超分辨率重建方法
CN106683067B (zh) 一种基于残差子图像的深度学习超分辨率重建方法
CN109903223B (zh) 一种基于稠密连接网络与生成式对抗网络的图像超分辨率方法
CN109118432B (zh) 一种基于快速循环卷积网络的图像超分辨率重建方法
CN112767252B (zh) 一种基于卷积神经网络的图像超分辨率重建方法
CN110136062B (zh) 一种联合语义分割的超分辨率重建方法
CN108022212A (zh) 高分辨率图片生成方法、生成装置及存储介质
CN113284051B (zh) 一种基于频率分解多注意力机制的人脸超分辨方法
CN113837946B (zh) 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法
CN111951164B (zh) 一种图像超分辨率重建网络结构及图像重建效果分析方法
CN111861886B (zh) 一种基于多尺度反馈网络的图像超分辨率重建方法
CN112215755A (zh) 一种基于反投影注意力网络的图像超分辨率重建方法
CN112017116B (zh) 基于非对称卷积的图像超分辨率重建网络及其构建方法
CN112200724A (zh) 一种基于反馈机制的单图像超分辨率重建系统及方法
CN110163803A (zh) 一种基于卷积神经网络的图像超分辨率重建方法及系统
CN115393191A (zh) 一种轻量级遥感图像超分辨率重建方法、装置及设备
CN112907446B (zh) 一种基于分组连接网络的图像超分辨率重建方法
Ai et al. Single image super-resolution via residual neuron attention networks
CN115713462A (zh) 超分辨模型训练方法、图像识别方法、装置及设备
CN109993701B (zh) 一种基于金字塔结构的深度图超分辨率重建的方法
CN113627487B (zh) 一种基于深层注意力机制的超分辨率重建方法
CN113379606B (zh) 一种基于预训练生成模型的人脸超分辨方法
CN111951171A (zh) Hdr图像生成方法、装置、可读存储介质及终端设备

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220607