CN113284046B - 基于无高分辨率参考图的遥感图像增强和复原方法及网络 - Google Patents
基于无高分辨率参考图的遥感图像增强和复原方法及网络 Download PDFInfo
- Publication number
- CN113284046B CN113284046B CN202110578089.XA CN202110578089A CN113284046B CN 113284046 B CN113284046 B CN 113284046B CN 202110578089 A CN202110578089 A CN 202110578089A CN 113284046 B CN113284046 B CN 113284046B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- network
- resolution
- simulated
- 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 34
- 238000006731 degradation reaction Methods 0.000 claims abstract description 57
- 230000015556 catabolic process Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无高分辨率参考图的遥感图像增强和复原方法及网络，属于遥感图像超分辨率增强技术领域。第一阶段为模拟退化阶段，构建一种基于循环生成网络的模拟退化网络，利用低质真实退化的遥感图像使此子网络学习真实遥感图像的退化分布；将高分辨率无退化遥感图像通过模拟退化网络生成同内容下模拟遥感退化图像；第二阶段为遥感增强阶段，搭建遥感增强网络，利用高分辨率遥感图像和其对应的遥感退化图像对进行端到端训练。为使网络充分学习到遥感退化图像增强模型，本发明创新地使用了双输入增强型生成对抗网络来实现超分辨率阶段网络；最后将所学到的遥感图像增强生成对抗网络用于任意遥感退化图像，生成与其对应的增强重建遥感图像。
Description
技术领域
本发明属于遥感图像超分辨率增强技术领域，更具体地，涉及在无成对高分辨率参考图像监督下的低分辨率遥感图像超分辨率增强处理。
背景技术
在遥感成像领域，人们通常将所获取的遥感数据进行进一步分析和利用，如进行军事目标监控，环境预警和灾害研究等。高分辨率的遥感图像具有更细的纹理信息，为进一步与遥感有关的应用和研究提供更有利的依据。
由于遥感成像设备的硬件退化以及复杂的环境等因素，其所采集的遥感图像空间分辨率不够，导致图像质量不高，严重制约了遥感图像在各行业的应用。因此，增强遥感图像的质量变得尤为重要。目前遥感图像超分辨率增强技术主要可以分为三类，分别为基于插值的遥感图像超分辨率方法、基于重建模型的遥感图像超分辨率方法以及基于深度学习的遥感图像超分辨率方法。
基于插值的遥感图像超分辨率方法是一种最为简单直接的图像放大方法，插值方法通过设定一定的插值模型，利用已知点处的值，推知未知点处的值。然而如果真实遥感地物场景形成的图像性状与插值模型的吻合度较差，相应的插值精度则表现较差。基于重建模型的遥感图像超分辨率方法旨在分析遥感图像降质的物理退化过程，构建适用于遥感图像的降质模型，通过估计模型中的参数，反演退化过程，得到清晰的图像。然而，这种方法需要依赖一定的先验知识，在某些特定遥感场景下，如果先验条件不成立，该方法也会失效。基于深度学习的遥感图像超分辨率方法旨在从海量遥感训练数据中自动提取图像特征和学习非线性映射函数。但是，大部分方法需要收集与低质遥感图像对应的真实高分辨率遥感图像，具有很大的难度。所以，在真实数据集的缺乏且没有成对的训练数据的情况严重制约了这些方法的处理效果和泛化能力。
发明内容
针对现有技术的各种缺陷或改进需求，本发明提供了一种在无高分辨率参考图条件下，两阶段的低质遥感退化图像的超分辨率增强方法。特别地，为了进一步提高重建图像的质量，和其他方法不同的是，本发明创新的提出了一种双输入增强型生成对抗网络来实现遥感增强。
本发明采用的技术方案为：
一种基于无高分辨率参考图的遥感图像增强和复原方法，包括以下步骤：
(1)获取不成对的训练样本对，包括低质遥感退化图像X和高分辨率遥感图像Y；
(2)构建循环生成对抗网络，包括模拟退化网络Gs、遥感退化分布判别器Dr、循环生成器Gr和循环判别器Dr；
训练过程中，模拟退化网络Gs根据高分辨率遥感图像Y生成模拟遥感退化图像
循环生成器Gr根据模拟遥感退化图像
生成循环生成遥感图像
遥感退化分布判别器Dt将低质遥感退化图像X和模拟遥感退化图像
进行判别，根据判别结果调整模拟退化网络Gs，循环判别器Dr将循环生成遥感图像
与高分辨率遥感图像Y进行判别，根据判别结果调整模拟退化网络Gs；
(3)将模拟遥感退化图像
和高分辨率遥感图像Y构建成超分辨率增强网络的训练样本对；
(4)构建图像退化网络，包括双输入遥感增强网络Gd和清晰度判别器Dc；训练过程中，双输入遥感增强网络Gd将模拟退化网络Gs输出的模拟遥感退化图像
进行遥感退化增强学习，生成超分辨率重建遥感图像
清晰度判别器Dc将高分辨率遥感图像Y和超分辨率重建遥感图像
进行判别，根据判别结果调整双输入遥感增强网络Gd的参数；
(5)在测试过程中，将任意低质遥感退化图像输入至训练完毕的双输入遥感增强网络Gd中，得到遥感增强重建图像。
其中，双输入遥感增强网络Gd包括两个分支网络，第一个分支网络包含一个编码器，第二个分支网络包括一个编码器、多个卷积层和正则化层；第一个分支网络的输入为模拟遥感退化图像
经编码器并添加高斯噪声后得到高维图像特征域ω，将高维图像特征域ω输入到第二个分支网络中调整正则化层的参数；第二个分支网络的输入为高分辨率遥感图像Y，依次经编码器、多个卷积层和正则化层，得到超分辨率重建遥感图像
一种基于无高分辨率参考图的遥感图像增强和复原网络，包括循环生成对抗网络和图像退化网络；
循环生成对抗网络包括模拟退化网络Gs、遥感退化分布判别器Dr、循环生成器Gr和循环判别器Dr；模拟退化网络Gs用于根据高分辨率遥感图像Y生成模拟遥感退化图像
循环生成器Gr用于根据模拟遥感退化图像
生成循环生成遥感图像
遥感退化分布判别器Dt用于将低质遥感退化图像X和模拟遥感退化图像
进行判别，根据判别结果调整模拟退化网络Gs，循环判别器Dr用于将循环生成遥感图像
与高分辨率遥感图像Y进行判别，根据判别结果调整模拟退化网络Gs；
图像退化网络包括双输入遥感增强网络Gd和清晰度判别器Dc；双输入遥感增强网络Gd用于将模拟退化网络Gs输出的模拟遥感退化图像
进行遥感退化增强学习，生成超分辨率重建遥感图像
清晰度判别器Dc用于将高分辨率遥感图像Y和超分辨率重建遥感图像
进行判别，根据判别结果调整双输入遥感增强网络Gd的参数。
其中，双输入遥感增强网络Gd包括两个分支网络，第一个分支网络包括一个编码器，第二个分支网络包括一个编码器、多个卷积层和正则化层；第一个分支网络的输入为模拟遥感退化图像
经编码器并添加高斯噪声后得到高维图像特征域ω，将高维图像特征域ω输入到第二个分支网络中调整正则化层的参数；第二个分支网络的输入为高分辨率遥感图像Y，依次经多个卷积层和正则化层，得到超分辨率重建遥感图像
本发明相比现有技术的优点为：
本发明可在无成对高分辨率遥感图像指导条件下进行网络训练和优化，并实现低质遥感图像的超分辨率增强。
附图说明
图1为本发明实施例无高分辨率参考图像情况下的遥感图像超分辨率增强网络结构图；
图2为本发明实施例模拟退化网络的结构图；
图3为本发明实施例循环生成器的结构图；
图4为本发明实施例双输入遥感增强网络的结构图；
图5为本发明实施例判别器的结构图；
其中，Conv表示卷积网络层，k表示卷积核大小，n表示输出特征图的维度，s表示步长大小，Relu表示Relu激活函数层，Pixel shuffle为放大网络，AdaIN为AdaIN正则化层，BN为BN正则化层；
图6(a)-(e)中第一列为低质遥感退化图像，第二列为经典超分辨率方法EDSR的结果，第三列为本发明方法的结果。
具体实施方式
下面将结合附图对模型训练方式详细的说明。
本发明在无高分辨率参考图的条件下，设计了一种基于两阶段网络学习的低质遥感退化图像的超分辨率增强方法。具体地，第一阶段为模拟退化，采用循环生成对抗网络，利用高分辨率遥感图像模拟真实低质遥感退化图像的分布，第二阶段为遥感增强，采用另一个生成对抗网络去实现低质遥感退化图像的超分辨率工作。
一种基于无高分辨率参考图的遥感图像增强和复原方法，具体包括以下步骤：
(1)获取不成对的训练样本对，包括低质遥感退化图像X和高分辨率遥感图像Y；
(2)构建循环生成对抗网络，包括模拟退化网络Gs、遥感退化分布判别器Dr、循环生成器Gr和循环判别器Dr；模拟退化网络Gs网络结构如图2所示；循环生成器的结构图如图3所示；两个判别器的结构图如图5所示；
训练过程中，模拟退化网络Gs根据高分辨率遥感图像Y生成模拟遥感退化图像
为使生成遥感图像
的内容不发生偏差，采用循环生成器Gr根据模拟遥感退化图像
生成循环生成遥感图像
为了使模拟退化生成遥感图像
的分布接近真实遥感分布，将生成遥感图像
和真实遥感退化图像Y分别送入遥感退化分布判别器Dt，通过此判别器规定输出图像的分布，遥感退化分布判别器Dt将低质遥感退化图像X和模拟遥感退化图像
进行判别，根据判别结果调整模拟退化网络Gs，循环判别器Dr将循环生成遥感图像
与高分辨率遥感图像Y进行判别，根据判别结果调整模拟退化网络Gs；在模拟退化阶段，有两个判别器和两个生成器，其中生成器用到了L1损失函数，判别器用到了对抗损失函数。
(3)将模拟遥感退化图像
和高分辨率遥感图像Y构建成超分辨率增强网络的训练样本对；
(4)构建图像退化网络，包括双输入遥感增强网络Gd和清晰度判别器Dc；训练过程中，双输入遥感增强网络Gd将模拟退化网络Gs输出的模拟遥感退化图像
进行遥感退化增强学习，生成超分辨率重建遥感图像
清晰度判别器Dc将高分辨率遥感图像Y和超分辨率重建遥感图像
进行判别，根据判别结果调整双输入遥感增强网络Gd的参数；
双输入遥感增强网络Gd的结构图如图4所示，将
和与对应的高分辨率遥感图像Y送入网络，采用L1损失和对抗损失去限制重建遥感图像的准确性；清晰度判别器Dc结构图如图5所示；
双输入遥感增强网络Gd包括两个分支网络，第一个分支网络包含一个编码器，第二个分支网络包括一个编码器、多个卷积层和正则化层；第一个分支网络的输入为模拟遥感退化图像
经编码器并添加高斯噪声后得到高维图像特征域ω，将高维图像特征域ω输入到第二个分支网络中调整正则化层的参数；第二个分支网络的输入为高分辨率遥感图像Y，依次经编码器、多个卷积层和正则化层，得到超分辨率重建遥感图像
(5)在测试过程中，将任意低质遥感退化图像输入至训练完毕的双输入遥感增强网络Gd中，得到遥感增强重建图像。
本实施例具体的网络结构如图1所示，包括循环生成对抗网络(模拟退化阶段)和图像退化网络(图像增强阶段)；
循环生成对抗网络包括模拟退化网络Gs、遥感退化分布判别器Dr、循环生成器Gr和循环判别器Dr；模拟退化网络Gs用于根据高分辨率遥感图像Y生成模拟遥感退化图像
循环生成器Gr用于根据模拟遥感退化图像
生成循环生成遥感图像
遥感退化分布判别器Dt用于将低质遥感退化图像X和模拟遥感退化图像
进行判别，根据判别结果调整模拟退化网络Gs，循环判别器Dr用于将循环生成遥感图像
与高分辨率遥感图像Y进行判别，根据判别结果调整模拟退化网络Gs；
图像退化网络包括双输入遥感增强网络Gd和清晰度判别器Dc；双输入遥感增强网络Gd用于将模拟退化网络Gs输出的模拟遥感退化图像
进行遥感退化增强学习，生成超分辨率重建遥感图像
清晰度判别器Dc用于将高分辨率遥感图像Y和超分辨率重建遥感图像
进行判别，根据判别结果调整双输入遥感增强网络Gd的参数；
双输入遥感增强网络Gd包括两个分支网络，第一个分支网络包括一个编码器，第二个分支网络包括一个编码器、多个卷积层和正则化层；第一个分支网络的输入为模拟遥感退化图像
经编码器并添加高斯噪声后得到高维图像特征域ω，将高维图像特征域ω输入到第二个分支网络中调整正则化层的参数；第二个分支网络的输入为高分辨率遥感图像Y，依次经多个卷积层和正则化层，得到超分辨率重建遥感图像
通过图6对本发明方法进行验证，图6(a)-(e)中第一列为低质遥感退化图像，第二列为经典超分辨率方法EDSR的结果，第三列为本发明方法的结果。
Claims (2)
1.一种基于无高分辨率参考图的遥感图像增强和复原方法，其特征在于，包括以下步骤：
(1)获取不成对的训练样本对，包括低质遥感退化图像X和高分辨率遥感图像Y；
(2)构建循环生成对抗网络，包括模拟退化网络Gs、遥感退化分布判别器Dr、循环生成器Gr和循环判别器Dr；训练过程中，模拟退化网络Gs根据高分辨率遥感图像Y生成模拟遥感退化图像
循环生成器Gr根据模拟遥感退化图像
生成循环生成遥感图像
遥感退化分布判别器Dt将低质遥感退化图像X和模拟遥感退化图像
进行判别，根据判别结果调整模拟退化网络Gs，循环判别器Dr将循环生成遥感图像
与高分辨率遥感图像Y进行判别，根据判别结果调整模拟退化网络Gs；
(3)将模拟遥感退化图像
和高分辨率遥感图像Y构建成超分辨率增强网络的训练样本对；
(4)构建图像退化网络，包括双输入遥感增强网络Gd和清晰度判别器Dc；训练过程中，双输入遥感增强网络Gd将模拟退化网络Gs输出的模拟遥感退化图像
进行遥感退化增强学习，生成超分辨率重建遥感图像
清晰度判别器Dc将高分辨率遥感图像Y和超分辨率重建遥感图像
进行判别，根据判别结果调整双输入遥感增强网络Gd的参数；
(5)在测试过程中，将任意低质遥感退化图像输入至训练完毕的双输入遥感增强网络Gd中，得到遥感增强重建图像；
其中，双输入遥感增强网络Gd包括两个分支网络，第一个分支网络包含一个编码器，第二个分支网络包括一个编码器、多个卷积层和正则化层；第一个分支网络的输入为模拟遥感退化图像
经编码器并添加高斯噪声后得到高维图像特征域ω，将高维图像特征域ω输入到第二个分支网络中调整正则化层的参数；第二个分支网络的输入为高分辨率遥感图像Y，依次经编码器、多个卷积层和正则化层，得到超分辨率重建遥感图像
2.一种基于无高分辨率参考图的遥感图像增强和复原网络的构建方法，其特征在于，包括循环生成对抗网络和图像退化网络；
循环生成对抗网络包括模拟退化网络Gs、遥感退化分布判别器Dr、循环生成器Gr和循环判别器Dr；模拟退化网络Gs用于根据高分辨率遥感图像Y生成模拟遥感退化图像
循环生成器Gr用于根据模拟遥感退化图像
生成循环生成遥感图像
遥感退化分布判别器Dt用于将低质遥感退化图像X和模拟遥感退化图像
进行判别，根据判别结果调整模拟退化网络Gs，循环判别器Dr用于将循环生成遥感图像
与高分辨率遥感图像Y进行判别，根据判别结果调整模拟退化网络Gs；
图像退化网络包括双输入遥感增强网络Gd和清晰度判别器Dc；双输入遥感增强网络Gd用于将模拟退化网络Gs输出的模拟遥感退化图像
进行遥感退化增强学习，生成超分辨率重建遥感图像
清晰度判别器Dc用于将高分辨率遥感图像Y和超分辨率重建遥感图像
进行判别，根据判别结果调整双输入遥感增强网络Gd的参数；
其中，双输入遥感增强网络Gd包括两个分支网络，第一个分支网络包括一个编码器，第二个分支网络包括一个编码器、多个卷积层和正则化层；第一个分支网络的输入为模拟遥感退化图像
经编码器并添加高斯噪声后得到高维图像特征域ω，将高维图像特征域ω输入到第二个分支网络中调整正则化层的参数；第二个分支网络的输入为高分辨率遥感图像Y，依次经多个卷积层和正则化层，得到超分辨率重建遥感图像
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110578089.XA CN113284046B (zh) | 2021-05-26 | 2021-05-26 | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110578089.XA CN113284046B (zh) | 2021-05-26 | 2021-05-26 | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113284046A CN113284046A (zh) | 2021-08-20 |
| CN113284046B true CN113284046B (zh) | 2023-04-07 |
Family
ID=77281793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110578089.XA Active CN113284046B (zh) | 2021-05-26 | 2021-05-26 | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113284046B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643183B (zh) * | 2021-10-14 | 2021-12-21 | 湖南大学 | 非匹配遥感图像弱监督学习超分辨率重建方法及系统 |
| CN114897677A (zh) * | 2022-03-28 | 2022-08-12 | 北京航空航天大学 | 一种基于约束重构的无监督遥感图像超分辨率重建方法 |
| WO2024138719A1 (en) * | 2022-12-30 | 2024-07-04 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image optimization |
| CN116912148B (zh) * | 2023-09-12 | 2024-01-05 | 深圳思谋信息科技有限公司 | 图像增强方法、装置、计算机设备及计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685072A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
| CN111899168A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学（武汉） | 一种基于特征增强的遥感影像超分辨率重建方法和系统 |
| CN112163998A (zh) * | 2020-09-24 | 2021-01-01 | 肇庆市博士芯电子科技有限公司 | 一种匹配自然降质条件的单图像超分辨率分析方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992262B (zh) * | 2019-11-26 | 2023-04-07 | 南阳理工学院 | 一种基于生成对抗网络的遥感图像超分辨重建方法 |
| CN111260584A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 基于gan网络的水下退化图像增强的方法 |
| CN111260741B (zh) * | 2020-02-07 | 2022-05-10 | 北京理工大学 | 一种利用生成对抗网络的三维超声模拟方法及装置 |
| CN111583109B (zh) * | 2020-04-23 | 2024-02-13 | 华南理工大学 | 基于生成对抗网络的图像超分辨率方法 |
| CN111598805A (zh) * | 2020-05-13 | 2020-08-28 | 华中科技大学 | 一种基于vae-gan的对抗样本防御方法及系统 |
| CN112819686B (zh) * | 2020-08-18 | 2024-03-29 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像风格处理方法、装置及电子设备 |
| CN112734642B (zh) * | 2021-01-12 | 2023-03-10 | 武汉工程大学 | 多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置 |
-
2021
- 2021-05-26 CN CN202110578089.XA patent/CN113284046B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685072A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
| CN111899168A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学（武汉） | 一种基于特征增强的遥感影像超分辨率重建方法和系统 |
| CN112163998A (zh) * | 2020-09-24 | 2021-01-01 | 肇庆市博士芯电子科技有限公司 | 一种匹配自然降质条件的单图像超分辨率分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113284046A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113284046B (zh) | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 | |
| CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
| CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
| Chen et al. | Fsrnet: End-to-end learning face super-resolution with facial priors | |
| CN108510532B (zh) | 基于深度卷积gan的光学和sar图像配准方法 | |
| CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
| CN111062880B (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN108648197B (zh) | 一种基于图像背景掩膜的目标候选区域提取方法 | |
| CN110210551A (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
| Liu et al. | An attention-based approach for single image super resolution | |
| Chen et al. | Convolutional neural network based dem super resolution | |
| CN109584162B (zh) | 一种基于生成网络的图像超分辨率重构的方法 | |
| CN109410261A (zh) | 基于金字塔池化模块的单目图像深度估计方法 | |
| CN109325915B (zh) | 一种用于低分辨率监控视频的超分辨率重建方法 | |
| CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
| Prajapati et al. | Direct unsupervised super-resolution using generative adversarial network (DUS-GAN) for real-world data | |
| CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
| CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
| CN113159158B (zh) | 一种基于生成对抗网络的车牌矫正与重构方法及系统 | |
| CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
| CN114692509A (zh) | 基于多阶段退化神经网络的强噪声单光子三维重建方法 | |
| CN104036242B (zh) | 基于Centering Trick卷积限制玻尔兹曼机的物体识别方法 | |
| CN111310767A (zh) | 一种基于边界增强的显著性检测方法 | |
| Cheng et al. | Generating high-resolution climate prediction through generative adversarial network | |
| Yang et al. | Research on digital camouflage pattern generation algorithm based on adversarial autoencoder 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 |