CN113674151A - 一种基于深度神经网络的图像超分辨率重建方法 - Google Patents
一种基于深度神经网络的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN113674151A CN113674151A CN202110855397.2A CN202110855397A CN113674151A CN 113674151 A CN113674151 A CN 113674151A CN 202110855397 A CN202110855397 A CN 202110855397A CN 113674151 A CN113674151 A CN 113674151A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- convolution
- layer
- deep neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal 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
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度神经网络的图像超分辨率重建方法，该方法首先将LR原始图像输入特征提取模块，LR原始图像在通过特征提取模块后提取出特征分量，然后将提取出的特征分量作为输入传给迭代模块。迭代模块由残差网络、重构网络、卷积网络、下采样网络组成。最后将每个迭代模块输出的中间预测HR图像加权求和重构出高分辨率图像。本发明采用新型残差块结构，有效提升收敛速度；并且采用迭代模块，反向传播时可以通过权重求和直接传递至早期的迭代模块中，保障了收敛性；同时采用几何自集成方法来强化数据集。结果表明，对于现有的网络模型，本发明不仅具有更好的图片真实性，而且还具有更好的PNSR指标与更快的模型收敛训练速度。
Description
技术领域
本发明涉及一种基于深度神经网络的图像超分辨率重建方法，属于图像处理技术领域。
背景技术
人类获得信息的重要来源是视觉，因此图像的重要性不言而喻。简单来说，图像分辨率表示信息量的多少，而信息量可以理解为一张一英寸的图像中像素点的数量。随着大数据时代的蓬勃发展，人们对信息量需求越来越高、信息精度越来越高。LR(LowResolution，低分辨率)图像无法满足人们特定的需求，例如医疗图像领域和监控领域，如何提高图像分辨率成为重要议题。由于硬件装置制造过程的改善周期长，与软件相比成本高，所以更多的研究人员想要优化软件和算法，以另一个方式实现图像的超分辨率重构。
SR(Super Resolution，超分辨率)重构主要是牺牲时间带宽来提升图像质量，是时间向空间的转换。传统的图像超分辨率处理方法被分为三种：基于内插的SR、基于多帧重构的SR和基于学习的SR。其中基于插值的超分辨率重建算法会导致原始LR图像的高频信息丢失，造成边缘模糊。基于多帧重建的方法从已经退化成为LR的图像问题模型出发，同时使用多张LR图像，让不同的LR信息相互补充。然后根据退化的反过程来重建HR图像，并且在未知的HR图像的先验知识的约束下进行SR重建。
近年来，得益于神经网络的强大性，越来越多的领域选择应用神经网络进行算法性能的提升。因此，现如今的SR重构算法多采用基于学习的方法。基于学习的方法不依靠单纯的相邻像素关系的填补，而是探究图像与图像之间内在的联系。将大量已经存在的数据喂入搭建的网络中，使算法学习LR图像与HR图像之间存在的内在隐藏关系。然后根据学习到的映射关系即训练好的参数来预测LR图像所对应的HR图像，从而对任意LR图像实现超分辨率重构。近年来几种典型的模型为SRCNN、VDSR、SRGAN等。
2014年，Dong等人提出基于学习图片重建的开山之作：SRCNN模型。该模型通过训练参数，掌握了LR到HR端到端的直接映射。解构模型，其中内含三个模块：图像特征提取块、非线性映射块以及重构块，通过这一套基础流程达到由原始LR图像重构出HR图像的效果。Dong等人随后又提对SRCNN进行改进发展出FSRCNN算法，该算法通过减少了预处理操作大大提高了算法速度。
在这之后，为了解决SRCNN网络存在的局限性，Kim等人在SRCNN的基础上做出了改进，通过增加网络深度并使用全局残差学习发展出了VSDR模型，该模型只训练高频分量并与低频分量叠加且一次就加深到了20层，证明了深度加深重构效果也会更好的结果。
2015年，He-Kaiming等人提出了残差网络的算法。经当时的学者大量研究和实验发现，一味增加深度带来的效果并不理想，并且面临难以收敛、梯度弥散、梯度爆炸问题，而残差网络的提出再一次推动了深度学习的进程，它使得极深网络成为了可能。
2017年，Christian Ledig等人通过对抗网络进行超分重构。他们认为大部分超分算法采用L2作为损失函数，由此PNSR指标变好，但是重构的图像过于平滑，失去图像的感官真实性。实验表明使用GAN重构后的图像在大倍率放大的情况下，仍然具有更好的图像感官真实性。
发明内容
本发明所要解决的技术问题是：提供一种基于深度神经网络的图像超分辨率重建方法，通过一个残差神经网络实现高品质的图像复原和重构，通过采用迭代模块的方式，在提高重构图像的视觉效果的前提下，最大限度地优化PNSR(Peak Signal to Noise Ratio，峰值信噪比)与SSIM(Structural Similarity，结构相似性)指标并且提升收敛速度。
本发明为解决上述技术问题采用以下技术方案：
一种基于深度神经网络的图像超分辨率重建方法，包括如下步骤：
步骤1，构建深度神经网络，所述深度神经网络包括依次连接的特征提取模块、迭代模块以及加权求和模块；所述特征提取模块包括第一卷积层；所述迭代模块包括依次连接的残差网络、重构网络、卷积网络和下采样网络，其中，残差网络包括8个依次连接的残差块和第二卷积层，重构网络包括依次连接的亚像素层和第三卷积层，卷积网络包括8个依次连接的卷积块；
步骤2，利用特征提取模块对原始LR图像进行特征提取，得到特征分量；将特征提取模块的输出即特征分量作为残差网络的输入，即将特征分量输入第一个残差块；
步骤3，将前一个残差块的输出作为后一个残差块的输入，将最后一个残差块的输出作为第二卷积层的输入；
步骤4，将第二卷积层的输出与特征提取模块的输出相结合送入亚像素层进行上采样，将亚像素层的输出送入第三卷积层，输出中间预测HR图像；
步骤5，将中间预测HR图像依次经过卷积网络和下采样网络获得中间预测LR图像；
步骤6，判断是否达到预设迭代次数，若是则进入步骤7，否则将中间预测LR图像送入残差网络，并重复步骤3-步骤5；
步骤7，将每次迭代获得的中间预测HR图像送入加权求和模块，进行加权求和，得到HR图像；
步骤8，采用几何自集成方法对原始LR图像进行图像几何转换，获得7个新的LR图像，对每个新的LR图像重复步骤2-步骤7，得到7个HR图像，将7个HR图像进行图像几何反转换后与原始LR图像得到的HR图像进行加权平均，并输出最终的HR图像。
作为本发明的一种优选方案，所述残差块均包括依次连接的第四卷积层、ReLu激活层和第五卷积层，并且在第五卷积层乘以一个残差因子0.1，前一个残差块第五卷积层的输出作为后一个残差块第四卷积层的输入，所述第四、第五卷积层的卷积核大小均为3*3。
作为本发明的一种优选方案，所述卷积块均包括依次连接的第六卷积层和PReLu激活层，前一个卷积块的输出作为后一个卷积块的输入，即前一个卷积块PReLu激活层的输出作为后一个卷积块第六卷积层的输入，所述第六卷积层的卷积核大小为3*3。
作为本发明的一种优选方案，所述深度神经网络的学习率为10-4。
作为本发明的一种优选方案，所述深度神经网络的损失函数为L1范数：
其中，
表示损失函数，y(i)、
分别为第i个元素的目标值、估计值，m+1为元素数量。
作为本发明的一种优选方案，所述第一、第二、第三卷积层的卷积核大小为3*3。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明通过删除BN层，大大减少ReLu激活函数的采用，采用迭代模块，并用Geometric Self-ensemble的方法来强化数据集等方法，使得图像具有更好视觉真实度的同时，也强化了PNSR指标，提高了收敛速度。
2、本发明通过使用迭代模块，反向传播时损失函数梯度能够更快地到达早期迭代模块，能够提升收敛速度。
3、对于现有的网络模型如VDSR模型，本发明不仅具有更好的图片真实性，而且还具有更好的PNSR指标与更快的模型收敛训练速度。
附图说明
图1是本发明基于深度神经网络的图像超分辨率重建方法的总体网络图。
图2是本发明中的残差块结构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
由于图像视觉真实性不够强，PNSR指标不够高，收敛速度不够快，训练周期过长，我们在本模型中采用迭代模块和跳跃连接的残差网络。如图1所示为基于深度神经网络的图像超分辨率重建方法总体网络图。深度神经网络由三个模块组成，分别是：特征提取模块、迭代模块和加权求和模块，其中，迭代模块由残差网络、重构网络、卷积网络和下采样网络组成。
具体步骤如下：
步骤1：通过第一卷积层从输入的LR原始图像中提取特征，即分离出特征分量。
特征提取模块的功能仅由一个卷积层实现，网络中不包含ReLu激活函数。激活函数的移除给网络的运行速度腾出了大量的空间，并且能够带来更快的收敛速度。卷积层采用3*3卷积核进行特征提取，表示为xconv＝fconv(ILR)，fconv是输入图像ILR的卷积函数。
步骤2：将特征提取网络的输出即分离出的特征分量输进迭代模块。迭代模块由残差网络、重构网络、卷积网络、下采样网络构成。将每次迭代之后获得的中间预测HR图像一起进行加权求和获得HR图像。
步骤3，将特征分量送入迭代模块中的残差网络。多个小型残差块构成了总体的残差网络，解构每个小型残差块，其中都内含两个卷积层和一个ReLu激活函数层，如图2所示。同时通过损失函数反应目标值与估计值之间的差距，不断优化模型。最重要的是，将BN层从训练网络中移除，减少残差网络的待训练参数。在以往传统的利用深度网络进行SR重构的模型中，使用BN层不仅可以训练更深的网络优化最后的学习效果，还可以通过BN层在正则归一化训练过程避免过拟合。然而，在图像处理的网络结构中，当BN层正则化图像信息时，图像的对比度信息被破坏。残差网络总共使用了8个RB块，256个通道。
定义第n个RB块的卷积函数为
第n个RB块的输出定义为
最后一个RB块的输出
输入到u-sampling模块中。然后就可以得到重构图像的高频部分，表示为
为亚像素卷积函数。
为了维持网络的收敛性，每次出入一个残差网络，就乘以一个残差系数。深度神经网络中学习率设置为10-4，采用损失函数L1范数。由于L1范数可以将特征稀疏，并且对异常点鲁棒性更好，故选取L1范数作为损失函数对深度神经网络进行优化。
其中，
表示损失函数，y(i)、
分别为第i个元素的目标值、估计值，m+1为元素数量。
步骤4：采用全局跳跃连接将特征提取模块输出的特征分量与残差网络的输出相结合送入重构网络进行重构，这有助于提高网络的重构性能。
步骤5：重构网络使用亚像素层与第三卷积层进行上采样重构，输出中间预测HR图像。
步骤6：将中间预测HR图像送入卷积网络并进行下采样获得中间预测LR图像。此时的激活函数选用PReLU。然后将中间预测LR图像送入残差网络中继续进行下一次迭代。
步骤7：对迭代模块进行多次迭代，然后将每次迭代获得的中间预测HR图像进行加权求和获得最后的HR图像。使用迭代模块并把迭代模块每次输出的中间预测HR图像权重求和可以使网络在反向传播更新参数的时候，损失函数的梯度能够通过权重求和直接到达早期的迭代模块，有利于提升收敛速度。
步骤8：采用Geometric Self-ensemble(几何自集成)的方法，来强化数据集。该方法将原始LR图像通过图像几何转换的手段比如放缩、旋转获得七个LR图像，将这七个LR图像分别用残差网络进行训练，然后将各自对应的HR图像通过相应的逆变换获得原始LR图像。最后，对转换后的输出进行后续处理，将所有的结果进行加权平均的计算，把自相似结果作为最后的输出。
实施例
步骤1：数据集准备。在图像处理领域最常采用的数据集为：Set5、Set14、Urban100、GeneraL100、DIV2K。本次训练采用了这里提到的五个数据集进行。在训练General00的数据集时，由于当时采用的GUP只是1660S，只截取图像中间100×100的大小进行重构。
步骤2，对于每一张HR图像，我们分别训练放大系数为×2、×3与×4的LR图像，批量大小设置为64。且在训练高倍网络时，采用低倍网络的输出作为预训练，用来前者的参数初始后者的模型，提高效率，也可以增加结果的质量。
步骤3，采用第一个卷积层进行对原始输入LR图像进行特征提取。每个卷积核大小为3*3，不采用激活函数，以提升训练速度。
步骤4，提取后的特征进入迭代模块，迭代模块由残差网络、重构网络、卷积网络、下采样网络组成。一共迭代6次，过多的迭代会导致中间预测HR和LR失真。
步骤5，特征分量进入残差网络，残差网络由8个残差块和第二卷积层构成。每一个残差块如图2所示：每个残差块都由两个卷积层与一个激活函数构成。进入数个残差块时，为了维持网络的收敛性，每出入一个残差网络，就乘以一个残差因子0.1。网络中学习率设置为10-4，且在网络运行过程中，每一次训练过2×105Batch就变为原来的二分之一。
步骤6，重构网络采用亚像素层进行上采样，将图像放大到指定大小输出中间预测HR图像。
步骤7，在获得中间预测HR图像之后对其进行卷积操作并进行下采样获得中间预测LR图像，并且再次送入迭代模块。
步骤8，采用在优化器方面，网络选择采用Adam优化器，基础设置即为默认，不进行更改，同时为了保证卷积过程中输入与输出图像大小一致，采用same-padding。
步骤9：在训练一张LR图像完成后，采用Geometric Self-ensemble方法，将原始LR图像通过图像几何转换的手段比如放缩、旋转获得七个LR图像分别用残差网络进行训练，然后将各自对应的HR图像通过相应的逆变换获得原始LR图像。最后，对转换后的输出进行加权平均的计算，把自相似结果作为最后的输出。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (6)
1.一种基于深度神经网络的图像超分辨率重建方法，其特征在于，包括如下步骤：
步骤1，构建深度神经网络，所述深度神经网络包括依次连接的特征提取模块、迭代模块以及加权求和模块；所述特征提取模块包括第一卷积层；所述迭代模块包括依次连接的残差网络、重构网络、卷积网络和下采样网络，其中，残差网络包括8个依次连接的残差块和第二卷积层，重构网络包括依次连接的亚像素层和第三卷积层，卷积网络包括8个依次连接的卷积块；
步骤2，利用特征提取模块对原始LR图像进行特征提取，得到特征分量；将特征提取模块的输出即特征分量作为残差网络的输入，即将特征分量输入第一个残差块；
步骤3，将前一个残差块的输出作为后一个残差块的输入，将最后一个残差块的输出作为第二卷积层的输入；
步骤4，将第二卷积层的输出与特征提取模块的输出相结合送入亚像素层进行上采样，将亚像素层的输出送入第三卷积层，输出中间预测HR图像；
步骤5，将中间预测HR图像依次经过卷积网络和下采样网络获得中间预测LR图像；
步骤6，判断是否达到预设迭代次数，若是则进入步骤7，否则将中间预测LR图像送入残差网络，并重复步骤3-步骤5；
步骤7，将每次迭代获得的中间预测HR图像送入加权求和模块，进行加权求和，得到HR图像；
步骤8，采用几何自集成方法对原始LR图像进行图像几何转换，获得7个新的LR图像，对每个新的LR图像重复步骤2-步骤7，得到7个HR图像，将7个HR图像进行图像几何反转换后与原始LR图像得到的HR图像进行加权平均，并输出最终的HR图像。
2.根据权利要求1所述基于深度神经网络的图像超分辨率重建方法，其特征在于，所述残差块均包括依次连接的第四卷积层、ReLu激活层和第五卷积层，并且在第五卷积层乘以一个残差因子0.1，前一个残差块第五卷积层的输出作为后一个残差块第四卷积层的输入，所述第四、第五卷积层的卷积核大小均为3*3。
3.根据权利要求1所述基于深度神经网络的图像超分辨率重建方法，其特征在于，所述卷积块均包括依次连接的第六卷积层和PReLu激活层，前一个卷积块的输出作为后一个卷积块的输入，即前一个卷积块PReLu激活层的输出作为后一个卷积块第六卷积层的输入，所述第六卷积层的卷积核大小为3*3。
4.根据权利要求1所述基于深度神经网络的图像超分辨率重建方法，其特征在于，所述深度神经网络的学习率为10-4。
5.根据权利要求1所述基于深度神经网络的图像超分辨率重建方法，其特征在于，所述深度神经网络的损失函数为L1范数：
其中，
表示损失函数，y(i)、
分别为第i个元素的目标值、估计值，m+1为元素数量。
6.根据权利要求1所述基于深度神经网络的图像超分辨率重建方法，其特征在于，所述第一、第二、第三卷积层的卷积核大小均为3*3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110855397.2A CN113674151A (zh) | 2021-07-28 | 2021-07-28 | 一种基于深度神经网络的图像超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110855397.2A CN113674151A (zh) | 2021-07-28 | 2021-07-28 | 一种基于深度神经网络的图像超分辨率重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113674151A true CN113674151A (zh) | 2021-11-19 |
Family
ID=78540397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110855397.2A Pending CN113674151A (zh) | 2021-07-28 | 2021-07-28 | 一种基于深度神经网络的图像超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113674151A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114363617A (zh) * | 2022-03-18 | 2022-04-15 | 武汉大学 | 一种网络轻量级视频流传输方法、系统及设备 |
-
2021
- 2021-07-28 CN CN202110855397.2A patent/CN113674151A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114363617A (zh) * | 2022-03-18 | 2022-04-15 | 武汉大学 | 一种网络轻量级视频流传输方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN106991646B (zh) | 一种基于密集连接网络的图像超分辨率方法 | |
| Acharya et al. | Computational foundations of image interpolation algorithms. | |
| CN110634105B (zh) | 一种光流法和深度网络结合的视频高时空分辨率信号处理方法 | |
| CN111242846B (zh) | 基于非局部增强网络的细粒度尺度图像超分辨率方法 | |
| CN110060204B (zh) | 一种基于可逆网络的单一图像超分辨率方法 | |
| CN111815516B (zh) | 一种弱监督红外遥感图像超分辨率重建方法 | |
| CN112288632B (zh) | 基于精简esrgan的单图像超分辨率方法及系统 | |
| 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 | |
| CN110751597A (zh) | 基于编码损伤修复的视频超分辨方法 | |
| CN112884650B (zh) | 一种基于自适应纹理蒸馏的图像混合超分辨率方法 | |
| 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 | |
| Hui et al. | Two-stage convolutional network for image super-resolution | |
| CN115393191A (zh) | 一种轻量级遥感图像超分辨率重建方法、装置及设备 | |
| CN110288529B (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
| CN115953294A (zh) | 一种基于浅层通道分离与聚合的单图像超分辨率重建方法 | |
| CN114841859A (zh) | 基于轻量神经网络和Transformer的单图像超分辨率重建方法 | |
| 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 | |
| Liu et al. | Facial image inpainting using multi-level generative network | |
| CN113674151A (zh) | 一种基于深度神经网络的图像超分辨率重建方法 | |
| CN111402140A (zh) | 单张图像超分辨率重建系统及方法 | |
| CN116681592A (zh) | 基于多尺度自适应非局部注意力网络的图像超分辨率方法 | |
| 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 | |
| CN115409713A (zh) | 一种高效实时的单张图像超分变率重建系统及方法 |
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 |