CN113888410A - 图像超分辨率方法、装置、设备、存储介质以及程序产品 - Google Patents
图像超分辨率方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN113888410A CN113888410A CN202111159704.XA CN202111159704A CN113888410A CN 113888410 A CN113888410 A CN 113888410A CN 202111159704 A CN202111159704 A CN 202111159704A CN 113888410 A CN113888410 A CN 113888410A
- Authority
- CN
- China
- Prior art keywords
- resolution
- resolution image
- target
- image
- super
- 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 112
- 238000012549 training Methods 0.000 claims abstract description 82
- 238000013139 quantization Methods 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000004438 eyesight Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception 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
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像超分辨率方法、装置、设备、存储介质以及程序产品,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于图像处理场景下。超分辨率模型训练方法的一具体实施方式包括:获取训练样本,其中,训练样本包括样本第一分辨率图像和对应的样本第二分辨率图像,其中,样本第二分辨率图像的分辨率是样本第一分辨率图像的N倍,N为正整数;将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。该实施方式训练出的超分辨率模型能够恢复更多已经丢失的信息,使得输出的图像更加清晰。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于图像处理场景下。
背景技术
图像超分辨率作为图像处理及计算机领域的一项重要技术,旨在将低分辨率的图像生成为高分辨率的图像。传统的图像超分辨率方法是对图像做上采样,分辨率放大基本是基于插值去做。
发明内容
本公开实施例提出了一种图像超分辨率方法、装置、设备、存储介质以及程序产品。
第一方面,本公开实施例提出了一种超分辨率模型训练方法,包括:获取训练样本,其中,训练样本包括样本第一分辨率图像和对应的样本第二分辨率图像,其中,样本第二分辨率图像的分辨率是样本第一分辨率图像的N倍,N为正整数;将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
第二方面,本公开实施例提出了一种图像超分辨率方法,包括:获取目标第一分辨率图像;将目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像,其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍,超分辨率模型是采用如第一方面描述的方法训练得到的。
第三方面,本公开实施例提出了一种图像超分辨率方法,包括:获取目标第一分辨率图像;基于目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像,其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍,查找表是采用如第一方面描述的方法生成的。
第四方面,本公开实施例提出了一种超分辨率模型训练装置,包括:样本获取模块,被配置成获取训练样本,其中,训练样本包括样本第一分辨率图像和对应的样本第二分辨率图像,其中,样本第二分辨率图像的分辨率是样本第一分辨率图像的N倍,N为正整数;模型训练模块,被配置成将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
第五方面,本公开实施例提出了一种图像超分辨率装置,包括:图像获取模块,被配置成获取目标第一分辨率图像;超分辨率模块,被配置成将目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像,其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍,超分辨率模型是采用如第四方面描述的装置训练得到的。
第六方面,本公开实施例提出了一种图像超分辨率装置,包括:图像获取模块,被配置成获取目标第一分辨率图像;图像查找模块,被配置成基于目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像,其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍,查找表是采用如第四方面描述的装置生成的。
第七方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面、第二方面和第三方面中任一实现方式描述的方法。
第八方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面、第二方面和第三方面中任一实现方式描述的方法。
第九方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面、第二方面和第三方面中任一实现方式描述的方法。
本公开实施例提供的超分辨率模型训练方法,将样本第一分辨率图像作为输入,将分辨率是样本第一分辨率图像的N倍的样本第二分辨率图像作为输出,训练得到超分辨率模型。训练出的超分辨率模型能够恢复更多已经丢失的信息,使得输出的图像更加清晰。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的超分辨率模型训练方法的第一个实施例的流程图;
图2是超分辨率模型的结构示意图;
图3是根据本公开的超分辨率模型训练方法的第二个实施例的流程图;
图4是根据本公开的超分辨率模型训练方法的第三个实施例的流程图;
图5是根据本公开的图像超分辨率方法的第一个实施例的流程图;
图6是根据本公开的图像超分辨率方法的第二个实施例的流程图;
图7是根据本公开的图像超分辨率方法的第三个实施例的流程图;
图8是根据本公开的图像超分辨率方法的第四个实施例的流程图;
图9是根据本公开的超分辨率模型训练装置的第一个实施例的结构示意图;
图10是根据本公开的图像超分辨率装置的第一个实施例的结构示意图;
图11是根据本公开的图像超分辨率装置的第二个实施例的结构示意图;
图12是用来实现本公开实施例的超分辨率模型训练方法或图像超分辨方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的超分辨率模型训练方法的第一个实施例的流程100。该超分辨率模型训练方法包括以下步骤:
步骤101,获取训练样本。
在本实施例中,超分辨率模型训练方法的执行主体可以获取大量训练样本。其中,训练样本可以包括样本第一分辨率图像和对应的样本第二分辨率图像。样本第二分辨率图像的分辨率可以是样本第一分辨率图像的N倍,N为正整数。也就是说,样本第一分辨率图像和样本第二分辨率图像的图像内容相同,但是样本第二分辨率图像比样本第一分辨率图像的分辨率更高。
通常,训练样本可以通过多种方式获得。实践中,为了保证训练出的超分辨率模型能够输出更加清晰的图像,要求样本第二分辨率图像相比于样本第一分辨率图像不能丢失信息,且具有较高的清晰度。例如,利用高分辨率相机采集样本第二分辨率图像,对样本第二分辨率图像进行下采样,得到对应的样本第一分辨率图像。又例如,在同一位置同一角度利用低分辨率相机和高分辨率相机分别采集同一静态物体的图像,即样本第一分辨率图像和对应的样本第二分辨率图像。
步骤102,将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
在本实施例中,上述执行主体可以将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
通常,超分辨率模型可以是利用机器学习方法和训练样本对初始网络模型进行有监督训练而得到的。实践中,可以将初始网络模型的各个参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。初始网络模型的参数在训练过程中可以被不断地调整,直至训练出能够基于低分辨率图像输出清晰度足够高的高分辨率图像为止。例如,可以采用BP(Back Propagation,反向传播)算法或者SGD(StochasticGradient Descent,随机梯度下降)算法来调整初始网络模型的参数。
本公开实施例提供的超分辨率模型训练方法,将样本第一分辨率图像作为输入,将分辨率是样本第一分辨率图像的N倍的样本第二分辨率图像作为输出,训练得到超分辨率模型。训练出的超分辨率模型能够恢复更多已经丢失的信息,使得输出的图像更加清晰。
为了便于理解,图2示出了超分辨率模型的结构示意图。如图2所示,超分辨率模型可以包括特征提取网络201、多维卷积层202和上采样层203。其中,特征提取网络201可以例如是卷积神经网络,用于提取特征图。多维卷积层202的维度等于N,可以用于将输出的通道数卷积为输入的N2倍。当N=2时,多维卷积层202可以例如是Conv2d。上采样层203可以例如是Pixel-shuffle,用于将通道维度转换成空间维度。
继续参考图3,其示出了根据本公开的超分辨率模型训练方法的第二个实施例的流程300。该超分辨率模型训练方法包括以下步骤:
步骤301,获取训练样本。
在本实施例中,步骤301的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍,在此不再赘述。
步骤302,将样本第一分辨率图像输入至特征提取网络,得到原始特征图。
在本实施例中,超分辨率模型训练方法的执行主体可以将样本第一分辨率图像输入至特征提取网络,得到原始特征图。其中,特征提取网络可以例如是卷积神经网络,用于提取特征图。
步骤303,将原始特征图输入至多维卷积层,得到目标特征图。
在本实施例中,上述执行主体可以将原始特征图输入至多维卷积层,得到目标特征图。其中,多维卷积层的维度等于N,可以用于将输出(目标特征图)的通道数卷积为输入(原始特征图)的N2倍。当N=2时,多维卷积层可以例如是Conv2d。若原始特征图的通道数是1,那么目标特征图的通道数是4。
步骤304,将目标特征图输入至上采样层,将通道维度转换成空间维度,生成预测第二分辨率图像。
在本实施例中,上述执行主体可以将目标特征图输入至上采样层,将通道维度转换成空间维度,生成预测第二分辨率图像。其中,上采样层可以例如是Pixel-shuffle,用于将通道维度转换成空间维度。例如,对于4×H×W的目标特征图,上采样层可以将其转换为1×2H×2W的预测第二分辨率图像,从而实现分辨率放大。其中,4是目标特征图的通道数,H是目标特征图的高度,W是目标特征图的宽度。1是预测第二分辨率图像的通道数,2H是预测第二分辨率图像的高度,2W是预测第二分辨率图像的宽度。
步骤305,计算样本第二分辨率图像与预测第二分辨率图像的损失,基于损失调整初始网络模型的参数,得到超分辨率模型。
在本实施例中,上述执行主体可以计算样本第二分辨率图像与预测第二分辨率图像的损失,以及基于损失调整初始网络模型的参数,得到超分辨率模型。
通常,上述执行主体可以将样本第二分辨率图像与预测第二分辨率图像输入至损失函数,得到损失。基于损失调整初始网络模型的参数,直至损失足够小,模型收敛,即可得到超分辨率模型。这里,采用损失函数确定损失的方式是目前广泛研究和应用的公知技术,在此不再赘述。其中,初始网络模型的参数可以采用BP算法或者SGD算法来进行调整。
从图3中可以看出,与图1对应的实施例相比,本实施例中的超分辨率模型训练方法的流程300突出了模型训练步骤。由此,本实施例描述的方案中的超分辨率模型包括特征提取网络、多维卷积层和上采样层。多维卷积层可以增加输出的通道数,上采样层可以将通道维度转换成空间维度,从而使得训练出的超分辨率模型能够放大分辨率。并且,训练出的超分辨率模型减少信息丢失,使得输出的图像更加清晰。
进一步参考图4,其示出了根据本公开的超分辨率模型训练方法的第三个实施例的流程400。该超分辨率模型训练方法包括以下步骤:
步骤401,获取训练样本。
步骤402,将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
在本实施例中,步骤401-402的具体操作已在图1所示的实施例中步骤101-102中进行了详细的介绍,在此不再赘述。
步骤403,获取参考第一分辨率图像集。
在本实施例中,超分辨率模型训练方法的执行主体可以获取参考第一分辨率图像集。其中,参考第一分辨率图像集可以包括各种像素值进行任意组合得到的参考第一分辨率图像。通常,超分辨率模型的感受野大小固定。例如,若感受野为4,代表输出的图像上某个位置的像素值与输入的图像上对应的4个像素点有关系。参考第一分辨率图像集中的参考第一分辨率图像可以是由4个像素点组成的图像,因此可以包括255×255×255×255个参考第一分辨率图像。
步骤404,对于参考第一分辨率图像集中的参考第一分辨率图像,将参考第一分辨率图像输入至超分辨率模型,得到参考第二分辨率图像,以及将参考第一分辨率图像和参考第二分辨率图像对应存储到查找表中。
在本实施例中,对于参考第一分辨率图像集中的参考第一分辨率图像,上述执行主体可以将参考第一分辨率图像输入至超分辨率模型,得到参考第二分辨率图像,以及将参考第一分辨率图像和参考第二分辨率图像对应存储到查找表中。其中,参考第二分辨率图像的分辨率可以是参考第一分辨率图像的N倍。由于参考第一分辨率图像集包括255×255×255×255个参考第一分辨率图像,因此查找表的大小为255×255×255×255,大小约为64G。为了降低查找表的大小,还可以进一步对参考第一分辨率图像集进行量化。例如,获取预设量化表,其中,预设量化表中的量化值是以M为公比的等比序列,选取预设量化表中的量化值作为像素值进行任意组合,生成参考第一分辨率图像集。例如,预设量化表中的量化值是以16为公比的等比序列,那么可以将0~255的像素值量化成0,16,32,...,255,这样,参考第一分辨率图像集包括17×17×17×17个参考第一分辨率图像,因此查找表的大小为17×17×17×17,大小约为1.25M。超分辨率模型输入的参考第一分辨率图像集为17×17×17×17×1×2×2,超分辨模型输出的参考第二分辨率图像集为17×17×17×17×1×4×4,存成形状为L=17×17×17×17×4×4的表,即为查找表。
从图4中可以看出,与图1对应的实施例相比,本实施例中的超分辨率模型训练方法的流程400增加了查找表生成步骤。由此,本实施例描述的方案基于超分辨率模型生成查找表,以便于基于查找表做图像超分。基于查找表的方法部署更加灵活,实际预测时无需部署模型。
进一步参考图5,其示出了根据本公开的图像超分辨率方法的第一个实施例的流程500。该图像超分辨率方法包括以下步骤:
步骤501,获取目标第一分辨率图像。
在本实施例中,图像超分辨率方法的执行主体可以获取目标第一分辨率图像。其中,目标第一分辨率图像可以是低分辨率图像。
这里,目标第一分辨率图像通常是8bit的3通道图像。对于不是8bit的图像,可以将其量化到8bit。进一步地,为了降低计算量,可以对目标第一分辨率图像上的像素点的像素值进行量化。在目标第一分辨率图像是8bit的图像的情况下,存在255个量化值。例如,0~255的像素值可以量化成0,16,32,...,255。
步骤502,将目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像。
在本实施例中,上述执行主体可以将目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像。其中,目标第二分辨率图像的分辨率可以是目标第一分辨率图像的N倍。超分辨率模型可以是利用图1或图2所示的方法实施例训练得到的。超分辨率模型能够恢复更多已经丢失的信息,使得输出的目标第二分辨率图像更加清晰。
需要说明的是,超分辨率模型训练方法的执行主体与图像超分辨率方法的执行主体可以相同,也可以不同。例如,超分辨率模型训练方法与图像超分辨率方法全部由服务器执行。又例如,超分辨率模型训练方法由服务器执行。训练得到的超分辨率模型存储到终端上,图像超分辨率方法由终端执行。将训练与测试分开。
本公开实施例提供的图像超分辨率方法,利用超分辨率模型预测目标第二分辨率图像,从而能够恢复更多已经丢失的信息,使得输出的目标第二分辨率图像更加清晰。
进一步参考图6,其示出了根据本公开的图像超分辨率方法的第二个实施例的流程600。该图像超分辨率方法包括以下步骤:
步骤601,获取目标第一分辨率图像。
在本实施例中,图像超分辨率方法的执行主体可以获取目标第一分辨率图像。其中,目标第一分辨率图像可以是低分辨率图像。
这里,目标第一分辨率图像通常是8bit的3通道图像。对于不是8bit的图像,可以将其量化到8bit。进一步地,为了降低计算量,可以对目标第一分辨率图像上的像素点的像素值进行量化。在目标第一分辨率图像是8bit的图像的情况下,存在255个量化值。例如,0~255的像素值可以量化成0,16,32,...,255。
需要说明的是,目标第一分辨率图像与参考第一分辨率图像集可以采用相同的量化方式。
步骤602,基于目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像。
在本实施例中,上述执行主体可以基于目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像。例如,若目标第一分辨率图像是由4个像素点组成的图像,可以将目标第一分辨率图像在参考第一分辨率图像集中匹配,在查找表中获取与匹配成功的参考第一分辨率图像对应的参考第二分辨率图像即为目标第二分辨率图像。其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍。查找表可以是利用图3所示的方法实施例生成的。
需要说明的是,超分辨率模型训练方法的执行主体与图像超分辨率方法的执行主体可以相同,也可以不同。例如,超分辨率模型训练方法与图像超分辨率方法全部由服务器执行。又例如,超分辨率模型训练方法由服务器执行。生成的查找表存储到终端上,图像超分辨率方法由终端执行。将训练与测试分开,训练过程不直接做低分辨率到高分辨率图像的转换,而是得到模型参数转换为查找表,因此训练可以使用更为复杂的模型,得到更好的查找表,而测试时间不会变化。将超分辨率算法移植到终端,在终端上进行测试,节省更多的带宽成本和存储成本的同时,能给用户带来更好的视觉感受。并且,短视频产品有超分需求,因为使观看视频更清晰是一个非常普遍的需求,人们总是倾向于获得更多的信息。在终端上做超分,可以直接下发低分辨率的视频到终端,然后在终端上进行超分到高分辨率。计算在终端上做,这样可以降低存储成本,降低带宽成本,在如今的视频时代,在终端上做超分有非常大的应用场景。
本公开实施例提供的图像超分辨率方法,基于查找表做图像超分。基于查找表的方法部署更加灵活,实际测试时无需部署模型。
进一步参考图7,其示出了根据本公开的图像超分辨率方法的第三个实施例的流程700。该图像超分辨率方法包括以下步骤:
步骤701,获取目标第一分辨率图像。
在本实施例中,步骤701的具体操作已在图6所示的实施例中步骤601中进行了详细的介绍,在此不再赘述。
步骤702,采用预设窗口在目标第一分辨率图像上滑窗,得到目标第一分辨率图像上的各个窗口区域。
在本实施例中,图像超分辨率方法的执行主体可以采用预设窗口在目标第一分辨率图像上滑窗,得到目标第一分辨率图像上的各个窗口区域。其中,参考第一分辨率图像集中的参考第一分辨率图像的大小相同,预设窗口的大小等于参考第一分辨率图像的大小。例如,参考第一分辨率图像集中的参考第一分辨率图像是由4个像素点组成的图像,预设窗口的大小也可以为4。若目标第一分辨率图像是1×8×8的图像,那么预设窗口在目标第一分辨率图像上滑窗,得到4个大小为1×2×2的窗口区域。
步骤703,将各个窗口区域分别与查找表中的参考第一分辨率图像进行匹配,获取各个匹配成功的参考第二分辨率图像。
在本实施例中,上述执行主体可以将各个窗口区域分别与查找表中的参考第一分辨率图像进行匹配,获取各个匹配成功的参考第二分辨率图像。其中,查找表可以是利用图3所示的方法实施例生成的。
步骤704,组合各个匹配成功的参考第二分辨率图像,得到目标第二分辨率图像。
在本实施例中,上述执行主体可以组合各个匹配成功的参考第二分辨率图像,得到目标第二分辨率图像。其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍。
从图7中可以看出,与图6对应的实施例相比,本实施例中的图像超分辨率方法的流程700突出了查表步骤。由此,本实施例描述的方案可以适应任意大小的目标第一分辨率图像,适应范围更广。
进一步参考图8,其示出了根据本公开的图像超分辨率方法的第四个实施例的流程800。该图像超分辨率方法包括以下步骤:
步骤801,获取目标第一分辨率图像。
在本实施例中,步骤801的具体操作已在图6所示的实施例中步骤601中进行了详细的介绍,在此不再赘述。
步骤802,对于目标第一分辨率图像上的像素点,基于就近原则查找预设量化表,得到像素点的像素值对应的量化值。
在本实施例中,对于目标第一分辨率图像上的像素点,图像超分辨率方法的执行主体可以基于就近原则查找预设量化表,得到像素点的像素值对应的量化值。其中,预设量化表中的量化值是以M为公比的等比序列。例如,预设量化表中的量化值是以16为公比的等比序列,那么预设量化表为0,16,32,...,255。对于像素值为123的像素点,根据就近原则可以找到其对应的量化值128。
步骤803,利用像素点的像素值对应的量化值替换像素点的像素值。
在本实施例中,上述执行主体可以利用像素点的像素值对应的量化值替换像素点的像素值,即可完成对目标第一分辨率图像的量化。
步骤804,基于目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像。
在本实施例中,步骤804的具体操作已在图6所示的实施例中步骤602中进行了详细的介绍,在此不再赘述。
从图8中可以看出,与图6对应的实施例相比,本实施例中的图像超分辨率方法的流程800突出图像量化步骤。由此,本实施例描述的方案降低了查找表的大小,从而降低了查找工作量。
进一步参考图9,作为对上述各图所示方法的实现,本公开提供了一种超分辨率模型训练装置的第一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的超分辨率模型训练装置900可以包括:样本获取模块901和模型训练模块902。其中,样本获取模块901,被配置成获取训练样本,其中,训练样本包括样本第一分辨率图像和对应的样本第二分辨率图像,样本第二分辨率图像的分辨率是样本第一分辨率图像的N倍,N为正整数;模型训练模块902,被配置成将样本第一分辨率图像作为输入,将样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
在本实施例中,超分辨率模型训练装置900中:样本获取模块901和模型训练模块902的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-102的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,超分辨率模型包括特征提取网络、多维卷积层和上采样层,多维卷积层的维度等于N,用于将输出的通道数卷积为输入的N2倍,上采样层用于将通道维度转换成空间维度。
在本实施例的一些可选的实现方式中,模型训练模块902进一步被配置成:将样本第一分辨率图像输入至特征提取网络,得到原始特征图;将原始特征图输入至多维卷积层,得到目标特征图,其中,目标特征图的通道数是原始特征图的通道数的N2倍;将目标特征图输入至上采样层,将通道维度转换成空间维度,生成预测第二分辨率图像;计算样本第二分辨率图像与预测第二分辨率图像的损失,基于损失调整初始网络模型的参数,得到超分辨率模型。
在本实施例的一些可选的实现方式中,超分辨率模型训练装置900还包括:图像获取模块,被配置成获取参考第一分辨率图像集;超分辨率模块,被配置成对于参考第一分辨率图像集中的参考第一分辨率图像,将参考第一分辨率图像输入至超分辨率模型,得到参考第二分辨率图像,以及将参考第一分辨率图像和参考第二分辨率图像对应存储到查找表中,其中,参考第二分辨率图像的分辨率是参考第一分辨率图像的N倍。
在本实施例的一些可选的实现方式中,图像获取模块进一步被配置成:获取预设量化表,其中,预设量化表中的量化值是以M为公比的等比序列;选取预设量化表中的量化值作为像素值进行任意组合,生成参考第一分辨率图像集。
进一步参考图10,作为对上述各图所示方法的实现,本公开提供了一种图像超分辨率装置的第一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图10所示,本实施例的图像超分辨率装置1000可以包括:图像获取模块1001和超分辨率模块1002。其中,图像获取模块1001,被配置成获取目标第一分辨率图像;超分辨率模块1002,被配置成将目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像,其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍,超分辨率模型是采用图9所示的装置训练得到的。
在本实施例中,图像超分辨率装置1000中:图像获取模块1001和超分辨率模块1002的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-502的相关说明,在此不再赘述。
进一步参考图11,作为对上述各图所示方法的实现,本公开提供了一种图像超分辨率装置的第二个实施例,该装置实施例与图6所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图11所示,本实施例的图像超分辨率装置1100可以包括:图像获取模块1101和图像查找模块1102。其中,图像获取模块1101,被配置成获取目标第一分辨率图像;图像查找模块1102,被配置成基于目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像,其中,目标第二分辨率图像的分辨率是目标第一分辨率图像的N倍,查找表是采用图9所示的装置生成的。
在本实施例中,图像超分辨率装置1100中:图像获取模块1101和图像查找模块1102的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-602的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,图像查找模块1102进一步被配置成:采用预设窗口在目标第一分辨率图像上滑窗,得到目标第一分辨率图像上的各个窗口区域,其中,参考第一分辨率图像集中的参考第一分辨率图像的大小相同,预设窗口的大小等于参考第一分辨率图像的大小;将各个窗口区域分别与查找表中的参考第一分辨率图像进行匹配,获取各个匹配成功的参考第二分辨率图像;组合各个匹配成功的参考第二分辨率图像,得到目标第二分辨率图像。
在本实施例的一些可选的实现方式中,图像超分辨率装置1100还包括:像素值量化模块,被配置成对目标第一分辨率图像上的像素点的像素值进行量化。
在本实施例的一些可选的实现方式中,像素值量化模块进一步被配置成:对于目标第一分辨率图像上的像素点,基于就近原则查找预设量化表,得到像素点的像素值对应的量化值,其中,预设量化表中的量化值是以M为公比的等比序列;利用像素点的像素值对应的量化值替换像素点的像素值。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如超分辨率模型训练方法或图像超分辨率方法。例如,在一些实施例中,超分辨率模型训练方法或图像超分辨率方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的超分辨率模型训练方法或图像超分辨率方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行超分辨率模型训练方法或图像超分辨率方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种超分辨率模型训练方法,包括:
获取训练样本,其中,所述训练样本包括样本第一分辨率图像和对应的样本第二分辨率图像,所述样本第二分辨率图像的分辨率是所述样本第一分辨率图像的N倍,N为正整数;
将所述样本第一分辨率图像作为输入,将所述样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
2.根据权利要求1所述的方法,其中,所述超分辨率模型包括特征提取网络、多维卷积层和上采样层,所述多维卷积层的维度等于N,用于将输出的通道数卷积为输入的N2倍,所述上采样层用于将通道维度转换成空间维度。
3.根据权利要求2所述的方法,其中,所述将所述样本第一分辨率图像作为输入,将所述样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型,包括:
将所述样本第一分辨率图像输入至所述特征提取网络,得到原始特征图;
将所述原始特征图输入至所述多维卷积层,得到目标特征图,其中,所述目标特征图的通道数是所述原始特征图的通道数的N2倍;
将所述目标特征图输入至所述上采样层,将通道维度转换成空间维度,生成预测第二分辨率图像;
计算所述样本第二分辨率图像与所述预测第二分辨率图像的损失,基于所述损失调整所述初始网络模型的参数,得到所述超分辨率模型。
4.根据权利要求1-3中任一项所述的方法,其中,所述方法还包括:
获取参考第一分辨率图像集;
对于所述参考第一分辨率图像集中的参考第一分辨率图像,将所述参考第一分辨率图像输入至所述超分辨率模型,得到参考第二分辨率图像,以及将所述参考第一分辨率图像和所述参考第二分辨率图像对应存储到查找表中,其中,所述参考第二分辨率图像的分辨率是所述参考第一分辨率图像的N倍。
5.根据权利要求4所述的方法,其中,所述获取参考第一分辨率图像集,包括:
获取预设量化表,其中,所述预设量化表中的量化值是以M为公比的等比序列;
选取所述预设量化表中的量化值作为像素值进行任意组合,生成所述参考第一分辨率图像集。
6.一种图像超分辨率方法,包括:
获取目标第一分辨率图像;
将所述目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像,其中,所述目标第二分辨率图像的分辨率是所述目标第一分辨率图像的N倍,所述超分辨率模型是采用权利要求1-3中任一项所述的方法训练得到的。
7.一种图像超分辨率方法,包括:
获取目标第一分辨率图像;
基于所述目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像,其中,所述目标第二分辨率图像的分辨率是所述目标第一分辨率图像的N倍,所述查找表是采用权利要求4或5所述的方法生成的。
8.根据权利要求7所述的方法,其中,所述基于所述目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像,包括:
采用预设窗口在所述目标第一分辨率图像上滑窗,得到所述目标第一分辨率图像上的各个窗口区域,其中,所述参考第一分辨率图像集中的参考第一分辨率图像的大小相同,所述预设窗口的大小等于所述参考第一分辨率图像的大小;
将所述各个窗口区域分别与所述查找表中的参考第一分辨率图像进行匹配,获取各个匹配成功的参考第二分辨率图像;
组合所述各个匹配成功的参考第二分辨率图像,得到所述目标第二分辨率图像。
9.根据权利要求7所述的方法,其中,在所述获取目标第一分辨率图像之后,还包括:
对所述目标第一分辨率图像上的像素点的像素值进行量化。
10.根据权利要求9所述的方法,其中,所述对所述目标第一分辨率图像上的像素点的像素值进行量化,包括:
对于所述目标第一分辨率图像上的像素点,基于就近原则查找预设量化表,得到所述像素点的像素值对应的量化值,其中,所述预设量化表中的量化值是以M为公比的等比序列;
利用所述像素点的像素值对应的量化值替换所述像素点的像素值。
11.一种超分辨率模型训练装置,包括:
样本获取模块,被配置成获取训练样本,其中,所述训练样本包括样本第一分辨率图像和对应的样本第二分辨率图像,所述样本第二分辨率图像的分辨率是所述样本第一分辨率图像的N倍,N为正整数;
模型训练模块,被配置成将所述样本第一分辨率图像作为输入,将所述样本第二分辨率图像作为输出,对初始网络模型进行训练,得到超分辨率模型。
12.根据权利要求11所述的装置,其中,所述超分辨率模型包括特征提取网络、多维卷积层和上采样层,所述多维卷积层的维度等于N,用于将输出的通道数卷积为输入的N2倍,所述上采样层用于将通道维度转换成空间维度。
13.根据权利要求12所述的装置,其中,所述模型训练模块进一步被配置成:
将所述样本第一分辨率图像输入至所述特征提取网络,得到原始特征图;
将所述原始特征图输入至所述多维卷积层,得到目标特征图,其中,所述目标特征图的通道数是所述原始特征图的通道数的N2倍;
将所述目标特征图输入至所述上采样层,将通道维度转换成空间维度,生成预测第二分辨率图像;
计算所述样本第二分辨率图像与所述预测第二分辨率图像的损失,基于所述损失调整所述初始网络模型的参数,得到所述超分辨率模型。
14.根据权利要求11-13中任一项所述的装置,其中,所述装置还包括:
图像获取模块,被配置成获取参考第一分辨率图像集;
超分辨率模块,被配置成对于所述参考第一分辨率图像集中的参考第一分辨率图像,将所述参考第一分辨率图像输入至所述超分辨率模型,得到参考第二分辨率图像,以及将所述参考第一分辨率图像和所述参考第二分辨率图像对应存储到查找表中,其中,所述参考第二分辨率图像的分辨率是所述参考第一分辨率图像的N倍。
15.根据权利要求14所述的装置,其中,所述图像获取模块进一步被配置成:
获取预设量化表,其中,所述预设量化表中的量化值是以M为公比的等比序列;
选取所述预设量化表中的量化值作为像素值进行任意组合,生成所述参考第一分辨率图像集。
16.一种图像超分辨率装置,包括:
图像获取模块,被配置成获取目标第一分辨率图像;
超分辨率模块,被配置成将所述目标第一分辨率图像输入至超分辨率模型,得到目标第二分辨率图像,其中,所述目标第二分辨率图像的分辨率是所述目标第一分辨率图像的N倍,所述超分辨率模型是采用权利要求11-13中任一项所述的装置训练得到的。
17.一种图像超分辨率装置,包括:
图像获取模块,被配置成获取目标第一分辨率图像;
图像查找模块,被配置成基于所述目标第一分辨率图像在查找表中进行查找,得到目标第二分辨率图像,其中,所述目标第二分辨率图像的分辨率是所述目标第一分辨率图像的N倍,所述查找表是采用权利要求14或15所述的装置生成的。
18.根据权利要求17所述的装置,其中,所述图像查找模块进一步被配置成:
采用预设窗口在所述目标第一分辨率图像上滑窗,得到所述目标第一分辨率图像上的各个窗口区域,其中,所述参考第一分辨率图像集中的参考第一分辨率图像的大小相同,所述预设窗口的大小等于所述参考第一分辨率图像的大小;
将所述各个窗口区域分别与所述查找表中的参考第一分辨率图像进行匹配,获取各个匹配成功的参考第二分辨率图像;
组合所述各个匹配成功的参考第二分辨率图像,得到所述目标第二分辨率图像。
19.根据权利要求17所述的装置,其中,所述装置还包括:
像素值量化模块,被配置成对所述目标第一分辨率图像上的像素点的像素值进行量化。
20.根据权利要求19所述的装置,其中,所述像素值量化模块进一步被配置成:
对于所述目标第一分辨率图像上的像素点,基于就近原则查找预设量化表,得到所述像素点的像素值对应的量化值,其中,所述预设量化表中的量化值是以M为公比的等比序列;
利用所述像素点的像素值对应的量化值替换所述像素点的像素值。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159704.XA CN113888410A (zh) | 2021-09-30 | 2021-09-30 | 图像超分辨率方法、装置、设备、存储介质以及程序产品 |
US17/723,201 US20220245764A1 (en) | 2021-09-30 | 2022-04-18 | Method for image super-resolution, device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159704.XA CN113888410A (zh) | 2021-09-30 | 2021-09-30 | 图像超分辨率方法、装置、设备、存储介质以及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888410A true CN113888410A (zh) | 2022-01-04 |
Family
ID=79004642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159704.XA Pending CN113888410A (zh) | 2021-09-30 | 2021-09-30 | 图像超分辨率方法、装置、设备、存储介质以及程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220245764A1 (zh) |
CN (1) | CN113888410A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147280A (zh) * | 2022-07-15 | 2022-10-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法、装置和设备 |
CN115564644A (zh) * | 2022-01-10 | 2023-01-03 | 荣耀终端有限公司 | 图像数据的处理方法、相关设备以及计算机存储介质 |
CN116416134A (zh) * | 2023-04-04 | 2023-07-11 | 阿里巴巴(中国)有限公司 | 图像超分处理方法、系统、设备、存储介质和程序产品 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11823490B2 (en) * | 2021-06-08 | 2023-11-21 | Adobe, Inc. | Non-linear latent to latent model for multi-attribute face editing |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
CN109003229A (zh) * | 2018-08-09 | 2018-12-14 | 成都大学 | 基于三维增强深度残差网络的磁共振超分辨率重建方法 |
CN110533594A (zh) * | 2019-08-30 | 2019-12-03 | Oppo广东移动通信有限公司 | 模型训练方法、图像重建方法、存储介质及相关设备 |
CN111080527A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
CN113034368A (zh) * | 2021-04-01 | 2021-06-25 | 深圳思谋信息科技有限公司 | 图像超分辨率模型训练方法、装置、计算机设备和介质 |
CN113379600A (zh) * | 2021-05-26 | 2021-09-10 | 北京邮电大学 | 基于深度学习的短视频超分辨率转换方法、装置及介质 |
-
2021
- 2021-09-30 CN CN202111159704.XA patent/CN113888410A/zh active Pending
-
2022
- 2022-04-18 US US17/723,201 patent/US20220245764A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
CN109003229A (zh) * | 2018-08-09 | 2018-12-14 | 成都大学 | 基于三维增强深度残差网络的磁共振超分辨率重建方法 |
CN110533594A (zh) * | 2019-08-30 | 2019-12-03 | Oppo广东移动通信有限公司 | 模型训练方法、图像重建方法、存储介质及相关设备 |
CN111080527A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
CN113034368A (zh) * | 2021-04-01 | 2021-06-25 | 深圳思谋信息科技有限公司 | 图像超分辨率模型训练方法、装置、计算机设备和介质 |
CN113379600A (zh) * | 2021-05-26 | 2021-09-10 | 北京邮电大学 | 基于深度学习的短视频超分辨率转换方法、装置及介质 |
Non-Patent Citations (2)
Title |
---|
WENZHE SHI等: "Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network", ARXIV.ORG/ABS/1609.05158V2, pages 2 - 4 * |
YOUNGHYUN JO等: "Practical Single-Image Super-Resolution Using Look-Up Table", HTTP://OPENACCESS.THECVF.COM/CVPR2021?DAY=2021-06-21, pages 693 - 697 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564644A (zh) * | 2022-01-10 | 2023-01-03 | 荣耀终端有限公司 | 图像数据的处理方法、相关设备以及计算机存储介质 |
CN115147280A (zh) * | 2022-07-15 | 2022-10-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法、装置和设备 |
CN116416134A (zh) * | 2023-04-04 | 2023-07-11 | 阿里巴巴(中国)有限公司 | 图像超分处理方法、系统、设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US20220245764A1 (en) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888410A (zh) | 图像超分辨率方法、装置、设备、存储介质以及程序产品 | |
CN108154222B (zh) | 深度神经网络训练方法和系统、电子设备 | |
CN112990219B (zh) | 用于图像语义分割的方法和装置 | |
CN115880435B (zh) | 图像重建方法、模型训练方法、装置、电子设备和介质 | |
CN113590858A (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN111105375A (zh) | 图像生成方法及其模型训练方法、装置及电子设备 | |
CN115861131A (zh) | 基于图像生成视频、模型的训练方法、装置及电子设备 | |
CN113014936B (zh) | 视频插帧方法、装置、设备以及存储介质 | |
CN113688907A (zh) | 模型训练、视频处理方法,装置,设备以及存储介质 | |
CN112188236B (zh) | 视频插帧模型训练、视频插帧生成方法及相关装置 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
US7437003B1 (en) | System and method for handling electronic ink | |
CN113014922B (zh) | 模型训练、视频编码方法,装置,设备以及存储介质 | |
CN113888560A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN113837965A (zh) | 图像清晰度识别方法、装置、电子设备及存储介质 | |
CN117746125A (zh) | 图像处理模型的训练方法、装置及电子设备 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN115941966A (zh) | 一种视频压缩方法及电子设备 | |
CN115760614A (zh) | 图像去噪方法、装置、电子设备及存储介质 | |
CN113888635B (zh) | 视觉定位方法、相关装置 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN113436292B (zh) | 图像处理方法、图像处理模型的训练方法、装置及设备 | |
CN113240780B (zh) | 生成动画的方法和装置 | |
CN113989152A (zh) | 图像增强方法、装置、设备以及存储介质 | |
CN114282664A (zh) | 自反馈模型训练方法、装置、路侧设备及云控平台 |
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 |