CN114283069A - 一种脑部磁共振图像超分辨率重建方法 - Google Patents
一种脑部磁共振图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN114283069A CN114283069A CN202210049071.5A CN202210049071A CN114283069A CN 114283069 A CN114283069 A CN 114283069A CN 202210049071 A CN202210049071 A CN 202210049071A CN 114283069 A CN114283069 A CN 114283069A
- Authority
- CN
- China
- Prior art keywords
- module
- magnetic resonance
- resonance image
- super
- representing
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种脑部磁共振图像超分辨率重建方法,包括对原始脑部磁共振图像进行预处理,将待重建的磁共振图像输入初步卷积层,沿着超分辨率重建网络的深度方向,使各个高级信息提取模块依次进行特征信息提取操作;将信息压缩模块输出的特征图输入图像放大重建模块,图像放大重建模块输出超分磁共振图像等步骤,所述超分辨率重建网络包括初步卷积层、高级信息提取模块、信息压缩模块和图像放大重建模块。本发明利用深度卷积神经网络对低分辨率的脑部磁共振图像进行超分辨率重建,极大地降低了获得高清磁共振图像的成本,针对不同感受范围的特征图使用不同的注意力模块进行调制,图像重建效果取得了实质的进步。
Description
技术领域
本发明属于人工智能技术领域,具体地说,涉及一种脑部磁共振图像超分辨率重建方法。
背景技术
对于目前的技术,要想获得高清的磁共振图像,需要磁共振设备持续长时间运行,实际操作难度大、体验差,而且对设备的精度要求高,使用和维护费用高昂,实用性不强。另一方面,随着人工智能技术(尤其是深度卷积神经网络)的发展,图像超分辨率技术已经逐渐成熟,因此,有必要将基于深度学习的图像超分辨率技术用于磁共振成像领域,以提升磁共振图像的分辨率。
发明内容
针对上述现象,本发明提供一种脑部磁共振图像超分辨率重建方法,利用卷积神经网络对低分辨率的脑部磁共振图像进行超分辨率重建,以提升磁共振图像的分辨率,便于利用磁共振图像进行后续其他操作。
为了达到上述目的,本发明采用的解决方案是:一种脑部磁共振图像超分辨率重建方法,包括以下步骤:
S10、获取原始脑部磁共振图像,对所述原始脑部磁共振图像进行预处理,获得待重建的磁共振图像;
S20、获取超分辨率重建网络,所述超分辨率重建网络已经预先完成训练,所述超分辨率重建网络包括初步卷积层、高级信息提取模块、信息压缩模块和图像放大重建模块,多个所述高级信息提取模块首尾顺次连接;
S30、将所述待重建的磁共振图像输入所述初步卷积层,所述初步卷积层输出获得低级特征图;
S40、将所述低级特征图输入第一个所述高级信息提取模块,经过特征信息提取后,第一个所述高级信息提取模块输出高级特征图;
S50、沿着所述超分辨率重建网络的深度方向,依次将前方高级信息提取模块输出的高级特征图输入下一个高级信息提取模块,使各个所述高级信息提取模块依次进行特征信息提取操作;
S60、提取最后一个所述高级信息提取模块输出的高级特征图,并输入所述信息压缩模块;
S70、将所述信息压缩模块输出的特征图输入所述图像放大重建模块,所述图像放大重建模块输出超分磁共振图像,所述超分辨磁共振图像的分辨率大于所述待重建的磁共振图像;
所述高级信息提取模块可以用如下公式表示:
Xn+1=[fD(f1(Xn)),Xn]
其中,Xn和Xn+1分别代表所述高级信息提取模块的输入和输出,f1代表卷积核大小为1*1的普通卷积运算,fD代表特征提取单元,[·]表示对其中的特征图进行拼接操作。
进一步地,所述特征提取单元可以用如下数学模型表示:
D1=σ1(f1 3(M))
D2=σ2(f1 5(M))
D3=[D1,D2]·fSCA([D1,D2])
D4=[σ3(f21 5(D1)),σ4(f22 5(D2))]
D5=fBCA(D4,S)·D4
N=σ5(f3 1([D3,D5,D3+D5]))
其中,M和N分别代表所述特征提取单元的输入和输出,f1 3表示卷积核大小为3*3的普通卷积运算,f1 5、f21 5和f22 5均表示卷积核大小为5*5的普通卷积运算,[·]表示将其中的特征图在通道方向上拼接起来,fSCA()表示SCA注意力模块,所述SCA注意力模块接收D1和D2拼接后的特征图作为输入,fBCA()表示BCA注意力模块,S代表从所述SCA注意力模块中输出到所述BCA模块中的注意力图,所述BCA注意力模块同时接收D4和S作为输入,f3 1表示卷积核大小为1*1的普通卷积运算,σ1、σ2、σ3、σ4和σ5均表示ReLU激活函数,“·”表示将注意力模块输出的调制图与特征图相乘,利用调制图对特征图进行调制。
进一步地,所述SCA注意力模块可以用如下公式表示:
LS=βS(fS([GVPs(H),GEPs(H),GMPs(H)]))
其中,H代表输入所述SCA注意力模块的特征图,fS表示卷积核大小为1*1的卷积运算,βS表示sigmoid函数,[·]表示拼接操作,GVPs()表示对特征图在通道方向做全局方差池化操作,GEPs()表示对特征图在通道方向做全局平均池化操作,GMPs()表示对特征图在通道方向做全局最大池化操作,Ls代表所述SCA注意力模块输出的第一空间调制图。
进一步地,所述BCA注意力模块可以用如下数学模型表示:
G1=GMPs(H)-GEPs(H)+GEPg(T)
G2=GMPs(H)+GMPg(T)
G3=βG(fG([G1,G2,GDPg(T),GEPg(T),GMPg(T)]))
其中,H和T分别代表输入所述SCA注意力模块和输入所述BCA注意力模块的特征图,GDPg()表示对特征图在通道方向做全局中值池化操作,GEPs()和GEPg()均表示对特征图在通道方向做全局平均池化操作,GMPs()和GMPg()均表示对特征图在通道方向做全局最大池化操作,fG表示卷积核大小为1*1的卷积运算,βG表示sigmoid函数,[·]表示拼接操作,G3代表所述BCA注意力模块输出的第二空间调制图。其中,GMPs(H)和GMPs(H)-GEPs(H)即为上述从所述SCA注意力模块中输出到所述BCA模块中的注意力图S。
进一步地,在步骤S10中,预处理操作包括对所述原始脑部磁共振图像进行分割,移除不需要部位的图像。
进一步地,所述信息压缩模块是卷积核大小为1*1的普通卷积层。
本发明的有益效果是:
(1)本发明利用深度卷积神经网络对低分辨率的脑部磁共振图像进行超分辨率重建,以相对低简单可行的方法提升磁共振图像的分辨率,极大地降低了获得高清磁共振图像的成本,具有很好的实用性;
(2)在常规用于超分辨率重建的卷积神经网络中,位于网络下游的特征信息提取机构都是只接收其相邻的上游特征提取机构的输出作为输入,而在本发明中,对于每个特征提取单元,其输入都是前面所有高级信息提取模块输出特征图融合后的特征信息,这样有效避免了网络深度增加导致特征消失,而且增强了特征重用,使得不同尺度下的有用信息能够更充分地被提取出来,进而提高所需要的高频细节信息的提取效果;
(3)在特征提取单元中,D1特征图和D2特征图的感受范围较小,使用SCA注意力模块进行调制,而对于D4特征图,其感受范围要大于D1和D2,采用BCA注意力模块进行调制,本发明针对不同感受范围的特征图使用不同的注意力模块进行调制,与常规统一的一次性调制相比,能够进一步增强对不同尺度有用特征信息的提取效果,这对提升磁共振图像中局部高频图像重建效果具有重要作用;
(4)针对脑部磁共振图像的特点,发明人设计了SCA注意力模块和BCA注意力模块的内部结构,使得本发明所提供的超分辨率重建网络对于图像中的轮廓和纹理等图形均具有优秀的重建效果,测试表明,按照本发明提供的方法,将SCA注意力模块中的部分注意力图输入BCA注意力模块中,不仅提升了BCA注意力模块对有用信息的调制效果,而且经过BCA注意力模块调制后,不同感受范围的特征图之间具有更好的连贯性,降低了超分重建后图像中的棋盘效应,提升了重建图像的质量。
附图说明
图1为本发明的图像超分辨率重建网络的结构示意图;
图2为特征提取单元内部结构示意图;
图3为SCA注意力模块和BCA注意力模块的内部结构示意图;
图4为实施例2中修改后的SCA注意力模块和BCA注意力模块的内部结构示意图;
附图中:
1-待重建的磁共振图像,2-初步卷积层,3-高级信息提取模块,4-信息压缩模块,5-图像放大重建模块,6-特征提取单元,61-SCA注意力模块,62-BCA注意力模块,7-超分磁共振图像。
具体实施方式
以下结合附图对本发明作进一步描述:
实施例1:
获取训练数据集和测试数据集,数据集中图像的格式均为jpg,先利用现有技术对原始脑部磁共振图像进行预处理,分割并移除不需要部位的图像。通过双三次下采样,获得低分辨率的待重建的磁共振图像1。然后利用python结合pytorch框架搭建如图1所示的超分辨率重建网络,该网络中,高级信息提取模块3的数量设置为10,特征提取单元6内部结构如图2所示,SCA注意力模块61和BCA注意力模块62的内部结构如图3所示。接下来利用训练数据集对模型进行训练,显卡采用NVIDIA RTX3060,epoch设置为1000,batch-size设置为32,采用L1损失函数进行优化,学习率最初设置为0.0001,前面400个epoch内,每经过100个epoch,学习率下降为原来的一半,后面600个epoch内,每经过200个epoch,学习率下降为原来的一半。
模型中所有卷积操作的步长都为1,卷积前后不改变特征图长度和宽度方向的尺寸。初步卷积层2是卷积核尺寸为3*3的普通卷积操作,初步卷积层2输出的低级特征图通道数量为64。不同位置的高级信息提取模块3的输入特征图通道数量不同,对于特征提取单元6前方的1*1卷积层,不管输入特征图的通道数量为多少,其输出特征图的通道数量均为64,保证不同的特征提取单元6获得固定尺寸的输入。以输入特征提取单元6的特征图尺寸为112*112*64(长*宽*通道)为例,其内部各个位置特征图的尺寸具体如下表所示:
输入(M) | 112*112*64 |
D1 | 112*112*64 |
D2 | 112*112*64 |
D3 | 112*112*128 |
D4 | 112*112*128 |
D5 | 112*112*128 |
输出(N) | 112*112*64 |
在特征提取单元6内部,D3和D5同时相加和拼接,然后降维融合,使得不同感受范围的特征图之间具有更好的融合效果,提升了网络的抗噪声能力。SCA注意力模块61和BCA注意力模块62均为空间注意力模块,考虑到D1特征图和D2特征图的感受范围较小的特点,所以在SCA注意力模块61中使用了全局方差池化(求通道方向的方差值),而对于D4特征图,由于其感受范围相对较大,所以在BCA注意力模块62中使用了全局中值池化(求通道方向的中位数),这样SCA注意力模块61与BCA注意力模块62之间具有协同作用效果。
信息压缩模块4和图像放大重建模块5均为现有的成熟技术,具体在本实施例中,信息压缩模块4采用卷积核大小为1*1的卷积层,其输出到图像放大重建模块5的特征图通道数量为64。图像放大重建模块5包括依次串联的反卷积层、ReLU激活层和3*3普通卷积层,图像放大重建模块5最终输出通道数量为3的超分磁共振图像7。
为了体现本发明所提供的超分辨率重建网络性能的优越性,采用完全相同的训练和测试过程(数据集、损失函数、batch-size等条件均完全相同),将本发明与目前性能领先的模型CSNLN(由文章Image Super-Resolution with Cross-Scale Non-Local Attentionand Exhaustive Self-Exemplars Mining提出)和RCAN(由文章Image Super-ResolutionUsing Very Deep Residual Channel Attention Networks提出)进行对比实验,其结果如下表所示:
模型 | 放大倍数 | 重建效果(PSNR) | 重建效果(SSIM) |
CSNLN | 2 | 37.74 | 0.9537 |
RCAN | 2 | 37.81 | 0.9574 |
实施例1 | 2 | 38.35 | 0.9611 |
从上面的结果可以看出,本发明所提供的超分辨率重建网络在脑部磁共振图像上的重建效果,明显优于现有的先进模型。
实施例2:
为了证明将SCA注意力模块61中的部分注意力图输入BCA注意力模块62中的必要性及其有益效果,实施例2在实施例1的基础上,保持超分辨率网络整体结构不变,去掉SCA注意力模块61输入到BCA注意力模块62中的部分,修改后的两个注意力模块结构如图4所示。采用与实施例1完全相同的训练和测试过程(数据集、损失函数、batch-size等条件均完全相同),对比结果如下表所示:
模型 | 放大倍数 | 重建效果(PSNR) | 重建效果(SSIM) |
实施例1 | 2 | 38.35 | 0.9611 |
实施例2 | 2 | 38.08 | 0.9597 |
从结果可以看出,按照本发明所提供的方法,将SCA注意力模块61中的部分注意力图输入BCA注意力模块62中,网络的重建效果具有明显的提升。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种脑部磁共振图像超分辨率重建方法,其特征是:包括以下步骤:
S10、获取原始脑部磁共振图像,对所述原始脑部磁共振图像进行预处理,获得待重建的磁共振图像;
S20、获取超分辨率重建网络,所述超分辨率重建网络已经预先完成训练,所述超分辨率重建网络包括初步卷积层、高级信息提取模块、信息压缩模块和图像放大重建模块,多个所述高级信息提取模块首尾顺次连接;
S30、将所述待重建的磁共振图像输入所述初步卷积层,所述初步卷积层输出获得低级特征图;
S40、将所述低级特征图输入第一个所述高级信息提取模块,经过特征信息提取后,第一个所述高级信息提取模块输出高级特征图;
S50、沿着所述超分辨率重建网络的深度方向,依次将前方高级信息提取模块输出的高级特征图输入下一个高级信息提取模块,使各个所述高级信息提取模块依次进行特征信息提取操作;
S60、提取最后一个所述高级信息提取模块输出的高级特征图,并输入所述信息压缩模块;
S70、将所述信息压缩模块输出的特征图输入所述图像放大重建模块,所述图像放大重建模块输出超分磁共振图像,所述超分辨磁共振图像的分辨率大于所述待重建的磁共振图像;
所述高级信息提取模块可以用如下公式表示:
Xn+1=[fD(f1(Xn)),Xn]
其中,Xn和Xn+1分别代表所述高级信息提取模块的输入和输出,f1代表卷积核大小为1*1的普通卷积运算,fD代表特征提取单元,[·]表示对其中的特征图进行拼接操作。
2.根据权利要求1所述的脑部磁共振图像超分辨率重建方法,其特征是:
所述特征提取单元可以用如下数学模型表示:
D1=σ1(f1 3(M))
D2=σ2(f1 5(M))
D3=[D1,D2]·fSCA([D1,D2])
D4=[σ3(f21 5(D1)),σ4(f22 5(D2))]
D5=fBCA(D4,S)·D4
N=σ5(f3 1([D3,D5,D3+D5]))
其中,M和N分别代表所述特征提取单元的输入和输出,f1 3表示卷积核大小为3*3的普通卷积运算,f1 5、f21 5和f22 5均表示卷积核大小为5*5的普通卷积运算,[·]表示将其中的特征图在通道方向上拼接起来,fSCA()表示SCA注意力模块,所述SCA注意力模块接收D1和D2拼接后的特征图作为输入,fBCA()表示BCA注意力模块,S代表从所述SCA注意力模块中输出到所述BCA模块中的注意力图,所述BCA注意力模块同时接收D4和S作为输入,f3 1表示卷积核大小为1*1的普通卷积运算,σ1、σ2、σ3、σ4和σ5均表示ReLU激活函数。
3.根据权利要求2所述的脑部磁共振图像超分辨率重建方法,其特征是:所述SCA注意力模块可以用如下公式表示:
LS=βS(fS([GVPs(H),GEPs(H),GMPs(H)]))
其中,H代表输入所述SCA注意力模块的特征图,fS表示卷积核大小为1*1的卷积运算,βS表示sigmoid函数,[·]表示拼接操作,GVPs()表示对特征图在通道方向做全局方差池化操作,GEPs()表示对特征图在通道方向做全局平均池化操作,GMPs()表示对特征图在通道方向做全局最大池化操作,Ls代表所述SCA注意力模块输出的第一空间调制图。
4.根据权利要求3所述的脑部磁共振图像超分辨率重建方法,其特征是:所述BCA注意力模块可以用如下数学模型表示:
G1=GMPs(H)-GEPs(H)+GEPg(T)
G2=GMPs(H)+GMPg(T)
G3=βG(fG([G1,G2,GDPg(T),GEPg(T),GMPg(T)]))
其中,H和T分别代表输入所述SCA注意力模块和输入所述BCA注意力模块的特征图,GDPg()表示对特征图在通道方向做全局中值池化操作,GEPs()和GEPg()均表示对特征图在通道方向做全局平均池化操作,GMPs()和GMPg()均表示对特征图在通道方向做全局最大池化操作,fG表示卷积核大小为1*1的卷积运算,βG表示sigmoid函数,[·]表示拼接操作,G3代表所述BCA注意力模块输出的第二空间调制图。
5.根据权利要求1所述的脑部磁共振图像超分辨率重建方法,其特征是:在步骤S10中,预处理操作包括对所述原始脑部磁共振图像进行分割,移除不需要部位的图像。
6.根据权利要求1所述的脑部磁共振图像超分辨率重建方法,其特征是:所述信息压缩模块是卷积核大小为1*1的普通卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049071.5A CN114283069B (zh) | 2022-01-17 | 2022-01-17 | 一种脑部磁共振图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049071.5A CN114283069B (zh) | 2022-01-17 | 2022-01-17 | 一种脑部磁共振图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114283069A true CN114283069A (zh) | 2022-04-05 |
CN114283069B CN114283069B (zh) | 2023-06-23 |
Family
ID=80881061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049071.5A Active CN114283069B (zh) | 2022-01-17 | 2022-01-17 | 一种脑部磁共振图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283069B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882203A (zh) * | 2022-05-20 | 2022-08-09 | 周莉莎 | 一种用于电力电网巡检机器人的图像超分辨率重建方法 |
CN115345952A (zh) * | 2022-08-10 | 2022-11-15 | 华中科技大学协和深圳医院 | 一种基于神经网络的磁共振图像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111798377A (zh) * | 2020-07-08 | 2020-10-20 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN113436076A (zh) * | 2021-07-26 | 2021-09-24 | 柚皮(重庆)科技有限公司 | 逐步融合特征的图像超分辨率重建方法及电子设备 |
CN113592718A (zh) * | 2021-08-12 | 2021-11-02 | 中国矿业大学 | 基于多尺度残差网络的矿井图像超分辨率重建方法及系统 |
CN113822805A (zh) * | 2021-10-13 | 2021-12-21 | 柚皮(重庆)科技有限公司 | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 |
-
2022
- 2022-01-17 CN CN202210049071.5A patent/CN114283069B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111798377A (zh) * | 2020-07-08 | 2020-10-20 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN113436076A (zh) * | 2021-07-26 | 2021-09-24 | 柚皮(重庆)科技有限公司 | 逐步融合特征的图像超分辨率重建方法及电子设备 |
CN113592718A (zh) * | 2021-08-12 | 2021-11-02 | 中国矿业大学 | 基于多尺度残差网络的矿井图像超分辨率重建方法及系统 |
CN113822805A (zh) * | 2021-10-13 | 2021-12-21 | 柚皮(重庆)科技有限公司 | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 |
Non-Patent Citations (1)
Title |
---|
LONG CHEN 等: "SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882203A (zh) * | 2022-05-20 | 2022-08-09 | 周莉莎 | 一种用于电力电网巡检机器人的图像超分辨率重建方法 |
CN114882203B (zh) * | 2022-05-20 | 2024-05-28 | 江阴萃合智能装备有限公司 | 一种用于电力电网巡检机器人的图像超分辨率重建方法 |
CN115345952A (zh) * | 2022-08-10 | 2022-11-15 | 华中科技大学协和深圳医院 | 一种基于神经网络的磁共振图像处理方法及系统 |
CN115345952B (zh) * | 2022-08-10 | 2023-08-11 | 华中科技大学协和深圳医院 | 一种基于神经网络的磁共振图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114283069B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Transformer for single image super-resolution | |
CN111461983B (zh) | 一种基于不同频度信息的图像超分辨率重建模型及方法 | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
CN114283069A (zh) | 一种脑部磁共振图像超分辨率重建方法 | |
CN101477684B (zh) | 一种利用位置图像块重建的人脸图像超分辨率方法 | |
CN109064396A (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN113436076B (zh) | 逐步融合特征的图像超分辨率重建方法及电子设备 | |
CN102722865A (zh) | 一种超分辨率稀疏重建方法 | |
CN103020909B (zh) | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 | |
CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
CN113469052B (zh) | 基于多尺度特征反卷积的超分辨率建筑物精细识别方法 | |
CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
CN110930306B (zh) | 一种基于非局部感知的深度图超分辨率重建网络构建方法 | |
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 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN116309070A (zh) | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 | |
CN112669248A (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
CN113781308A (zh) | 图像超分辨率重建方法、装置、存储介质及电子设备 | |
CN115439329B (zh) | 人脸图像超分辨率重建方法及计算机可读取的存储介质 | |
CN110533591A (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN103020940B (zh) | 一种基于局部特征转换的人脸超分辨率重建方法 | |
CN116152062A (zh) | 一种轻量化超分辨率重建方法 | |
CN115311184A (zh) | 基于半监督深度神经网络的遥感图像融合方法及系统 | |
Deng et al. | Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230601 Address after: Room 306, Building A-3, No. 8 Xinda Road, Huimin Street, Jiashan County, Jiaxing City, Zhejiang Province, 314100 Applicant after: Kalefu Medical Technology Group Co.,Ltd. Address before: 400000 2-3-20, building 4, No. 188, Lianggang Avenue, Yubei District, Chongqing Applicant before: Pomelo peel (Chongqing) Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |