CN114187174A - 基于多尺度残差特征融合的图像超分辨率重建方法 - Google Patents

基于多尺度残差特征融合的图像超分辨率重建方法 Download PDF

Info

Publication number
CN114187174A
CN114187174A CN202111250771.2A CN202111250771A CN114187174A CN 114187174 A CN114187174 A CN 114187174A CN 202111250771 A CN202111250771 A CN 202111250771A CN 114187174 A CN114187174 A CN 114187174A
Authority
CN
China
Prior art keywords
feature
super
image
module
feature map
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
Application number
CN202111250771.2A
Other languages
English (en)
Inventor
吕佳
许鹏程
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.)
Chongqing Normal University
Original Assignee
Chongqing Normal University
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 Chongqing Normal University filed Critical Chongqing Normal University
Priority to CN202111250771.2A priority Critical patent/CN114187174A/zh
Publication of CN114187174A publication Critical patent/CN114187174A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (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

本发明提供的一种基于多尺度残差特征融合的图像超分辨率重建方法，包括：对图像进行预处理获得高‑低分辨率图像对；构建基于深度可分离卷积的多尺度特征提取模块，对预处理后的高‑低分辨率图像对进行特征提取，输出特征图；构建残差特征融合模块，对输出特征图进行残差特征融合处理；构建增强型注意力模块，对残差特征融合处理后的特征图进行处理；S5.采用自适应上采样模块对特征图进行上采样，生成超分辨率图像；构建的损失函数模块并对超分辨率图像进行处理；S7.构建基于多尺度残差特征融合的超分辨率图像重建模型，将超分辨率图像输入至超分辨率重建模型中进行训练；S8.将待处理图像输入至基于多尺度残差特征融合的超分辨率图像重建模型中进行处理。

Description

基于多尺度残差特征融合的图像超分辨率重建方法
技术领域
本发明涉及一种图像处理方法，尤其涉及一种基于多尺度残差特征融合的图像超分辨率重建方法。
背景技术
现有超分辨率网络均是在公共数据集上通过已知模糊核等固定退化方法来生成高-低分辨率图像对，这会使得超分辨率重建网络的泛用性不佳，无法应用在现实生活中，因此，基于真实图像的图像超分辨率重建成为了目前的研究热点。此外，基于真实图像的超分辨率重建算法均存在参数量巨大的缺点，虽然巨大的参数量可以保证算法的重建性能，但是不利于算法的部署与应用。
因此，为了解决上述技术问题，亟需提出一种新的技术手段。
发明内容
有鉴于此，本发明的目的是提供一种基于多尺度残差特征融合的图像超分辨率重建方法，能够有效的对真实图像进行修复，确保本发明方法的泛用性，同时在保证本发明方法重建性能的前提下大幅度降低算法的参数来实现轻量化。
本发明提供的一种基于多尺度残差特征融合的图像超分辨率重建方法，包括以下步骤：
S1.获取不同分辨率的图像，并对图像进行预处理获得高-低分辨率图像对；
S2.构建基于深度可分离卷积的多尺度特征提取模块，对预处理后的高-低分辨率图像对进行特征提取，输出特征图；
S3.构建残差特征融合模块，对输出特征图进行残差特征融合处理；
S4.构建增强型注意力模块，对残差特征融合处理后的特征图进行处理；
S5.采用自适应上采样模块对步骤S4中输出的特征图进行上采样，生成超分辨率图像；
S6.构建基于Charbonnier Loss的损失函数模块并对超分辨率图像进行处理；
S7.构建基于多尺度残差特征融合的超分辨率图像重建模型，将步骤S6处理后的超分辨率图像输入至超分辨率重建模型中进行训练；
S8.将待处理图像输入至基于多尺度残差特征融合的超分辨率图像重建模型中进行处理，得到待处理图像的超分辨率重建后的图像信息。
进一步，步骤S2中，所述多尺度特征提取模块通过如下公式进行特征提取：
σ(x)＝max(0,x)+min(ax,0)；
Figure BDA0003322401270000021
Figure BDA0003322401270000022
Figure BDA0003322401270000023
Figure BDA0003322401270000024
F'＝[S1,1,S1,3,S1,4]；
Figure BDA0003322401270000025
Figure BDA0003322401270000026
Figure BDA0003322401270000027
其中：σ(x)表示线性整流函数,a为可学习的常数，W表示权重，b表示偏置参数，b的上标表示当前所在的层数，W的下标表示卷积核的大小，W的上标中第一参数表示当前权重所在层数，第二参数表示当前权重在所在层的卷积的位置；；
Figure BDA0003322401270000032
表示卷积操作；[]表示级联操作,沿通道维度对特征图执行级联；S表示卷积层输出的特征图,其下标表示其来自于第几层的第几个卷积；
提取过程为：输入特征图Fn-1分别经过两个1×1卷积进行升降维以获得特征图S1,1和S1,2，然后S1,2执行一次3×3通道可分离卷积以获得感受野为3×3的特征图S1,3，再对S1,3执行一次3×3通道可分离卷积以获得感受野为5×5的特征图S1,4，之后级联S1,1、S1,3和S1,4获得多尺度特征图F'；对F'执行一次3×3通道可分离卷积获得感受野为3×3的特征图S2,1，再对S2,1执行一次3×3卷积以获得感受野为5×5的特征图S2,2,最后级联S2,1、S2,2后使用1×1卷积进行降维，使得输出特征图Fn通道数与Fn-1一致。
进一步，步骤S3中，残差特征融合模块基于如下公式执行：
F1＝MSDSB1(Mn-1)；
M'＝F1+Mn-1；
F2＝MSDSB2(M')；
M'←F2+M'；
F3＝MSDSB3(M')；
M'←F3+M'；
F4＝MSDSB4(M')；
Figure BDA0003322401270000031
Mn＝Mn'+Mn-1；
其中：MSDSB表示步骤S2中所构建的特征提取模块；M'表示残差特征融合模块中的中间特征，在模块的执行过程中会不断更新；F表示每一个特征提取模块的输出特征图，其下标表示该特征图来自于第几个特征提取模块；
残差特征融合处理过程为：
输入特征图Mn-1首先经过第一个特征提取模块以获得其输出特征图F1；
将特征图F1与输入特征图相加获得中间特征M'；
依次使用第二、三个特征提取模块对中间特征M'执行特征提取操作获得特征图F2和F3，并使用残差连接将特征图与M'相加以更新中间特征M'；
采用第四个特征提取模块对中间特征M'进行特征提取获得第四个特征图F4；
将特征图F1至特征图F4沿通道维度级联，并通过1×1卷积进行融合并降低通道数获得残差特征图Mn'；
将输入特征图与残差特征图相加，获得输出特征图Mn。
进一步，步骤S4中，增强型注意力模块基于如下公式执行：
Mc'＝vec(GAP(Mn))；
Mc＝Sigmoid(W2*σ(W1*Mc'+b1)+b2)；
Mn←Mn e Mc；
Figure BDA0003322401270000041
Figure BDA0003322401270000042
Figure BDA0003322401270000043
其具体过程为：针对残差特征融合模块输出的特征图进行一次全局平均池化，然后将特征进行向量化处理以获得特征向量Mc'；
通过两个全连接层和一个激活函数自适应地建立通道间的相互关系，并使用Sigmoid函数将特征向量压缩至0～1之间获得通道掩码Mc；
使用通道掩码Mc对原特征通道Mn进行加权处理并更新以获得经过通道维度校准的特征图Mn；
将经过通道注意力模块处理后的特征图Mn进行1×1卷积降维至1通道获得Ms'，然后依次执行两次11×11卷积以通过大感受野获取图像的空间关系，同时第二个11×11卷积使通道数降为1；
通过Sigmoid函数将特征图压缩至0～1之间生成空间维度的掩码Ms，最后将掩码和特征图相乘获得经模块校准后的特征图
Figure BDA0003322401270000051
进一步，步骤S6中，损失函数模块采用如下公式：
Figure BDA0003322401270000052
其中，
Figure BDA0003322401270000053
表示网络生成的图像；I为真实图像，i，j和k分别表示图像长、宽、色彩通道中对应的像素，ε为常量，置为0.01，h、w和c分别表示图像的长度、宽度和色彩通道。
进一步，超分辨率重建模型为：
FSR＝F(FLR,θ)
其中，F表示本文提出的超分辨率网络模型，θ表示本文超分辨率模型中的参数，最终的目的是为了更新参数θ，使得损失函数LC最小化，即：
Figure BDA0003322401270000054
本发明的有益效果：通过本发明，能够有效的对真实图像进行恢复，避免超分辨率任务中泛用性不佳的问题，而且通过深度可分离卷积和复用卷积的操作，使得算法的参数量大幅度下降，在保证重建性能的前提下具有轻量化特性。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程图。
图2为本发明的特征提取模块示意图。
图3为本发明的残差特征融合结构示意图。
图4为本发明的增强型注意力模块结构示意图。
图5为本发明的超分辨率网络结构示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明：
本发明提供的一种基于多尺度残差特征融合的图像超分辨率重建方法，包括以下步骤：
S1.获取不同分辨率的图像，并对图像进行预处理获得高-低分辨率图像对；其中，通过现有的图像采集设备以获得不同分辨率的图像；
S2.构建基于深度可分离卷积的多尺度特征提取模块，对预处理后的高-低分辨率图像对进行特征提取，输出特征图；
S3.构建残差特征融合模块，对输出特征图进行残差特征融合处理；
S4.构建增强型注意力模块，对残差特征融合处理后的特征图进行处理；
S5.采用自适应上采样模块对步骤S4中输出的特征图进行上采样，生成超分辨率图像；
S6.构建基于Charbonnier Loss的损失函数模块并对超分辨率图像进行处理；
S7.构建基于多尺度残差特征融合的超分辨率图像重建模型，将步骤S6处理后的超分辨率图像输入至超分辨率重建模型中进行训练；
S8.将待处理图像输入至基于多尺度残差特征融合的超分辨率图像重建模型中进行处理，得到待处理图像的超分辨率重建后的图像信息，通过上述方法，够有效的对真实图像进行恢复，避免超分辨率任务中泛用性不佳的问题，而且通过深度可分离卷积和复用卷积的操作，使得算法的参数量大幅度下降，在保证重建性能的前提下具有轻量化特性。
本实施例中，步骤S2中，所述多尺度特征提取模块通过如下公式进行特征提取：
σ(x)＝max(0,x)+min(ax,0)；
Figure BDA0003322401270000071
Figure BDA0003322401270000072
Figure BDA0003322401270000073
Figure BDA0003322401270000074
F'＝[S1,1,S1,3,S1,4]；
Figure BDA0003322401270000075
Figure BDA0003322401270000076
Figure BDA0003322401270000077
其中：σ(x)表示线性整流函数,a为可学习的常数，W表示权重，b表示偏置参数，b的上标表示当前所在的层数，W的下标表示卷积核的大小，W的上标中第一参数表示当前权重所在层数，第二参数表示当前权重在所在层的卷积的位置；；
Figure BDA0003322401270000078
表示卷积操作；[]表示级联操作,沿通道维度对特征图执行级联；S表示卷积层输出的特征图,其下标表示其来自于第几层的第几个卷积；
提取过程为：输入特征图Fn-1分别经过两个1×1卷积进行升降维以获得特征图S1,1和S1,2，然后S1,2执行一次3×3通道可分离卷积以获得感受野为3×3的特征图S1,3，再对S1,3执行一次3×3通道可分离卷积以获得感受野为5×5的特征图S1,4，之后级联S1,1、S1,3和S1,4获得多尺度特征图F'；对F'执行一次3×3通道可分离卷积获得感受野为3×3的特征图S2,1，再对S2,1执行一次3×3卷积以获得感受野为5×5的特征图S2,2,最后级联S2,1、S2,2后使用1×1卷积进行降维，使得输出特征图Fn通道数与Fn-1一致，通过上述方法，能够有效地使整个算法过程轻量化，占用资源少，且能够确保最终结果的准确性。
本实施例中，步骤S3中，残差特征融合模块基于如下公式执行：
F1＝MSDSB1(Mn-1)；
M'＝F1+Mn-1；
F2＝MSDSB2(M')；
M'←F2+M'；
F3＝MSDSB3(M')；
M'←F3+M'；
F4＝MSDSB4(M')；
Figure BDA0003322401270000081
Mn＝Mn'+Mn-1；
其中：MSDSB表示步骤S2中所构建的特征提取模块；M'表示残差特征融合模块中的中间特征，在模块的执行过程中会不断更新；F表示每一个特征提取模块的输出特征图，其下标表示该特征图来自于第几个特征提取模块；
残差特征融合处理过程为：
输入特征图Mn-1首先经过第一个特征提取模块以获得其输出特征图F1；
将特征图F1与输入特征图相加获得中间特征M'；
依次使用第二、三个特征提取模块对中间特征M'执行特征提取操作获得特征图F2和F3，并使用残差连接将特征图与M'相加以更新中间特征M'；
采用第四个特征提取模块对中间特征M'进行特征提取获得第四个特征图F4；
将特征图F1至特征图F4沿通道维度级联，并通过1×1卷积进行融合并降低通道数获得残差特征图Mn'；
将输入特征图与残差特征图相加，获得输出特征图Mn；通过上述方法，能够有效确保最终结果的准确性。
本实施例中，步骤S4中，增强型注意力模块基于如下公式执行：
Mc'＝vec(GAP(Mn))；
Mc＝Sigmoid(W2*σ(W1*Mc'+b1)+b2)；
Mn←Mn e Mc；
Figure BDA0003322401270000091
Figure BDA0003322401270000092
Figure BDA0003322401270000093
其具体过程为：针对残差特征融合模块输出的特征图进行一次全局平均池化，然后将特征进行向量化处理以获得特征向量Mc'；
通过两个全连接层和一个激活函数自适应地建立通道间的相互关系，并使用Sigmoid函数将特征向量压缩至0～1之间获得通道掩码Mc；
使用通道掩码Mc对原特征通道Mn进行加权处理并更新以获得经过通道维度校准的特征图Mn；
将经过通道注意力模块处理后的特征图Mn进行1′1卷积降维至1通道获得Ms'，然后依次执行两次11×11卷积以通过大感受野获取图像的空间关系，同时第二个11×11卷积使通道数降为1；
通过Sigmoid函数将特征图压缩至0～1之间生成空间维度的掩码Ms，最后将掩码和特征图相乘获得经模块校准后的特征图
Figure BDA0003322401270000101
进一步，步骤S6中，损失函数模块采用如下公式：
Figure BDA0003322401270000102
其中，
Figure BDA0003322401270000103
表示网络生成的图像，即为最终的输出超分辨率图像；I为真实图像，即原图像，i，j和k分别表示图像长、宽、色彩通道中对应的像素，ε为常量，置为0.01，h、w和c分别表示图像的长度、宽度和色彩通道。
本实施例中，超分辨率重建模型为：
FSR＝F(FLR,θ)
其中，F表示本文提出的超分辨率网络模型，θ表示本文超分辨率模型中的参数，最终的目的是为了更新参数θ，使得损失函数LC最小化，即：
Figure BDA0003322401270000104
此时，输出最终的超分辨率图像FSR。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于多尺度残差特征融合的图像超分辨率重建方法，其特征在于：包括以下步骤：
S1.获取不同分辨率的图像，并对图像进行预处理获得高-低分辨率图像对；
S2.构建基于深度可分离卷积的多尺度特征提取模块，对预处理后的高-低分辨率图像对进行特征提取，输出特征图；
S3.构建残差特征融合模块，对输出特征图进行残差特征融合处理；
S4.构建增强型注意力模块，对残差特征融合处理后的特征图进行处理；
S5.采用自适应上采样模块对步骤S4中输出的特征图进行上采样，生成超分辨率图像；
S6.构建基于Charbonnier Loss的损失函数模块并对超分辨率图像进行处理；
S7.构建基于多尺度残差特征融合的超分辨率图像重建模型，将步骤S6处理后的超分辨率图像输入至超分辨率重建模型中进行训练；
S8.将待处理图像输入至基于多尺度残差特征融合的超分辨率图像重建模型中进行处理，得到待处理图像的超分辨率重建后的图像信息。
2.根据权利要求1所述基于多尺度残差特征融合的图像超分辨率重建方法，其特征在于：步骤S2中，所述多尺度特征提取模块通过如下公式进行特征提取：
σ(x)＝max(0,x)+min(ax,0)；
Figure FDA0003322401260000011
Figure FDA0003322401260000012
Figure FDA0003322401260000013
Figure FDA0003322401260000014
F'＝[S1,1,S1,3,S1,4]；
Figure FDA0003322401260000021
Figure FDA0003322401260000022
Figure FDA0003322401260000023
其中：σ(x)表示线性整流函数,a为可学习的常数，W表示权重，b表示偏置参数，b的上标表示当前所在的层数，W的下标表示卷积核的大小，W的上标中第一参数表示当前权重所在层数，第二参数表示当前权重在所在层的卷积的位置；；
Figure FDA0003322401260000024
表示卷积操作；[]表示级联操作,沿通道维度对特征图执行级联；S表示卷积层输出的特征图,其下标表示其来自于第几层的第几个卷积；
提取过程为：输入特征图Fn-1分别经过两个1×1卷积进行升降维以获得特征图S1,1和S1,2，然后S1,2执行一次3×3通道可分离卷积以获得感受野为3×3的特征图S1,3，再对S1,3执行一次3×3通道可分离卷积以获得感受野为5×5的特征图S1,4，之后级联S1,1、S1,3和S1,4获得多尺度特征图F'；对F'执行一次3×3通道可分离卷积获得感受野为3×3的特征图S2,1，再对S2,1执行一次3×3卷积以获得感受野为5×5的特征图S2,2,最后级联S2,1、S2,2后使用1×1卷积进行降维，使得输出特征图Fn通道数与Fn-1一致。
3.根据权利要求2所述基于多尺度残差特征融合的图像超分辨率重建方法，其特征在于：步骤S3中，残差特征融合模块基于如下公式执行：
F1＝MSDSB1(Mn-1)；
M'＝F1+Mn-1；
F2＝MSDSB2(M')；
M'←F2+M'；
F3＝MSDSB3(M')；
M'←F3+M'；
F4＝MSDSB4(M')；
Figure FDA0003322401260000031
Mn＝Mn'+Mn-1；
其中：MSDSB表示步骤S2中所构建的特征提取模块；M'表示残差特征融合模块中的中间特征，在模块的执行过程中会不断更新；F表示每一个特征提取模块的输出特征图，其下标表示该特征图来自于第几个特征提取模块；
残差特征融合处理过程为：
输入特征图Mn-1首先经过第一个特征提取模块以获得其输出特征图F1；
将特征图F1与输入特征图相加获得中间特征M'；
依次使用第二、三个特征提取模块依次对中间特征M'执行特征提取操作获得特征图F2和F3，并使用残差连接将特征图与M'相加以更新中间特征M'；
采用第四个特征提取模块对中间特征M'进行特征提取获得第四个特征图F4；
将特征图F1至特征图F4沿通道维度级联，并通过1×1卷积进行融合并降低通道数获得残差特征图Mn'；
将输入特征图与残差特征图相加，获得输出特征图Mn。
4.根据权利要求3所述基于多尺度残差特征融合的图像超分辨率重建方法，其特征在于：步骤S4中，增强型注意力模块基于如下公式执行：
Mc'＝vec(GAP(Mn))；
Mc＝Sigmoid(W2*σ(W1*Mc'+b1)+b2)；
Mn←Mne Mc；
Figure FDA0003322401260000041
Figure FDA0003322401260000042
Figure FDA0003322401260000043
其具体过程为：针对残差特征融合模块输出的特征图进行一次全局平均池化，然后将特征进行向量化处理以获得特征向量Mc'；
通过两个全连接层和一个激活函数自适应地建立通道间的相互关系，并使用Sigmoid函数将特征向量压缩至0～1之间获得通道掩码Mc；
使用通道掩码Mc对原特征通道Mn进行加权处理并更新以获得经过通道维度校准的特征图Mn；
将经过通道注意力模块处理后的特征图Mn进行1×1卷积降维至1通道获得Ms'，然后依次执行两次11×11卷积以通过大感受野获取图像的空间关系，同时第二个11×11卷积使通道数降为1；
通过Sigmoid函数将特征图压缩至0～1之间生成空间维度的掩码Ms，最后将掩码和特征图相乘获得经模块校准后的特征图
Figure FDA0003322401260000044
5.根据权利要求1所述基于多尺度残差特征融合的图像超分辨率重建方法，其特征在于：步骤S6中，损失函数模块采用如下公式：
Figure FDA0003322401260000051
其中，
Figure FDA0003322401260000052
表示网络生成的图像；I为真实图像，i，j和k分别表示图像长、宽、色彩通道中对应的像素，ε为常量，置为0.01，h、w和c分别表示图像的长度、宽度和色彩通道。
6.根据权利要求1所述基于多尺度残差特征融合的图像超分辨率重建方法，其特征在于：
超分辨率重建模型为：
FSR＝F(FLR,θ)
其中，F表示本文提出的超分辨率网络模型，θ表示本文超分辨率模型中的参数，最终的目的是为了更新参数θ，使得损失函数LC最小化，即：
Figure FDA0003322401260000053
CN202111250771.2A 2021-10-26 2021-10-26 基于多尺度残差特征融合的图像超分辨率重建方法 Pending CN114187174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111250771.2A CN114187174A (zh) 2021-10-26 2021-10-26 基于多尺度残差特征融合的图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111250771.2A CN114187174A (zh) 2021-10-26 2021-10-26 基于多尺度残差特征融合的图像超分辨率重建方法

Publications (1)

Publication Number Publication Date
CN114187174A true CN114187174A (zh) 2022-03-15

Family

ID=80540453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111250771.2A Pending CN114187174A (zh) 2021-10-26 2021-10-26 基于多尺度残差特征融合的图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN114187174A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294376A (zh) * 2022-04-24 2022-11-04 西京学院 基于超声波形与超声图像特征融合的焊缝缺陷检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294376A (zh) * 2022-04-24 2022-11-04 西京学院 基于超声波形与超声图像特征融合的焊缝缺陷检测方法

Similar Documents

Publication Publication Date Title
CN109410239B (zh) 一种基于条件生成对抗网络的文本图像超分辨率重建方法
CN109191382B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN106910161B (zh) 一种基于深度卷积神经网络的单幅图像超分辨率重建方法
CN112102177B (zh) 基于压缩与激励机制神经网络的图像去模糊方法
CN109102469B (zh) 一种基于卷积神经网络的遥感图像全色锐化方法
CN107464217B (zh) 一种图像处理方法及装置
CN109949221B (zh) 一种图像处理方法及电子设备
CN113096017A (zh) 基于深度坐标注意力网络模型的图像超分辨率重建方法
CN114998145A (zh) 一种基于多尺度和上下文学习网络的低照度图像增强方法
CN112288630A (zh) 一种基于改进的广泛深度神经网络的超分辨率图像重建方法及系统
CN115100039B (zh) 一种基于深度学习的轻量级图像超分辨率重建方法
CN114723630A (zh) 基于空洞双残差多尺度深度网络的图像去模糊方法及系统
CN111768326B (zh) 一种基于gan扩增图像前景物体的高容量数据保护方法
CN113962905B (zh) 基于多阶段特征互补网络的单幅图像去雨方法
CN114187174A (zh) 基于多尺度残差特征融合的图像超分辨率重建方法
CN111640061B (zh) 一种自适应图像超分辨率系统
CN113628115A (zh) 图像重建的处理方法、装置、电子设备和存储介质
CN113096032A (zh) 一种基于图像区域划分的非均匀一致模糊去除方法
CN117422653A (zh) 一种基于权重共享和迭代数据优化的低光照图像增强方法
CN108596831B (zh) 一种基于AdaBoost实例回归的超分辨率重建方法
CN114943655A (zh) 基于循环深度卷积生成对抗网络结构的图像修复系统
CN113658046B (zh) 基于特征分离的超分辨率图像生成方法、装置、设备和介质
CN113592723B (zh) 视频增强方法及装置、电子设备、存储介质
CN113012072A (zh) 一种基于注意力网络的图像运动去模糊方法
CN113240589A (zh) 一种多尺度特征融合的图像去雾方法及系统

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