CN114418866A - 一种低采样率下的深度学习图像恢复方法 - Google Patents
一种低采样率下的深度学习图像恢复方法 Download PDFInfo
- Publication number
- CN114418866A CN114418866A CN202111410413.3A CN202111410413A CN114418866A CN 114418866 A CN114418866 A CN 114418866A CN 202111410413 A CN202111410413 A CN 202111410413A CN 114418866 A CN114418866 A CN 114418866A
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- deep learning
- sampling rate
- block
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000011084 recovery Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013139 quantization Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种低采样率下的深度学习图像恢复方法,包括采样步骤和重建步骤,其中,采样部分引入离散小波变换,减少了由于应用单一尺度采样方法所丢失的高频部分内容,提高了方法的图像重建质量。将采样部分的矩阵乘法转换为半张量积的形式,显著减小了采样矩阵的大小,减少了矩阵的存储空间,节约了大量的计算资源。将AMP算法以去噪视角展开到深度卷积网络中,提高了图像的视觉效果和重建速度。在低采样率的条件下,与其他方法相比,本发明方法有着更好的量化指标和重建效果,在存储空间占用和运行时间方面有着优势,获得了更好的视觉效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种低采样率下的深度学习 图像恢复方法。
背景技术
图像恢复算法主要可以分为两类:基于优化的图像恢复算法和基于网 络的图像恢复算法。许多传统算法用来解决优化问题从而进行图像恢复, 例如基础追踪算法(BP)、正交匹配追踪算法(OMP)、全差分算法(TVAL3)、 快速迭代收缩阈值算法(FISTA)和近似消息传递算法(AMP)等。
然而,这些传统方法产生了较高的计算成本,限制了CS在有限资源限 制情况下的应用。因此,很多基于网络的算法被用于图像恢复。其中有Shi W等人设计了由不同子网络组成的深度网络来执行压缩感知过程、Canh T N等人提出了一种多尺度离散余弦卷积神经网络、Yao H等人进一步提出 了一种新的深度残差重构网络。
这些方法虽然大大降低了图像恢复的时间开销,然而缺乏结构多样性, 因此考虑将两种方法相结合,其中现有技术中,AMP算法以去噪视角展开 映射到深度神经网络中,称为AMP-Net,此外采样矩阵与网络参数联合训 练,提高了图像恢复速度和精度,且优于其他现有方法。然而,由于AMP-Net 中应用了单一尺度的采样,恢复后的图像会丢失一些高频部分内容,需要 对其方法做出进一步优化。
发明内容
本发明针对上述技术问题,提供一种低采样率下的深度学习图像恢复 方法。
为了实现上述目的,本发明提供如下技术方案:
本发明提供一种低采样率下的深度学习图像恢复方法,包括采样步骤 和重建步骤,其中,将近似消息传递算法展开到卷积神经网络上,采样步 骤引入离散小波变换,同时采样矩阵使用半张量积进行处理,将原始图像 分解为多尺度,对所有尺度的图像进行分块采样,并重建原始图像。
进一步地,采样步骤由离散小波变换和分块采样组成。
进一步地,离散小波变换过程为:利用DWT将原始图像转换为4个 不同频带的图像,分别是低频分量、水平方向高频分量、垂直平方向高频 分量和对角线方向高频分量。
进一步地,分块采样过程为:利用逐块采样方法独立采样每个尺度图 像。
进一步地,恢复步骤由一个初始步骤和多个迭代恢复步骤组成。。
进一步地,初始步骤用于生成一个初始恢复图像,初始恢复由测量值 线性恢复得到。
进一步地,迭代恢复步骤包括去噪过程和去块过程。
进一步地,去噪过程是把去噪视角下的AMP算法展开到深度神经网络 上,对初始恢复图像进行逐块处理,将处理后的图像块进行整形和连结, 最后得到一个完整恢复图像。
进一步地,去块过程利用卷积神经网络来进行去块操作。
进一步地,上述的低采样率下的深度学习图像恢复方法,采用均方误 差作为损失函数描述原始图像和重建后图像的差异。
与现有技术相比,本发明的有益效果为:
本发明提供的低采样率下的深度学习图像恢复方法,采样部分引入离 散小波变换,减少了由于应用单一尺度采样方法所丢失的高频部分内容, 提高了方法的图像重建质量。将采样部分的矩阵乘法转换为半张量积的形 式,显著减小了采样矩阵的大小,减少了矩阵的存储空间,节约了大量的 计算资源。将AMP算法以去噪视角展开到深度卷积网络中,提高了图像的 视觉效果和重建速度。在低采样率的条件下,通过实验证明,与其他方法 相比,本发明方法有着更好的量化指标和重建效果。在存储空间占用和运 行时间方面有着优势,在采样率为1%、4%、10%时,本发明的AMP-Net+ 获得了更好的PSNR和SSIM,获得了更好的视觉效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对 实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附 图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可 以根据这些附图获得其他的附图。
图1为本发明实施例提供的近似消息传递增强型网络(AMP-NET+)。
图2为本发明实施例提供的采样过程流程图。
图3为本发明实施例提供的AMP-NET+的第K个重构模块。
具体实施方式
本发明提供了一种低采样率下的深度学习图像恢复方法,在AMP-NET 的基础上,引入离散小波变换,同时其中的采样矩阵使用半张量积进行处 理,将原始图像分解为多尺度,然后对所有尺度的图像进行分块采样,并 重建原始图像,最后得到一个比之前提出的恢复算法重建质量好的图像。 此时将网络称作AMP-NET+,将网络模型应用于图像重建过程中,提高了 图像重建质量,同时运行速度有着显著提升。
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图 和实施例对本发明作进一步的详细介绍。
首先,关于半张量压缩感知、近似消息传递算法,介绍如下。
1、半张量压缩感知
压缩感知是以低于奈奎斯特采样率条件下,对原信号或图像进行随机 稀疏采样,以采集到的比较少的测量样本来恢复原始信号或图像。压缩感 知的信号采样过程可以表示为:
y=φx=φψs=Φs (1)
其中φ∈RM*N为测量矩阵,由于M<N,原始信号x∈RN*1通过与φ矩阵 相乘可以达到维数减小的目的。由于只有在信号稀疏或可压缩的情况下才 可以进行压缩感知操作,因此引入稀疏基ψ∈RN*N,使原始信号x在稀疏基 ψ下是稀疏的,s称为稀疏系数,其中只有K个大系数,K<M<N,剩 下的都是零项或趋近于零项。将φψ合并成一个传感矩阵Φ∈RM*N。而对 于采样后的原始信号或图像恢复过程,就是已知y和Φ,求解s。
由于在压缩感知中主要使用了矩阵乘法,传统的矩阵乘法有维数限制, 因此提出了将半张量积用于压缩感知中,打破了传统矩阵乘法中的维数匹 配条件。因此定义两个矩阵D∈Rm*n,G∈Rq*p,n是p的因数或p是n的 因数,其间的半张量积为:
其中Di表示D的第i行,Gj表示G的第j列。
半张量积还可以用Kronecker积进行定义,两个矩阵D∈Rm*n,G∈Rq*p的Kronecker积定义为:
其中,半张量积表示为:
其中t=lcm(n,p),It/n代表(t/n)*(t/n)的单位阵。
而半张量压缩感知是将半张量积应用于压缩感知中,则将公式(4)应用 于公式(1)中,可以表示为:
其中φ∈RM*N,x∈RP,为了测量矩阵φ尽可能的小,选择尽量小的N, 选择N为P的因数,表示为N|P,此时lcm(N,P)=P,即可得到公式(5)中所 表示内容,此时的y∈RMP/N。
因此半张量压缩感知可以显著减小传统压缩感知中的采样矩阵的大 小,减少了矩阵的存储空间,节约了大量的计算资源,可以用于物联网、 边缘云网络等资源受限的网络中。
2、近似消息传递(AMP)算法
AMP算法是一种用于压缩感知图像恢复的迭代阈值算法。OMP、ISTA、 AMP等迭代算法都可以总结为下式:
xt+1=ηt(ATzt+xt) (6)
zt=y-Axt (7)
ηt(·)指标量阈值函数,xt为原始信号在此刻的估计值,zt指当前时刻 对应的残差,AT是A的转置矩阵。
zt=y-Axt+bt (8)
修正项的加入将噪声约束为近似加性高斯白噪声,为更好地将AMP算 法应用于去噪视角提供了自然的融合。I指N*N的单位矩阵,为了更好地 理解算法的迭代过程,将公式(9)扩展为k次迭代的形式
以上为AMP算法去噪视角的简单分析,AMP算法将非线性函数ηt(·)看为 去噪函数,这是与其他迭代阈值算法最大的一点不同。本发明将AMP算法 映射到深度神经网络中,用简单的卷积网来代替这一个噪声项中的 迭代过程,使算法的迭代过程更快速高效,从而获得在图像重建过程中所 需得到的高质量图像。
本发明提出的近似消息传递增强型网络(AMP-NET+)如图1所示, AMP-Net+由采样模块和恢复模块组成。采样模块由离散小波变换和分块采 样组成。恢复模块由一个初始模块和多个迭代恢复模块组成。下面分别介 绍一下各模块。
采样模块:采样模块结合了DWT和逐块采样方法。首先利用DWT将原 始图像转换为4个不同频带的图像,分别是低频分量、水平方向高频分量、 垂直平方向高频分量和对角线方向高频分量。而后再利用逐块采样方法独 立采样每个尺度图像。
为了用公式表示采样过程,我们用表示原始图像,DWT(·)表示 离散小波变换过程,每个尺度的图像表示为其中Xi=DWT(X),这 里i∈{1,2,3,4};在逐块采样过程中,我们用ξ(·)表示图像分块过程,分割后 的图像块表示为其中j∈{1,…,I},L*P=I*n2,然后用vec(·)函数将图 像块矢量化表示,最后将转换后的矢量与采样矩阵A相乘得到图像的测量 值。可以表示为公式(12):
其中表示图像的测量值,其中每一列都对应一个图像块的测量 值,为图像块对应的采样矩阵,通过引入半张量积理论,A的列 数不一定要与矢量处理后的Xij一致,因此减小了采样矩阵A的维数。整个 采样过程如图2所示。另外为了增强AMP-Net+的恢复性能,将A与整个网 络中所需要的其他参数进行共同训练。
恢复模块:恢复模块由一个初始模块和k个迭代恢复模块组成。迭代 恢复模块又可以分为去噪模块和去块模块。
初始模块用于生成一个初始恢复图像,初始恢复由测量值Y线性恢复得 到,初始恢复过程可以表示为公式(13):
X0=ξ-1(vec-1(ΗY),n) (13)
去噪模块:去噪模块是把去噪视角下的AMP算法展开到深度神经网络 上,对初始恢复图像进行逐块处理,由公式(10)得,原始图像可由公式(14) 得到:
为了增强恢复过程的灵活性,公式(15)中引入了一个可学习控制参数 εk。我们用一个4层的卷积神经网络来代替θk(·),每一层的过滤器大小都是 3*3,前3层卷积层后都添加了ReLu层,同时输出通道数均为32,最后一层 通道数为1。
对初始恢复图像逐块处理后,将处理后的图像块进行整形和连结,最 后得到一个完整恢复图像。
去块模块:去块模块是为了去除去噪模块逐块处理所引入的块伪影, 之前的方法采用手工去噪器来去除块伪影,有时会忽略原图像中包含的一 些信息,所以我们利用卷积神经网络来进行去块操作。去块模块可以用公 式(16)表示:
去噪模块和去块模块组合构成了重建模块,通过重建模块的多次迭代 可以提高图像的恢复性能,为了更清楚的展示模型结构,图3中提供了第k 个重建模块的图形说明。
损失函数:整个AMP-Net+模型中的可学习参数包括:采样矩阵A、初 始恢复的可训练矩阵Η、可学习控制参数Sε={ε1,ε2,…,εk}、θk(·)网络中所有 的可训练参数SΞ={Ξ1,Ξ2,…,Ξk}、τk(·)网络中的所有可训练参数 SΩ={Ω1,Ω2,…,Ωk},本发明中选用均方误差(MSE)来作为损失函数,来描述原 始图像和重建后图像的差异,针对AMP-Net+模型的损失函数可以表示为:
本发明的方法,在低采样率的条件下,与其他方法相比,本方法有着 更好的量化指标和重建效果。如将AMP-Net+应用于图像重建过程中,显 著提高了图像的重建质量和视觉效果,在存储空间占用和运行时间方面有 着优势,在采样率为1%、4%、10%时,AMP-Net+获得了更好的PSNR和 SSIM,获得了更好的视觉效果。六种对比方法以及不同采样率下AMP-NE T+_6和AMP-NET+_9的测试结果如表1所示。
表1六种对比方法以及不同采样率下AMP-NET+_6和AMP-NET+_9的测 试结果
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照 前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: 其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分 技术特征进行等同替换,但这些修改或者替换,并不使相应技术方案的本 质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种低采样率下的深度学习图像恢复方法,包括采样步骤和重建步骤,其特征在于,将近似消息传递算法展开到卷积神经网络上,采样步骤引入离散小波变换,同时采样矩阵使用半张量积进行处理,将原始图像分解为多尺度,对所有尺度的图像进行分块采样,并重建原始图像。
2.根据权利要求1所述的低采样率下的深度学习图像恢复方法,其特征在于,采样步骤由离散小波变换和分块采样组成。
3.根据权利要求2所述的低采样率下的深度学习图像恢复方法,其特征在于,离散小波变换过程为:利用DWT将原始图像转换为4个不同频带的图像,分别是低频分量、水平方向高频分量、垂直平方向高频分量和对角线方向高频分量。
4.根据权利要求2所述的低采样率下的深度学习图像恢复方法,其特征在于,分块采样过程为:利用逐块采样方法独立采样每个尺度图像。
5.根据权利要求1所述的低采样率下的深度学习图像恢复方法,其特征在于,恢复步骤由一个初始步骤和多个迭代恢复步骤组成。
6.根据权利要求5所述的低采样率下的深度学习图像恢复方法,其特征在于,初始步骤用于生成一个初始恢复图像,初始恢复由测量值线性恢复得到。
7.根据权利要求5所述的低采样率下的深度学习图像恢复方法,其特征在于,迭代恢复步骤包括去噪过程和去块过程。
8.根据权利要求7所述的低采样率下的深度学习图像恢复方法,其特征在于,去噪过程是把去噪视角下的AMP算法展开到深度神经网络上,对初始恢复图像进行逐块处理,将处理后的图像块进行整形和连结,最后得到一个完整恢复图像。
9.根据权利要求7所述的低采样率下的深度学习图像恢复方法,其特征在于,去块过程利用卷积神经网络来进行去块操作。
10.根据权利要求1所述的低采样率下的深度学习图像恢复方法,其特征在于,采用均方误差作为损失函数描述原始图像和重建后图像的差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410413.3A CN114418866A (zh) | 2021-11-23 | 2021-11-23 | 一种低采样率下的深度学习图像恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410413.3A CN114418866A (zh) | 2021-11-23 | 2021-11-23 | 一种低采样率下的深度学习图像恢复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418866A true CN114418866A (zh) | 2022-04-29 |
Family
ID=81265012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111410413.3A Pending CN114418866A (zh) | 2021-11-23 | 2021-11-23 | 一种低采样率下的深度学习图像恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418866A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107170019A (zh) * | 2017-05-25 | 2017-09-15 | 浙江树人学院 | 一种快速低存储图像压缩感知方法 |
CN109756740A (zh) * | 2019-01-18 | 2019-05-14 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
US20190172230A1 (en) * | 2017-12-06 | 2019-06-06 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
CN112073593A (zh) * | 2020-08-29 | 2020-12-11 | 北京理工大学 | 基于小波、阈值滤波及压缩感知的信息增强与传输方法 |
CN112884851A (zh) * | 2021-01-27 | 2021-06-01 | 武汉大学 | 一种展开迭代优化算法的深度压缩感知网络 |
-
2021
- 2021-11-23 CN CN202111410413.3A patent/CN114418866A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107170019A (zh) * | 2017-05-25 | 2017-09-15 | 浙江树人学院 | 一种快速低存储图像压缩感知方法 |
US20190172230A1 (en) * | 2017-12-06 | 2019-06-06 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
CN109756740A (zh) * | 2019-01-18 | 2019-05-14 | 北京邮电大学 | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 |
CN112073593A (zh) * | 2020-08-29 | 2020-12-11 | 北京理工大学 | 基于小波、阈值滤波及压缩感知的信息增强与传输方法 |
CN112884851A (zh) * | 2021-01-27 | 2021-06-01 | 武汉大学 | 一种展开迭代优化算法的深度压缩感知网络 |
Non-Patent Citations (2)
Title |
---|
ZHONGHAO ZHANG等: "AMP-Net: Denoising-Based Deep Unfolding for Compressive Image Sensing", IEEE TRANSACTIONS ON IMAGE PROCESSING, vol. 30, 18 December 2020 (2020-12-18), pages 1487 - 1492 * |
刘静等: "基于分布式压缩感知的遥感图像融合算法", 电子与信息学报, vol. 39, no. 10, 21 July 2017 (2017-07-21), pages 2376 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
CN109671029B (zh) | 基于伽马范数最小化的图像去噪方法 | |
CN112884851B (zh) | 基于展开迭代优化算法的深度压缩感知网络的构建方法 | |
CN110276726B (zh) | 一种基于多通道网络先验信息引导的图像去模糊方法 | |
CN113808032B (zh) | 多阶段渐进式的图像去噪算法 | |
CN110827198B (zh) | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 | |
CN109064412A (zh) | 一种低秩图像的去噪方法 | |
CN111147863B (zh) | 基于张量的视频快照压缩成像恢复方法 | |
CN107451961B (zh) | 多幅模糊噪声图像下清晰图像的恢复方法 | |
CN113132729A (zh) | 一种基于多参考帧的环路滤波方法及电子装置 | |
CN115239573A (zh) | 一种基于系数张量核范数最小化的彩色图像复原方法 | |
CN111243047B (zh) | 基于自适应非线性网络的图像压缩感知方法及相关产品 | |
Ravishankar et al. | Learning multi-layer transform models | |
Zhang et al. | Sparse reconstruction method based on starlet transform for high noise astronomical image denoising | |
Nejati et al. | Low-rank regularized collaborative filtering for image denoising | |
CN114418866A (zh) | 一种低采样率下的深度学习图像恢复方法 | |
CN115131226A (zh) | 一种基于小波张量低秩正则化的图像复原方法 | |
CN114331853B (zh) | 基于目标向量更新模块的单幅图像复原迭代框架 | |
CN113379647A (zh) | 一种优化psf估计的多特征图像复原方法 | |
Abedini et al. | Image Denoising Using Sparse Representation and Principal Component Analysis | |
CN112330550A (zh) | 一种基于图像盲解卷积技术的图像复原方法及系统 | |
CN110415190B (zh) | 基于深度学习去除图像压缩噪声的方法、装置及处理器 | |
CN109919857A (zh) | 一种基于加权斯莱特恩范数最小化的噪声图像补全方法 | |
CN114723614B (zh) | 基于小波域admm深度网络的图像复原方法 | |
Xu et al. | Image Restoration under Cauchy Noise: A Group Sparse Representation and Multidirectional Total Generalized Variation Approach. |
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 |