CN114445277A - 深度图像像素增强方法、装置及计算机可读存储介质 - Google Patents
深度图像像素增强方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114445277A CN114445277A CN202111538003.7A CN202111538003A CN114445277A CN 114445277 A CN114445277 A CN 114445277A CN 202111538003 A CN202111538003 A CN 202111538003A CN 114445277 A CN114445277 A CN 114445277A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- characteristic
- pixel
- color guide
- 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 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06T3/40—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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种深度图像像素增强方法、装置及计算机可读存储介质。该方法包括:获取待处理图像和彩色引导图像;其中,所述彩色引导图像为所述待处理图像的彩色图像,且所述彩色引导图像的分辨率高于所述待处理图像;对所述待处理图像进行预处理,以得到预处理图像;将所述预处理图像输入目标卷积网络,以得到第一特征图像;将彩色引导图像输入引导卷积网络,以得到第二特征图像;基于所述第一特征图像、所述第二特征图像以及待处理图像,得到像素增强后的图像。通过上述方式,本申请能够对低分辨率的图像进行像素增强,提高图像质量。
Description
技术领域
本申请涉及图像处理领域,特别是涉及深度图像像素增强方法、装置及计算机可读存储介质。
背景技术
随着传感器技术的飞速发展,深度相机在自动驾驶、三维重建等方面都有着重要的应用。但是,低成本深度相机获得的深度图像都具有分辨率低、图像噪声过大的问题,这些深度图像在实际应用中有较大困难。
发明内容
本申请主要提供一种深度图像像素增强方法、装置及计算机可读存储介质,解决了现有技术中难以对低分辨率图像进行分辨率增强的问题。
为解决上述技术问题,本申请第一方面提供了一种深度图像像素增强方法,包括:获取待处理图像和彩色引导图像;其中,所述彩色引导图像为所述待处理图像的彩色图像,且所述彩色引导图像的分辨率高于所述待处理图像;对所述待处理图像进行预处理,以得到预处理图像;将所述预处理图像输入目标卷积网络,以得到第一特征图像;将彩色引导图像输入引导卷积网络,以得到第二特征图像;基于所述第一特征图像、所述第二特征图像以及待处理图像,得到像素增强后的图像。
为解决上述技术问题,本申请第二方面提供了深度图像像素增强装置,包括:获取模块,用于获取待处理图像和彩色引导图像;其中,所述彩色引导图像为所述待处理图像的彩色图像,且所述彩色引导图像的分辨率高于所述待处理图像;预处理模块,用于对待处理图像进行预处理,以得到预处理图像;特征提取模块,用于将所述预处理图像输入目标卷积网络,以得到第一特征图像,并将彩色引导图像输入引导卷积网络,以得到第二特征图像;像素增强模块,用于基于所述第一特征图像、第二特征图像以及待处理图像,得到像素增强后的图像。
为解决上述技术问题,本申请第三方面提供了一种深度图像像素增强装置,所述深度图像像素增强装置包括相互耦接的处理器和存储器;所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现如上述第一方面提供的深度图像像素增强方法。
为解决上述技术问题,本申请第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有程序数据,所述程序数据被处理器执行时,实现上述第一方面提供的深度图像像素增强方法。
本申请的有益效果是:区别于现有技术的情况,本申请首先获取待处理图像和彩色引导图像,其中,彩色引导图像为待处理图像的彩色图像,且彩色引导图像的分辨率高于待处理图像,对待处理图像进行预处理,以得到预处理图像,将预处理图像输入目标卷积网络,以得到第一特征图像,将彩色引导图像输入引导卷积网络,以得到第二特征图像,基于第一特征图像、第二特征图像以及待处理图像,得到像素增强后的图像。本申请提供待处理图像的高分辨率彩色图像,并利用引导卷积网络和目标卷积网络分别对高分辨率的彩色图像和待处理图像进行特征提取,进而根据引导卷积网络和目标卷积网络输出的特征图像对待处理图像进行像素增强,能够有效提高待处理图像的分辨率,处理效果好。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请深度图像像素增强方法一实施例的流程示意框图;
图2是本申请深度图像像素增强网络一实施例的结构示意图;
图3是本申请步骤S15一实施例的流程示意框图;
图4是本申请步骤S151一实施例的流程示意框图;
图5是本申请深度图像像素增强装置一实施例的结构示意框图;
图6是本申请深度图像像素增强装置另一实施例的结构示意框图;
图7是本申请计算机可读存储介质一实施例的结构示意框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解是,本文所描述的实施例可以与其他实施例结合。
请参阅图1,图1是本申请深度图像像素增强方法一实施例的流程示意框图。需注意的是,若有实质上相同的结果,本实施例并不以图1所示的流程顺序为限。本实施例包括以下步骤:
步骤S11:获取待处理图像和彩色引导图像。
其中,彩色引导图像为待处理图像的彩色图像,且彩色引导图像的分辨率高于待处理图像。
本实施例可以获取通过移动终端、相机、录像机、监控设备等拍摄的图像或视频。对于视频而言,待处理图像和彩色引导图像可以是视频中选取的一帧或者多帧图像。当然,待处理图像和彩色引导图像也可以从云端或者网络获取,也可以从设备的本地存储中获取,还可以从移动硬盘、U盘中获取。对于原始图像的格式,可以是PNG、JPG、tiff等,还可以是其他格式,在此不做限定。
步骤S12:对待处理图像进行预处理,以得到预处理图像。
本步骤得到的预处理图像的分辨率与彩色引导图像的分辨率相同。
具体而言,彩色引导图像是一个高分辨率图像,其尺寸为H×W×C,而待处理图像是低分辨率图像,其尺寸为其中,H、W、C分别为彩色引导图像的水平方向分辨率、垂直方向分辨率以及通道数,l是下采样因子,可以是4、8、16等。需进行预处理,将待处理图像的分辨率调整至与彩色引导图像的分辨率相同。
在一实施例中,本步骤首先确定彩色引导图像的分辨率,并对待处理图像进行双三次插值操作,以得到与彩色引导图像的分辨率相同的预处理图像。
步骤S13:将彩色引导图像输入引导卷积网络,以得到第一特征图像。
请参阅图2,引导卷积网络CNNG包括三个卷积模块,每个卷积模块包括16层卷积层,滤波器的大小均为5×5,图中所示Guidance表示输入的彩色引导图像。
本步骤利用引导卷积网络对彩色引导图像进行卷积操作,以进行特征提取,输出第一特征图像。
步骤S14:将预处理图像输入目标卷积网络,以得到第二特征图像。
其中,目标卷积网络CNNT包括三个卷积模块,每个卷积模块包括16层卷积层,滤波器的大小均为5×5。此外,在每两个卷积模块之间,加入通道注意力网络(Channelattention module),通道注意力机制的使用可以帮助网络学习到通道之间的相关性,自适应地重新校准通道的特征响应,把重要的特征增加,不重要的特征减弱,从而让提取的特征指向性更强。
在一实施例中,通道注意力网络为SENET(Squeeze-and-Excitationnetworks)。在每一次卷积结束之后,将所有的通道做全局平均池化,假设当前卷积层为H×W×C,全局平均池化后将形成新的向量Zc(1×1×C)。将Zc放进FCN-ReLU-FCN的特征提取子网络。第一个全连接层用于减少计算量,将通道数C降低为即当前卷积层的尺寸为例如将l取为16。再经过一层ReLU激活函数,使整个操作是非线性的,第二个全连接层用于将通道数还原成1×1×C,再经过一层sigmoid激活层,可以得到添加通道注意力机制后的各通道注意力权重分布,将该权重与卷积后的结果相乘,作为下一个卷积层的输入结果。
本实施例在目标卷积网络在加入了通道注意力网络后,获得的特征图像在保持边缘结构上更加的清晰准确,并且减少了收敛迭代次数。
步骤S15:基于第一特征图像、第二特征图像以及待处理图像,得到像素增强后的图像。
本步骤利用第一特征图像和第二特征图像对待处理图像进行像素增强。
请参阅图3,图3是本申请步骤S15一实施例的流程示意框图。需注意的是,若有实质上相同的结果,本实施例并不以图3所示的流程顺序为限。本实施例包括以下步骤:
步骤S151:将第一特征图像和第二特征图像输入预测网络,输出预测图像。
其中,预测网络CNNF用于将第一特征图像和第二特征图像进行融合,预测图像即为将第一特征图像和第二特征图像进行融合得到的特征图像。
在一实施例中,预测网络CNNF可包括像素自适应卷积模块,利用像素自适应卷积模块融合第一特征图像和第二特征图像。具体而言,请参阅图4,图4是本申请步骤S151一实施例的流程示意框图。需注意的是,若有实质上相同的结果,本实施例并不以图4所示的流程顺序为限。本实施例包括以下步骤:
S1511:根据第一特征图像计算像素自适应卷积模块的自适应卷积核。
在其中一实施例中,根据高斯核函数确定自适应卷积核,表达式如下:
其中,fi、fj为分别为第一特征图像上的像素点在自适应卷积核中对应位置的像素值,其中自适应卷积核的尺寸为5×5。
S1512:利用自适应卷积核和目标卷积网络最后一层的权重矩阵对第二特征图像进行加权处理,并对加权结果添加偏置项,以得到预测图像。
具体可根据下式得到预测图像:
其中,Wj是第二特征图像上的像素点在像素自适应卷积模块权重矩阵相应位置的值,Vj是第二特征图上像素点的像素值,b是偏置项,Ω(i)表示像素i周围5×5的卷积窗口尺寸,v′i表示预测图像中对应像素i位置的像素值。
其中,预测网络还包括三个卷积模块,用于对预测图像进行卷积操作,以得到最终的预测图像,三个卷积模块的卷积层分别为32、32、1。
步骤S152:基于预测图像和待处理图像,得到像素增强后的图像。
具体而言,将待处理图像各像素点的像素值加上预测图像中相应像素点的像素值的预设倍数,以得到像素增强后的图像。
其中,预设倍数在0.8~1.2倍之间。例如,预设倍数可为0.8、1、1.2。
由于通过网络学习得到的是上采样过程中的高频信息,需要与待处理图像进行像素级的相加,对于图像的高频信息和低频区域的信息都能够很好地保留,提高图像增强效果,经过增强后的图像具有更高质量和高准确性的特点。
请参阅图5,图5是本申请深度图像像素增强装置一实施例的结构示意框图。深度图像像素增强装置100包括:获取模块110、预处理模块120、特征提取模块130以及像素增强模块140。
其中,获取模块110用于获取待处理图像和彩色引导图像;其中,彩色引导图像为待处理图像的彩色图像,且彩色引导图像的分辨率高于待处理图像;预处理模块120用于对待处理图像进行预处理,以得到预处理图像;特征提取模块130用于将预处理图像输入目标卷积网络,以得到第一特征图像,并将彩色引导图像输入引导卷积网络,以得到第二特征图像;像素增强模块140用于基于第一特征图像、第二特征图像以及待处理图像,得到像素增强后的图像。
可选地,预处理模块120还用于确定彩色引导图像的分辨率;对待处理图像进行双三次插值,以得到与彩色引导图像的分辨率相同的预处理图像。
可选地,像素增强模块140还用于将第一特征图像和第二特征图像输入预测网络,输出预测图像;基于预测图像和待处理图像,得到像素增强后的图像。
可选地,像素增强模块140还用于根据第一特征图像计算像素自适应卷积模块的自适应卷积核;利用自适应卷积核和目标卷积网络最后一层的权重矩阵对第二特征图像进行加权处理,并对加权结果添加偏置项,以得到预测图像。
可选地,像素增强模块140还用于将待处理图像各像素点的像素值加上预测图像中相应像素点的像素值的预设倍数,以得到像素增强后的图像。
关于各处理执行的各步骤的具体方式请参照上述本申请深度图像像素增强方法实施例的各步骤的描述,在此不再赘述。
请参阅图6,图6是本申请深度图像像素增强装置另一实施例的结构示意框图。该深度图像像素增强装置200包括相互耦接的处理器210和存储器220,存储器220中存储有计算机程序,处理器210用于执行计算机程序以实现上述各实施例所述的深度图像像素增强方法。
关于处理执行的各步骤的描述请参照上述本申请深度图像像素增强方法实施例的各步骤的描述,在此不再赘述。
存储器220可用于存储程序数据以及模块,处理器210通过运行存储在存储器220的程序数据以及模块,从而执行各种功能应用以及数据处理。存储器220可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如图像预处理功能、图像特征提取功能等)等;存储数据区可存储根据深度图像像素增强装置200的使用所创建的数据(比如图像数据、第一特征图像、第二特征图像、预测图像等)等。此外,存储器220可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器220还可以包括存储器控制器,以提供处理器210对存储器220的访问。
在本申请的各实施例中,所揭露的方法、装置,可以通过其它的方式实现。例如,以上所描述的深度图像像素增强装置200的各实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中。
参阅图7,图7为本申请计算机可读存储介质一实施例的结构示意框图,计算机可读存储介质300存储有程序数据310,程序数据310被执行时实现如上述深度图像像素增强方法各实施例的步骤。
关于处理执行的各步骤的描述请参照上述本申请深度图像像素增强方法实施例的各步骤的描述,在此不再赘述。
计算机可读存储介质300可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种深度图像像素增强方法,其特征在于,所述方法包括:
获取待处理图像和彩色引导图像;其中,所述彩色引导图像为所述待处理图像的彩色图像,且所述彩色引导图像的分辨率高于所述待处理图像;
对所述待处理图像进行预处理,以得到预处理图像;
将彩色引导图像输入引导卷积网络,以得到第一特征图像;
将所述预处理图像输入目标卷积网络,以得到第二特征图像;
基于所述第一特征图像、所述第二特征图像以及待处理图像,得到像素增强后的图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述待处理图像进行预处理,以得到预处理图像,包括:
确定所述彩色引导图像的分辨率;
对所述待处理图像进行双三次插值,以得到与所述彩色引导图像的分辨率相同的预处理图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一特征图像、所述第二特征图像以及待处理图像,得到像素增强后的图像,包括:
将所述第一特征图像和第二特征图像输入预测网络,输出预测图像;
基于所述预测图像和所述待处理图像,得到像素增强后的图像。
4.根据权利要求3所述的方法,其特征在于,所述预测网络包括像素自适应卷积模块,所述将所述第一特征图像和第二特征图像输入预测网络,输出预测图像,包括:
根据第一特征图像计算所述像素自适应卷积模块的自适应卷积核;
利用所述自适应卷积核和所述目标卷积网络最后一层的权重矩阵对所述第二特征图像进行加权处理,并对加权结果添加偏置项,以得到所述预测图像。
5.根据权利要求3所述的方法,其特征在于,所述基于所述预测图像和所述待处理图像,得到像素增强后的图像,包括:
将所述待处理图像各像素点的像素值加上所述预测图像中相应像素点的像素值的预设倍数,以得到所述像素增强后的图像。
6.根据权利要求5所述的方法,其特征在于,所述预设倍数在0.8~1.2倍之间。
7.一种深度图像像素增强装置,其特征在于,所述装置包括:
获取模块,用于获取待处理图像和彩色引导图像;其中,所述彩色引导图像为所述待处理图像的彩色图像,且所述彩色引导图像的分辨率高于所述待处理图像;
预处理模块,用于对待处理图像进行预处理,以得到预处理图像;
特征提取模块,用于将所述预处理图像输入目标卷积网络,以得到第一特征图像,并将彩色引导图像输入引导卷积网络,以得到第二特征图像;
像素增强模块,用于基于所述第一特征图像、第二特征图像以及待处理图像,得到像素增强后的图像。
8.根据权利要求7所述的装置,其特征在于,所述预处理模块还用于确定所述彩色引导图像的分辨率,并对所述待处理图像进行双三次插值,以得到与所述彩色引导图像的分辨率相同的预处理图像。
9.一种深度图像像素增强装置,其特征在于,所述深度图像像素增强装置包括相互耦接的处理器和存储器;所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现如权利要求1-6中任一项所述方法的步骤。
10.一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有程序数据,所述程序数据被处理器执行时实现如权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538003.7A CN114445277A (zh) | 2021-12-15 | 2021-12-15 | 深度图像像素增强方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538003.7A CN114445277A (zh) | 2021-12-15 | 2021-12-15 | 深度图像像素增强方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445277A true CN114445277A (zh) | 2022-05-06 |
Family
ID=81363477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111538003.7A Pending CN114445277A (zh) | 2021-12-15 | 2021-12-15 | 深度图像像素增强方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445277A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116962657A (zh) * | 2023-09-21 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 彩色视频生成方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-15 CN CN202111538003.7A patent/CN114445277A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116962657A (zh) * | 2023-09-21 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 彩色视频生成方法、装置、电子设备及存储介质 |
CN116962657B (zh) * | 2023-09-21 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 彩色视频生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220014684A1 (en) | Image display method and device | |
CN109671023B (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN102576454B (zh) | 利用空间图像先验的图像去模糊法 | |
JP6902122B2 (ja) | ダブル視野角画像較正および画像処理方法、装置、記憶媒体ならびに電子機器 | |
CN110717851A (zh) | 图像处理方法及装置、神经网络的训练方法、存储介质 | |
CN111402170B (zh) | 图像增强方法、装置、终端及计算机可读存储介质 | |
CN109462747B (zh) | 基于生成对抗网络的dibr系统空洞填充方法 | |
CN108764039B (zh) | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 | |
CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
CN111402139B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN112750201B (zh) | 三维重建方法及相关装置、设备 | |
CN108876716B (zh) | 超分辨率重建方法及装置 | |
CN113673545A (zh) | 光流估计方法、相关装置、设备及计算机可读存储介质 | |
CN109801212A (zh) | 一种基于sift特征的鱼眼图像拼接方法 | |
CN113592720B (zh) | 图像的缩放处理方法、装置、设备、存储介质 | |
CN116977674A (zh) | 图像匹配方法、相关设备、存储介质及程序产品 | |
CN114445277A (zh) | 深度图像像素增强方法、装置及计算机可读存储介质 | |
CN109871814B (zh) | 年龄的估计方法、装置、电子设备和计算机存储介质 | |
Zheng et al. | Joint residual pyramid for joint image super-resolution | |
CN113674154B (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 | |
CN115546027A (zh) | 图像缝合线确定方法、装置以及存储介质 | |
CN111383171B (zh) | 一种图片处理方法、系统及终端设备 | |
CN112150532A (zh) | 图像处理的方法、装置、电子设备和计算机可读介质 | |
Deng et al. | Attention-guided network with inverse tone-mapping guided up-sampling for HDR imaging of dynamic scenes | |
WO2023070495A9 (zh) | 图像处理方法、电子设备和非瞬态计算机可读介质 |
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 |