CN113706383A - 一种太赫兹图像的超分辨率方法及其系统和装置 - Google Patents
一种太赫兹图像的超分辨率方法及其系统和装置 Download PDFInfo
- Publication number
- CN113706383A CN113706383A CN202111003812.8A CN202111003812A CN113706383A CN 113706383 A CN113706383 A CN 113706383A CN 202111003812 A CN202111003812 A CN 202111003812A CN 113706383 A CN113706383 A CN 113706383A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- terahertz
- activation function
- layers
- 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 33
- 230000004913 activation Effects 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000001902 propagating effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 56
- 238000005070 sampling Methods 0.000 claims description 42
- 238000007689 inspection Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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 transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than 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 transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
Abstract
本发明公开一种太赫兹图像的超分辨率方法及其系统和装置,包括:获取训练标签图像;删除训练标签图像中与正式设备相比多余的像素点,得到的图像作为训练输入图像;将训练输入图像输入由若干卷积层、激活函数层和反卷积层构成的神经网络,得到网络输出图像;利用网络输出图像和训练标签图像计算损失函数,并反向传播更新网络参数。本发明使用高分辨率图像作为训练图像,原正式设备不变,传感器数量不变,使用神经网络替代传统拉伸算法,使用神经网络生成图像更真实和清楚,解决了传统拉伸算法在大比例缩放情况下造成边缘模糊和失真的问题,输入图像变为单通道图像,其大小减少2倍,所需神经网络规模更小,神经网络尺寸更精简,网络计算速度更快。
Description
技术领域
本发明属于太赫兹图像超分辨率技术领域,具体涉及一种太赫兹图像的超分辨率方法及其系统和装置。
背景技术
毫米波/太赫兹安检技术是近年来兴起的一种新型人体安检技术,可利用毫米波/太赫兹波对人体进行非接触式安检。
现有的毫米波/太赫兹安检设备受限于传感器规格和分辨率,只会布置少量传感器,图像的采样率低,需要通过拉伸算法处理后成像。例如,在竖直和水平方向各放置100个传感器,最终成像为500像素的情况下需要拉伸5倍,传统的拉伸算法在大比例放大时会造成图像边缘模糊并且失真。
发明内容
为解决现有技术中存在的技术问题,本发明的目的在于提供一种太赫兹图像的超分辨率方法及其系统和装置。
为实现上述目的,达到上述技术效果,本发明采用的技术方案为:
一种太赫兹图像的超分辨率方法,包括以下步骤:
S1、获取训练标签图像;
S2、删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到的图像作为训练输入图像;
S3、将训练输入图像输入由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,用于得到网络输出图像;
S4、利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
进一步的,步骤S1中,所述训练标签图像采用以下步骤制备得到:
沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器;
设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像。
进一步的,步骤S2中,所述训练输入图像采用以下步骤制备得到:
首先,沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器,设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像;
最后,删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像,并将其作为训练输入图像。
进一步的,所述神经网络包括依次连接的卷积与激活函数层组及反卷积与激活函数层组,卷积与激活函数层组包括依次连接的若干组第一层组,每组第一层组均由依次连接的一层卷积层和一层激活函数层构成,反卷积与激活函数层组包括依次连接的若干组第二层组,每组第二层组均由依次连接的反卷积层和激活函数层构成。
进一步的,所述第一层组共设有五组,第一层组的卷积层和激活函数层均有五层,所述第二层组共设有五组,第二层组的反卷积层和激活函数层均有五层。
进一步的,所述第一层组共设有六组,第一层组的卷积层和激活函数层均有六层,所述第二层组共设有六组,第二层组的反卷积层和激活函数层均有六层。
进一步的,所述第一层组共设有六组,第一层组的卷积层和激活函数层均有六层,所述第二层组共设有五组,第二层组的反卷积层和激活函数层均有五层。
本发明公开了一种太赫兹图像的超分辨率系统,采用太赫兹图像的超分辨率方法,包括:
太赫兹安检正式设备,所述太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器;
太赫兹安检采样设备,所述太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像;
太赫兹图像处理模块,所述太赫兹图像处理模块用于删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像并将其作为训练输入图像;
网络输出模块,所述网络输出模块包括由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,网络输出模块处理输入的训练输入图像,输出网络输出图像;
损失计算模块,所述损失计算模块利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
本发明公开了一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序被执行时进行太赫兹图像的超分辨率方法的步骤。
本发明公开了一种装置,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器执行或调用存储器中的计算机程序时进行太赫兹图像的超分辨率方法的步骤。
与现有技术相比,本发明的有益效果为:
1)使用专用的太赫兹安检采样设备获取高分辨率图像作为训练输入图像,原太赫兹安检正式设备不变,传感器数量不变;
2)本发明使用神经网络替代传统拉伸算法,使用神经网络生成图像更真实和清楚,解决了传统拉伸算法在大比例缩放情况下造成边缘模糊和失真的问题;
3)本发明使用太赫兹图像的尺寸为宽×高,相比其他神经网路算法中可见光图像尺寸为宽×高×3,本发明输入图像变为单通道图像,其尺寸减少2倍,在使用神经网络提取相同的特征时,所需要的神经网络规模会更小,神经网络尺寸更精简,整个网络计算速度更快。
附图说明
图1为本发明的原理框图。
具体实施方式
下面结合附图对本发明进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
如图1所示,一种太赫兹图像的超分辨率方法,包括以下步骤:
S1、获取训练标签图像;
S2、删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到的图像作为训练输入图像;
S3、将训练输入图像输入由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,用于得到网络输出图像;
S4、利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
步骤S1中,训练标签图像采用以下步骤制备得到:
沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器;
设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像。
步骤S2中,训练输入图像采用以下步骤制备得到:
首先,沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器,设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像;
最后,删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像,并将其作为训练输入图像。
神经网络包括依次连接的卷积与激活函数层组及反卷积与激活函数层组,卷积与激活函数层组包括依次连接的若干组第一层组,每组第一层组均由依次连接的一层卷积层和一层激活函数层构成,反卷积与激活函数层组包括依次连接的若干组第二层组,每组第二层组均由依次连接的反卷积层和激活函数层构成。
本发明公开了一种太赫兹图像的超分辨率系统,采用太赫兹图像的超分辨率方法,包括:
太赫兹安检正式设备,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器;
太赫兹安检采样设备,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像;
太赫兹图像处理模块,太赫兹图像处理模块用于删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像并将其作为训练输入图像;
网络输出模块,网络输出模块包括由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,网络输出模块处理输入的训练输入图像,输出网络输出图像;
损失计算模块,损失计算模块利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
本发明公开了一种计算机可读存储介质,其内存储计算机程序,计算机程序被执行时进行太赫兹图像的超分辨率方法的步骤。
本发明公开了一种装置,包括存储器和处理器,存储器用于存储计算机程序,处理器执行或调用存储器中的计算机程序时进行太赫兹图像的超分辨率方法的步骤。
实施例1
一种太赫兹图像的超分辨率方法,包括以下步骤:
S1、获取训练标签图像;
S2、删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到的图像作为训练输入图像;
S3、将训练输入图像输入由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,用于得到网络输出图像;
S4、利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
步骤S1中,训练标签图像采用以下步骤制备得到:
沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器;
设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像。
步骤S2中,训练输入图像采用以下步骤制备得到:
删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像,并将其作为训练输入图像。
神经网络包括依次连接的卷积与激活函数层组及反卷积与激活函数层组,卷积与激活函数层组包括依次连接的若干组第一层组,每组第一层组均由依次连接的一层卷积层和一层激活函数层构成,反卷积与激活函数层组包括依次连接的若干组第二层组,每组第二层组均由依次连接的反卷积层和激活函数层构成。
其中,第一层组共设有五组,第一层组的卷积层和激活函数层均有五层,第二层组共设有五层,第二层组的反卷积层和激活函数层均有五层,如表1所示。
实施例2
本实施例与实施例1的区别在于,本实施例的第一层组共设有六层,第一层组的卷积层和激活函数层均有六层,第二层组共设有六层,第二层组的反卷积层和激活函数层均有六层,如表1所示。
余同实施例1。
实施例3
本实施例与实施例1的区别在于,本实施例的第一层组共设有六层,第一层组的卷积层和激活函数层均有六层,第二层组共设有五层,第二层组的反卷积层和激活函数层均有五层,如表1所示。
余同实施例1。
表1
相对于业界现有技术中U-Net网络的层数为27层,DeepLab网络至少为36层,实施例1、实施例2和实施例3的总层数分别为20层、24层和22层,相对于现有技术的网络层数少,计算量少,具有速度快的优势。
本发明未具体描述的部分采用现有技术即可,在此不做赘述。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种太赫兹图像的超分辨率方法,其特征在于,包括以下步骤:
S1、获取训练标签图像;
S2、删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到的图像作为训练输入图像;
S3、将训练输入图像输入由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,用于得到网络输出图像;
S4、利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
2.根据权利要求1所述的一种太赫兹图像的超分辨率方法,其特征在于,步骤S1中,所述训练标签图像采用以下步骤制备得到:
沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器;
设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像。
3.根据权利要求1所述的一种太赫兹图像的超分辨率方法,其特征在于,步骤S2中,所述训练输入图像采用以下步骤制备得到:
首先,沿太赫兹安检正式设备的水平方向和竖直方向分别布置若干个传感器,设,太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器,太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;
随后,通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像;
最后,删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像,并将其作为训练输入图像。
4.根据权利要求1所述的一种太赫兹图像的超分辨率方法,其特征在于,所述神经网络包括依次连接的卷积与激活函数层组及反卷积与激活函数层组,卷积与激活函数层组包括依次连接的若干组第一层组,每组第一层组均由依次连接的一层卷积层和一层激活函数层构成,反卷积与激活函数层组包括依次连接的若干组第二层组,每组第二层组均由依次连接的反卷积层和激活函数层构成。
5.根据权利要求4所述的一种太赫兹图像的超分辨率方法,其特征在于,所述第一层组共设有五组,第一层组的卷积层和激活函数层均有五层,所述第二层组共设有五组,第二层组的反卷积层和激活函数层均有五层。
6.根据权利要求4所述的一种太赫兹图像的超分辨率方法,其特征在于,所述第一层组共设有六组,第一层组的卷积层和激活函数层均有六层,所述第二层组共设有六组,第二层组的反卷积层和激活函数层均有六层。
7.根据权利要求4所述的一种太赫兹图像的超分辨率方法,其特征在于,所述第一层组共设有六组,第一层组的卷积层和激活函数层均有六层,所述第二层组共设有五组,第二层组的反卷积层和激活函数层均有五层。
8.一种太赫兹图像的超分辨率系统,其特征在于,采用权利要求1-7任一所述的一种太赫兹图像的超分辨率方法,包括:
太赫兹安检正式设备,所述太赫兹安检正式设备水平布置W个传感器,竖直方向布置H个传感器;
太赫兹安检采样设备,所述太赫兹安检采样设备设置mW个传感器,竖直方向设有nH个采样点;通过太赫兹安检采样设备采样得到高分辨率的mW×nH像素的训练标签图像;
太赫兹图像处理模块,所述太赫兹图像处理模块用于删除掉训练标签图像中与太赫兹安检正式设备相比多余的像素点,得到W×H像素的图像并将其作为训练输入图像;
网络输出模块,所述网络输出模块包括由若干层卷积层、若干层激活函数层和若干层反卷积层构成的神经网络,网络输出模块处理输入的训练输入图像,输出网络输出图像;
损失计算模块,所述损失计算模块利用网络输出图像和训练标签图像计算得到损失函数,并反向传播更新网络参数。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序被执行时进行权利要求1-7任一所述的一种太赫兹图像的超分辨率方法的步骤。
10.一种装置,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器执行或调用存储器中的计算机程序时进行权利要求1-7任一所述的一种太赫兹图像的超分辨率方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003812.8A CN113706383A (zh) | 2021-08-30 | 2021-08-30 | 一种太赫兹图像的超分辨率方法及其系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003812.8A CN113706383A (zh) | 2021-08-30 | 2021-08-30 | 一种太赫兹图像的超分辨率方法及其系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706383A true CN113706383A (zh) | 2021-11-26 |
Family
ID=78656761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003812.8A Pending CN113706383A (zh) | 2021-08-30 | 2021-08-30 | 一种太赫兹图像的超分辨率方法及其系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706383A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191376A (zh) * | 2018-07-18 | 2019-01-11 | 电子科技大学 | 基于srcnn改进模型的高分辨率太赫兹图像重构方法 |
CN109784203A (zh) * | 2018-12-24 | 2019-05-21 | 中国科学院大学 | 基于分层传播和激活的弱监督x光图像违禁品检查方法 |
CN110211059A (zh) * | 2019-05-17 | 2019-09-06 | 武汉奥贝赛维数码科技有限公司 | 一种基于深度学习的图像重建方法 |
WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
CN110473145A (zh) * | 2019-08-15 | 2019-11-19 | 广东工业大学 | 被动式太赫兹图像融合超高分辨率重建的检测方法及装置 |
CN112435162A (zh) * | 2020-11-13 | 2021-03-02 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
WO2021048863A1 (en) * | 2019-09-11 | 2021-03-18 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center) | Methods and systems for super resolution for infra-red imagery |
-
2021
- 2021-08-30 CN CN202111003812.8A patent/CN113706383A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
CN109191376A (zh) * | 2018-07-18 | 2019-01-11 | 电子科技大学 | 基于srcnn改进模型的高分辨率太赫兹图像重构方法 |
CN109784203A (zh) * | 2018-12-24 | 2019-05-21 | 中国科学院大学 | 基于分层传播和激活的弱监督x光图像违禁品检查方法 |
CN110211059A (zh) * | 2019-05-17 | 2019-09-06 | 武汉奥贝赛维数码科技有限公司 | 一种基于深度学习的图像重建方法 |
CN110473145A (zh) * | 2019-08-15 | 2019-11-19 | 广东工业大学 | 被动式太赫兹图像融合超高分辨率重建的检测方法及装置 |
WO2021048863A1 (en) * | 2019-09-11 | 2021-03-18 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center) | Methods and systems for super resolution for infra-red imagery |
CN112435162A (zh) * | 2020-11-13 | 2021-03-02 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
Non-Patent Citations (1)
Title |
---|
薛飞;梁栋;喻洋;潘家兴;吴天鹏;: "主动太赫兹成像中的多目标分割与检测识别方法", 红外, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949224B (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN107358575A (zh) | 一种基于深度残差网络的单幅图像超分辨率重建方法 | |
EP3644270A1 (en) | Image processing device, imaging device, image processing method, program, and storage medium | |
CN109523470B (zh) | 一种深度图像超分辨率重建方法及系统 | |
CN111127317B (zh) | 图像超分辨率重建方法、装置、存储介质和计算机设备 | |
CN111862251B (zh) | 医学图像重建技术的方法、装置、存储介质和电子设备 | |
CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
CN112686119B (zh) | 基于自注意力生成对抗网络的车牌运动模糊图像处理方法 | |
Chen et al. | Single image super-resolution using deep CNN with dense skip connections and inception-resnet | |
Yang et al. | License plate image super-resolution based on convolutional neural network | |
CN113781308A (zh) | 图像超分辨率重建方法、装置、存储介质及电子设备 | |
CN113689517A (zh) | 一种多尺度通道注意力网络的图像纹理合成方法及系统 | |
CN110503083A (zh) | 一种关键点检测方法、装置及电子设备 | |
He et al. | Single image super‐resolution based on progressive fusion of orientation‐aware features | |
Zhang et al. | Curvature consistent network for microscope chip image super-resolution | |
Li | Image super-resolution using attention based densenet with residual deconvolution | |
CN114677377A (zh) | 显示屏缺陷检测方法、训练方法、装置、设备及介质 | |
Wu et al. | A novel perceptual loss function for single image super-resolution | |
Wu et al. | Deep learning-based image super-resolution restoration for mobile infrared imaging system | |
CN113706383A (zh) | 一种太赫兹图像的超分辨率方法及其系统和装置 | |
CN116051534A (zh) | 一种基于人工智能的仓库顶棚太阳能板缺陷检测方法 | |
Dou et al. | Single image super-resolution reconstruction with wavelet based deep residual learning | |
CN114463181A (zh) | 一种基于改进生成对抗网络的图像超分辨率方法 | |
CN111462004B (zh) | 图像增强方法和装置、计算机设备、存储介质 |
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 |