CN114708148A - 一种基于迁移学习的红外图像超分辨率重建方法 - Google Patents
一种基于迁移学习的红外图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN114708148A CN114708148A CN202210381997.4A CN202210381997A CN114708148A CN 114708148 A CN114708148 A CN 114708148A CN 202210381997 A CN202210381997 A CN 202210381997A CN 114708148 A CN114708148 A CN 114708148A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- layer
- network
- convolution
- 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 30
- 238000013526 transfer learning Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims description 41
- 238000004821 distillation Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 23
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000007670 refining Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T3/40—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明涉及图像超分辨率重建技术领域,具体地说是一种基于迁移学习的红外图像超分辨率重建方法,包括构建全局网络,在两个相邻的局部蒸馏模块之间采用差值算法,获取图像的高频信息,在局部模块之间采用级联连接,保留图像的低频信息和采用预训练网络与微调网络的迁移学习策略,本发明同现有技术相比,根据迁移学习的思想,通过构建了特征蒸馏网路、提炼分支、局部蒸馏模块差值算法和训练内容,利用小样本红外图像集,重建出高质量的红外图像。
Description
技术领域
本发明涉及图像超分辨率重建技术领域,具体地说是一种基于迁移学习的红外图像超分辨率重建方法。
背景技术
由于外界环境或采集设备的影响,所获取图像往往呈现分辨率低、细节损失等问题,并随着用户视觉体验及应用需求的增加,对低分辨率图像进行处理至关重要。
图像超分辨率重建算法根据不同原理可以大致分为基于插值、基于建模和基于学习三种方法,基于插值的代表算法主要有最近邻插值法、双线性插值法和双立方插值法,这类算法都是基于图像的灰度是连续的假设条件之下,因此在一些灰度变化不连续的诸如图像边缘等位置,其局部变现和纹理结构不明显,导致图像有些模糊。基于建模较为经典的方法有迭代反向投影法、凸集投影法和最大后验概率法等,此类方法操作简单,易于实现,并且适用于多种成像模型,但难于收敛,实时性较差。难以处理模糊现象,对先验知识的利用也不足。因此,近年来随着深度学习在计算机视觉领域的广泛应用,基于深度学习的图像超分辨率算法已成为主流方法。
然而,基于深度学习的神经网络在训练时往往需要充足的数据集作为支撑,基于深度学习的图像超分辨率网络也是如此。但是,由于成像设备的分辨率不高以及昂贵的价格,且在拍摄图像时受外界环境的影响,使得难以获取充足的高分辨率红外图像集。因此如何通过小样本红外图像集,通过图像超分辨率算法获取经济有效的高质量红外图像称为了一个亟需解决的问题。
因此,需要设计一种基于迁移学习的红外图像超分辨率重建方法,利用小样本红外图像集,通过迁移学习的方法实现高性能的红外图像超分辨率重建。
发明内容
本发明的目的是克服现有技术的不足,提供了一种基于迁移学习的红外图像超分辨率重建方法,利用小样本红外图像集,通过迁移学习的方法实现高性能的红外图像超分辨率重建。
为了达到上述目的,本发明提供一种基于迁移学习的红外图像超分辨率重建方法,包括以下步骤:
S1:构建全局网络,主要由浅层特征提取层、局部蒸馏模块为核心的非线性映射层和上采样层组成,上采样层采用sub-pixel函数对提取的特征图像进行放大;
S2:在两个相邻的局部蒸馏模块之间采用差值算法,获取图像的高频信息;
S3:在局部模块之间采用级联连接,保留图像的低频信息;
S4:在训练阶段,采用预训练网络与微调网络的迁移学习策略。
S1的具体步骤为:
S2-1:在浅层特征提取层中,仅采用一个3×3卷积来提取浅层特征;
S2-2:在非线性映射层中,通过特征蒸馏模块,该模块将提取的浅层特征进行两分支处理;其中一个分支为蒸馏分支,采用1×1卷积对浅层提取的特征进行处理,保留部分粗糙的特征至后续的连接层;另一分支为提炼分支,采用非对称扩张卷积残差块来进一步提炼出细致的特征;对于非对称扩张卷积残差块,是将1×3卷积与3×1卷积进行串联连接,并对第一个卷积的输入采用恒等连接,之后采用Relu函数对该残差块进行激活;
两个分支分别进行三次迭代,并且在提炼分支的末端采用带有扩张卷积的非对称扩张卷积残差块进行并行连接,用来扩大网络的感受视野;将两个分支提取的特征在通道维度进行特征连接后,采用通道混洗机制,增加通道间的信息交互能力;在局部蒸馏模块的末端引入增强型空间注意力机制,重新校准融合特征的权重。
S2中低频信息对应图像的整体轮廓,高频信息则是对应图像的细节信息;两个相邻的局部蒸馏模块,后一个模块mn相比于前一个模块mn-1,经历更多的卷积层,mn包含更多的高频信息,mn与mn-1有大量相同的低频信息,采用差值算法mn-mn-1获取图像的高频特征信息。
S3中将非线性映射层中的局部蒸馏模块采用级联方式进行连接,将每一个局部蒸馏模块的输出传递到后续的连接层,将低频信息保留下来,保证信息的不丢失。
S4的训练步骤包括:
S41,预训练阶段将800张DIV2K可视化图像作为训练数据集进行训练,并采用MAE作为损失函数,获取可视化图像之间的非线性映射关系,将此作为基底;在预训练结束后,保留该网络权值不变,将其作为预训练网络,进行下一阶段微调训练,MAE损失函数表达式为:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。S42,对于微调网络,采用小样本的55张红外图像集进行训练,采用MSE作为损失函数,获取红外图像之间的非线性映射关系,MSE损失函数表达式为:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。
本发明同现有技术相比,根据迁移学习的思想,通过构建了特征蒸馏网路、提炼分支、局部蒸馏模块差值算法和训练内容,利用小样本红外图像集,重建出高质量的红外图像。
附图说明
图1为本发明的全局网络结构图;
图2为本发明的局部特征蒸馏模块结构图;
图3为本发明迁移学习训练示意图;
图4为本发明不同模型对同一图像的超分辨率重建效果对比图;
具体实施方式
现结合附图对本发明做进一步描述。
本发明提供一种基于迁移学习的红外图像超分辨率重建方法:
如图1~图4所示,包括以下步骤:
S1:构建全局网络,主要由浅层特征提取层、局部蒸馏模块为核心的非线性映射层和上采样层组成,上采样层采用sub-pixel函数对提取的特征图像进行放大;
S2:在两个相邻的局部蒸馏模块之间采用差值算法,获取图像的高频信息;
S3:在局部模块之间采用级联连接,保留图像的低频信息;
S4:在训练阶段,采用预训练网络与微调网络的迁移学习策略。
S1的具体步骤为:
S2-1:在浅层特征提取层中,仅采用一个3×3卷积来提取浅层特征;
S2-2:在非线性映射层中,通过特征蒸馏模块,该模块将提取的浅层特征进行两分支处理;其中一个分支为蒸馏分支,采用1×1卷积对浅层提取的特征进行处理,保留部分粗糙的特征至后续的连接层;另一分支为提炼分支,采用非对称扩张卷积残差块来进一步提炼出细致的特征;对于非对称扩张卷积残差块,是将1×3卷积与3×1卷积进行串联连接,并对第一个卷积的输入采用恒等连接,之后采用Relu函数对该残差块进行激活;
两个分支分别进行三次迭代,并且在提炼分支的末端采用带有扩张卷积的非对称扩张卷积残差块进行并行连接,用来扩大网络的感受视野;将两个分支提取的特征在通道维度进行特征连接后,采用通道混洗机制,增加通道间的信息交互能力;在局部蒸馏模块的末端引入增强型空间注意力机制,重新校准融合特征的权重。
S2中低频信息对应图像的整体轮廓,高频信息则是对应图像的细节信息;两个相邻的局部蒸馏模块,后一个模块mn相比于前一个模块mn-1,经历更多的卷积层,mn包含更多的高频信息,mn与mn-1有大量相同的低频信息,采用差值算法mn-mn-1获取图像的高频特征信息。
S3中将非线性映射层中的局部蒸馏模块采用级联方式进行连接,将每一个局部蒸馏模块的输出传递到后续的连接层,将低频信息保留下来,保证信息的不丢失。
S4的训练步骤包括:
S41,预训练阶段将800张DIV2K可视化图像作为训练数据集进行训练,并采用MAE作为损失函数,获取可视化图像之间的非线性映射关系,将此作为基底;在预训练结束后,保留该网络权值不变,将其作为预训练网络,进行下一阶段微调训练,MAE损失函数表达式为:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。
S42,对于微调网络,采用小样本的55张红外图像集进行训练,采MSE作为损失函数,获取红外图像之间的非线性映射关系,MSE损失函数表达式为:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。
实施例:
下面结合附图对本发明方法的具体实施方式做进一步说明。如图1~图3所示,本发明提供一种基于迁移学习的红外图像超分辨率重建方法,具体步骤包括:
在浅层特征提取层中,仅采用一个3×3卷积来提取浅层特征,该卷积的输入通道数为3,对应输入图像RGB三通道,输出通道设定为40。
在非线性映射层中,本发明设计了特征蒸馏模块,该模块将提取的浅层特征进行两分支处理。其中一个分支为蒸馏分支,采用1×1卷积对浅层提取的特征进行处理,保留部分粗糙的特征至后续的连接层,具体是将前层通道数为40的特征信息,进行减半传递,即保留20个通道数的特征信息传递后续的连接层;另一分支为提炼分支,采用非对称扩张卷积残差块来进一步提炼出细致的特征;对于非对称扩张卷积残差块,是将1×3卷积与3×1卷积进行串联连接,并对第一个卷积的输入采用恒等连接,之后采用Relu函数对该残差块进行激活;在进行每个非对称扩张卷积残差块后,输出特征通道数为40。
两个分支分别进行三次迭代,并且在提炼分支的末端采用带有扩张卷积的非对称扩张卷积残差块,进行并行连接,用来扩大网络的感受视野。将两个分支提取的特征在通道维度进行特征连接,通道合并层调用Concatenate函数,对蒸馏得到了五部分图像特征进行合并,得到通道数为140的图像特征。之后对合并的通道数为140的图像特征采用通道混洗层操作,进一步改善通道间的特征共享性,确保合并的特征信息可以在不同组之间流转,从而提升图像超分辨率重建的精准度。在局部蒸馏模块的末端引入增强型空间注意力机制(ESA:Enhanced Spatial Attention),重新校准融合特征的权重。
上采样层采用sub-pixel函数对提取的特征图像进行放大。
在S2中,低频信息对应图像的整体轮廓,高频信息则是对应图像的细节信息;对于两个相邻的局部蒸馏模块,后一个模块mn相比于前一个模块mn-1,经历更多的卷积层,因此mn包含更多的高频信息。但是mn与mn-1仍然有大量相同的低频信息,所以,本发明采用差值算法mn-mn-1可以获取图像的高频特征信息。
在S3中,本发明将非线性映射层中的局部蒸馏模块采用级联方式进行连接,将每一个局部蒸馏模块的输出传递到后续的连接层,可以充分将高频信息保留下来,保证信息的不丢失。
步骤S4的具体训练过程为:
S41,预训练阶段将800张DIV2K可视化图像作为训练数据集进行训练,并采用MAE(Mean Absolute Error)作为损失函数,该阶段目的是获取可视化图像之间的非线性映射关系,将此作为基底;在预训练结束后,保留该网络权值不变,将其作为预训练网络,进行下一阶段微调训练。其中MAE损失函数:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。
S42,对于微调网络,本发明采用小样本的55张红外图像集进行训练,采用MSE(Mean Square Error)作为损失函数,获取红外图像之间的非线性映射关系。其中MSE损失函数:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。
图4是不同网络模型的重建效果,对公开测试集result-A×4中的img_18与result-C×2中的img_7的局部纹理进行对比分析,从图中可以看出,本发明的网络所重建的图像相较于其他网络,在纹理和线条细节上比其他方法恢复地更好。此实例说明,本发明重建的图像具有更好的人眼观感。
以上,对本发明的实施方式进行了说明,但本发明的范围并不仅仅限于此,使用者可以在不脱离本发明的主旨的范围内进行各种变更,加以实施,但是都包括在本专利的保护范围内。
本发明从整体上解决了现有技术中由于成像设备的分辨率不高以及昂贵的价格,且在拍摄图像时受外界环境的影响,使得难以获取充足的高分辨率红外图像集的技术问题,通过利用小样本红外图像集,图像超分辨率迁移学习算法的方法实现高性能的红外图像超分辨率重建,获取经济有效的高质量红外图像。
Claims (5)
1.一种基于迁移学习的红外图像超分辨率重建方法,其特征在于,包括以下步骤:
S1:构建全局网络,主要由浅层特征提取层、局部蒸馏模块为核心的非线性映射层和上采样层组成,所述上采样层采用sub-pixel函数对提取的特征图像进行放大;
S2:在两个相邻的局部蒸馏模块之间采用差值算法,获取图像的高频信息;
S3:在局部模块之间采用级联连接,保留图像的低频信息;
S4:在训练阶段,采用预训练网络与微调网络的迁移学习策略。
2.根据权利要求1所述的一种基于迁移学习的红外图像超分辨率重建方法,其特征在于,所述S1的具体步骤为:
S2-1:在浅层特征提取层中,仅采用一个3×3卷积来提取浅层特征;
S2-2:在非线性映射层中,通过特征蒸馏模块,该模块将提取的浅层特征进行两分支处理;其中一个分支为蒸馏分支,采用1×1卷积对浅层提取的特征进行处理,保留部分粗糙的特征至后续的连接层;另一分支为提炼分支,采用非对称扩张卷积残差块来进一步提炼出细致的特征;对于非对称扩张卷积残差块,是将1×3卷积与3×1卷积进行串联连接,并对第一个卷积的输入采用恒等连接,之后采用Relu函数对该残差块进行激活;
所述两个分支分别进行三次迭代,并且在提炼分支的末端采用带有扩张卷积的非对称扩张卷积残差块进行并行连接,用来扩大网络的感受视野;将两个分支提取的特征在通道维度进行特征连接后,采用通道混洗机制,增加通道间的信息交互能力;在局部蒸馏模块的末端引入增强型空间注意力机制,重新校准融合特征的权重。
3.根据权利要求1所述的一种基于迁移学习的红外图像超分辨率重建方法,其特征在于,所述S2中低频信息对应图像的整体轮廓,高频信息则是对应图像的细节信息;所述两个相邻的局部蒸馏模块,后一个模块mn相比于前一个模块mn-1,经历更多的卷积层,mn包含更多的高频信息,mn与mn-1有大量相同的低频信息,采用差值算法mn-mn-1获取图像的高频特征信息。
4.根据权利要求1所述的一种基于迁移学习的红外图像超分辨率重建方法,其特征在于,所述S3中将非线性映射层中的局部蒸馏模块采用级联方式进行连接,将每一个局部蒸馏模块的输出传递到后续的连接层,将低频信息保留下来,保证信息的不丢失。
5.根据权利要求1所述的一种基于迁移学习的红外图像超分辨率重建方法,其特征在于,所述S4的训练步骤包括:
S41,预训练阶段将800张DIV2K可视化图像作为训练数据集进行训练,并采用MAE作为损失函数,获取可视化图像之间的非线性映射关系,将此作为基底;在预训练结束后,保留该网络权值不变,将其作为预训练网络,进行下一阶段微调训练,所述MAE损失函数表达式为:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像;
S42,对于微调网络,采用小样本的55张红外图像集进行训练,采用MSE作为损失函数,获取红外图像之间的非线性映射关系,所述MSE损失函数表达式为:
ISR和IHR分别代表重建后的SR图像和与其对应的真值HR图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381997.4A CN114708148A (zh) | 2022-04-12 | 2022-04-12 | 一种基于迁移学习的红外图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381997.4A CN114708148A (zh) | 2022-04-12 | 2022-04-12 | 一种基于迁移学习的红外图像超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708148A true CN114708148A (zh) | 2022-07-05 |
Family
ID=82175410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210381997.4A Pending CN114708148A (zh) | 2022-04-12 | 2022-04-12 | 一种基于迁移学习的红外图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708148A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200722A (zh) * | 2020-10-16 | 2021-01-08 | 鹏城实验室 | 图像超分辨重构模型的生成方法、重构方法及电子设备 |
CN113240580A (zh) * | 2021-04-09 | 2021-08-10 | 暨南大学 | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 |
CN113837946A (zh) * | 2021-10-13 | 2021-12-24 | 中国电子技术标准化研究院 | 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法 |
CN113837941A (zh) * | 2021-09-24 | 2021-12-24 | 北京奇艺世纪科技有限公司 | 图像超分模型的训练方法、装置及计算机可读存储介质 |
CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
-
2022
- 2022-04-12 CN CN202210381997.4A patent/CN114708148A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200722A (zh) * | 2020-10-16 | 2021-01-08 | 鹏城实验室 | 图像超分辨重构模型的生成方法、重构方法及电子设备 |
CN113240580A (zh) * | 2021-04-09 | 2021-08-10 | 暨南大学 | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 |
CN113837941A (zh) * | 2021-09-24 | 2021-12-24 | 北京奇艺世纪科技有限公司 | 图像超分模型的训练方法、装置及计算机可读存储介质 |
CN113837946A (zh) * | 2021-10-13 | 2021-12-24 | 中国电子技术标准化研究院 | 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法 |
CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
KEFENG FAN: "Infrared Image Super-Resolution via Progressive Compact Distillation Network", 《ELECTRONICS 2021》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064396B (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 | |
CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
CN106709875B (zh) | 一种基于联合深度网络的压缩低分辨率图像复原方法 | |
CN108537733B (zh) | 基于多路径深度卷积神经网络的超分辨率重建方法 | |
CN107123089B (zh) | 基于深度卷积网络的遥感图像超分辨重建方法及系统 | |
CN109118432B (zh) | 一种基于快速循环卷积网络的图像超分辨率重建方法 | |
CN110705699B (zh) | 超分辨率重建方法、装置、电子设备和可读存储介质 | |
CN111340744B (zh) | 基于注意力双流深度网络的低质量图像降采样方法及其系统 | |
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN108647775B (zh) | 基于全卷积神经网络单张图像的超分辨率图像重建方法 | |
CN110276721A (zh) | 基于级联残差卷积神经网络的图像超分辨率重建方法 | |
CN112184554B (zh) | 一种基于残差混合膨胀卷积的遥感图像融合方法 | |
CN110136060B (zh) | 基于浅层密集连接网络的图像超分辨率重建方法 | |
CN111784570A (zh) | 一种视频图像超分辨率重建方法及设备 | |
CN113837946B (zh) | 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法 | |
CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
CN112669214B (zh) | 一种基于交替方向乘子算法的模糊图像超分辨率重建方法 | |
Xu et al. | Joint demosaicing and super-resolution (JDSR): Network design and perceptual optimization | |
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 | |
CN111768340A (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
CN111652804A (zh) | 基于膨胀卷积金字塔与瓶颈网络的超分辨率重建方法 | |
CN115841420A (zh) | 一种基于深度学习的偏振图像超分辨率重建方法 | |
CN111738954A (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220705 |
|
RJ01 | Rejection of invention patent application after publication |