CN114879919A - 一种图像快速缩放打印系统及方法 - Google Patents
一种图像快速缩放打印系统及方法 Download PDFInfo
- Publication number
- CN114879919A CN114879919A CN202210604425.8A CN202210604425A CN114879919A CN 114879919 A CN114879919 A CN 114879919A CN 202210604425 A CN202210604425 A CN 202210604425A CN 114879919 A CN114879919 A CN 114879919A
- Authority
- CN
- China
- Prior art keywords
- image
- printing
- data
- image data
- amplified
- 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
- 238000007639 printing Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 9
- 239000007921 spray Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000007667 floating Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007641 inkjet printing Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1208—Improving or facilitating administration, e.g. print management resulting in improved quality of the output result, e.g. print layout, colours, workflows, print preview
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1237—Print job management
- G06F3/1244—Job translation or job parsing, e.g. page banding
- G06F3/1247—Job translation or job parsing, e.g. page banding by conversion to printer ready format
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种图像快速缩放打印系统及方法，包括上位机，用于传输待打印图像，主控装置，与所述上位机连接，所述主控装置搭载图像处理芯片，利用深度网络结构对所述待打印图像进行放大处理，得到放大图像数据，喷头控制器，与所述主控装置连接，基于所述放大图像数据，控制打印喷头完成打印任务；采用图像处理芯片取代上位机软件处理图像的方式，解决了以往上位机处理超大图像导致中间数据膨胀，使得数据传输带宽成为打印快慢的瓶颈的难题，实现了以硬件方式替代了传统大数据量传输方式；利用深度学习方法对图片放大，取得了比现有技术采用经典插值实现图像放大的方法更好的图像缩放效果，使得打印的图像更清晰，提高了打印作品的质量。
Description
技术领域
本发明涉及打印领域，特别是涉及一种图像快速缩放打印系统及方法。
背景技术
目前国内的超大图像打印数据都是通过上位机软件处理算法处理然后通过usb或者网络传输的方式将处理后的数据下发至主控系统，最后将数据发送至喷墨打印设备。
如图1所示，目前国内超大图像打印的图像打印系统，包括上位机、主控系统、数据存储、以及打印设备等部分，上位机部分包括两部分，分为对图像数据的采集输入功能、对图像进行软件算法处理的功能，其中图像数据采集对应各种图像类型数据的解析，超大图像是指将图像放大4倍及以上，在日常生活中，我们屏幕显示的分辨率不超过100dpi，而打印喷头的分辨率为600dpi，为了打印出与生活实际尺寸相同大小的图像，需要对图像进行放大处理，而从100dpi到600dpi需要将图像放大6倍以上，形成了超大图像，而对图像进行软件算法处理主要是为了将打印图像进行缩放，一般采用经典算法，例如最邻近插值、双线性插值等，使得对应图像放大到适用于打印设备的分辨率。在处理完图像数据后，由于在高速打印时，需要上位机实时地将渲染后的待打印数据传送到主控及控制模块，就要求上位机和主控系统以及主控系统和控制模块之间的传输带宽非常高，目前上位机和主控系统之间通常采用USB3.0或高速以太网进行数据传输，而主控系统与喷头控制模块之间主要采用以太网或专用总线进行信息交互。最后主控系统将从上位机接受的图像数据分配给打印设备，打印出图像，在传统的打印领域，放大图像通常在上位机执行，但由于放大图像，形成了超大图像从而导致图像数据急巨扩大，这就导致从上位机下发到主控板的传输带宽很大，是打印领域打印速度的瓶颈。
综上所述可知，现有图像打印系统存在以下问题：
(1)现有超大图像打印系统中，图像在上位机中通过软件算法进行缩放处理，处理导致处理后的图像数据急剧增加，不仅对上位机下发至主控系统提出了更高网络传输带宽的要求，还要求主控系统具有能够完全接受处理放大后的超大图像数据的较大存储量；
(2)现有上位机软件算法使用经典的插值算法，一般来说都具有比较容易实现且算法复杂度较低等特点，但是经典的插值算法得到的图像容易产生块效应，造成图像模糊，例如最邻近插值算法；双线性插值的方法改进最邻近插值算法的缺点，具有低通滤波器的性质，会使放大后图像的重要细节受到损失，图像变得模糊不清。
发明内容
本发明的目的是提供一种图像快速缩放打印系统及方法，以解决现有技术中难以满足大数据宽带传输、打印图像模糊的问题。
为解决上述技术问题，本发明提供一种图像快速缩放打印系统，包括：
上位机，用于传输待打印图像；
主控装置，与所述上位机连接，所述主控装置搭载图像处理芯片，利用深度网络结构对所述待打印图像进行放大处理，得到放大图像数据；
喷头控制器，与所述主控装置连接，基于所述放大图像数据，控制打印喷头完成打印任务。
优选地，所述主控装置还包括：
内存，与所述图像处理芯片连接，用于存储待打印图像。
优选地，所述图像处理芯片采用循环流水设计，将数据并行计算。
优选地，所述数据并行计算包括时间并行计算和空间并行计算。
优选地，所述上位机与所述主控装置通过以太网连接。
本发明还提供一种图像快速缩放打印方法，包括：
利用上位机将待打印图像转化成打印数据；
利用图像处理芯片将所述打印数据基于深度网络结构进行放大处理，得到放大图像数据；
利用喷头控制器根据所述放大图像数据，生成打印指令，以便控制打印喷头对所述放大图像数据进行打印操作，完成打印任务。
优选地，所述深度网络结构采用FSRCNN深度网络结构。
优选地，所述FSRCNN深度网络结构包括：
提取待打印图像特征信息，得到特征图像数据；
将所述特征图像数据压缩处理，得到压缩图像数据；
对所述压缩图像数据进行非线性映射计算，得到稳定图像数据；
将所述稳定图像数据进行特征扩展操作，得到扩展图像数据；
对所述扩展图像数据进行反卷积运算，得到放大图像数据。
优选地，所述深度网络结构数据处理采用定点计算。
本发明还提供一种工业打印机，所述工业打印机包括上述所述的图像快速缩放打印系统。
本发明所提供的一种图像快速缩放打印系统及方法，采用图像处理芯片取代上位机软件处理图像的方式，解决了以往上位机处理超大图像导致中间数据膨胀，使得数据传输带宽成为打印快慢的瓶颈的难题，实现了以硬件计算的方式替代了传统的大数据量传输方式；利用深度学习的方法对图片进行放大，取得了比现有技术采用经典插值实现图像放大的方法更好的图像缩放效果，使得打印的图像更清晰，提高了打印作品的质量。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为现有图像缩放系统结构图；
图2为图像快速缩放打印系统结构图；
图3为网络结构计算对比图；
图4为本发明所提供的一种图像快速缩放打印方法的第一种具体实施例的流程图；
图5为FSRCNN深度网络结构图。
具体实施方式
本发明的核心是提供一种图像快速缩放打印系统及方法，通过图像处理芯片取代上位机软件处理图像的方式，解决了以往上位机处理超大图像导致中间数据膨胀，提高了图像打印质量，降低了打印成本。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本实施例提供一种图像快速缩放打印系统，如图2图像快速缩放打印系统结构图所示，具体如下：
上位机，用于传输待打印图像。
主控装置，与所述上位机通过以太网连接，利用图像处理芯片对所述待打印图像进行放大处理，得到放大图像数据，并将所述放大图像数据存储至所述内存中，将所述放大图像数据发送至喷头控制器中；
所述主控装置还包括：
内存，与所述图像处理芯片连接，用于存储待打印图像；
如图3所示，所述图像处理芯片采用循环流水设计，将数据并行计算，并行计算或称平行计算是相对于串行计算来说的。它是一种依次可执行多个指令的算法，目的是提高计算速度，及通过扩大问题求解规模，解决大型而复杂的计算问题，所谓并行计算可分为时间上的并行和空间上的并行。时间上的并行就是指流水线技术，而空间上的并行则是指用多个处理器并发的执行计算，在原计算结构中，原图的放大需要依次经过特征提取、压缩特征、非线性映射、特征扩展、反卷积计算等步骤最后得到放大图像。使用流水的方式，使得原图在进行特征提取的过程可以进行压缩特征，在进行压缩特征的同时进行非线性映射，在进行非线性映射的同时进行特征扩展，在进行特征扩展的同时进行反卷积计算，最后得到放大图，采用流水的方式使得计算出放大图像的处理速度更快。
喷头控制器，与所述主控装置连接，基于所述放大图像数据，控制打印喷头完成打印任务。
虽然深度网络结构获得放大的图像效果更好，但是同时在深度网络结构中计算力是一个瓶颈，打印图像时图像放大速度是影响到了打印速度快慢决定因素，本实施例在图像处理芯片采用了并行展开、浮点计算转变为定点计算、循环流水等优化设计方式提高了计算力，取得了比在CPU上运行时间快了2倍处理速度的效果，更适合在嵌入式平台上部署。采用并行展开的方式使得原本串行计算变为并行计算，可以提高计算力，在计算机中浮点计算时间长且消耗较多的计算资源，将浮点计算转变为定点计算可以将计算能力提升；流水的方式可以提高整体的并行性，从而更容易提高放大计算处理速度。
所述一种图像快速缩放打印系统可应用在工业打印机上。
本实施例提供一种图像快速缩放打印系统，采用图像处理芯片取代上位机软件处理图像的方式，解决了以往上位机处理超大图像导致中间数据膨胀，使得数据传输带宽成为打印快慢的瓶颈的难题，实现了以硬件计算的方式替代了传统的大数据量传输方式，将所有浮点计算都转变为了定点计算从而提高计算速度，精简了原本计算复杂的深度网络，并通过并行、流水、定点化等方法在得到更好的图像处理效果的同时，简化了计算资源，更加快了处理速度。
请参考图4所示，图4为本发明所提供的一种图像快速缩放打印方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S401：利用上位机将待打印图像转化成打印数据；
利用上位机将待打印图像转化为打印数据，并将所述打印数据发送至主控装置。
步骤S402：利用图像处理芯片将所述打印数据基于深度网络结构进行放大处理，得到放大图像数据；
所述深度网络结构采用FSRCNN深度网络结构，包括：
提取待打印图像特征信息，得到特征图像数据；
将所述特征图像数据压缩处理，得到压缩图像数据；
对所述压缩图像数据进行非线性映射计算，得到稳定图像数据；
将所述稳定图像数据进行特征扩展操作，得到扩展图像数据；
对所述扩展图像数据进行反卷积运算，得到放大图像数据；
其中，所述深度网络结构的计算方式为定点计算；
在神经网络当中，为了尽快落地就需要考虑到数据存储以及速度问题，这时候将浮点数转为定点数就是一种比较常规的做法。浮点数，是属于有理数中某特定子集的数的数字表示，在计算机中用以近似表示任意某个实数。定点数，小数点的位置固定不变分为定点整数和定点小数。
本系统采用FSRCNN深度网络结构，如图5FSRCNN深度网络结构图所示，输入原始图像，分别经过特征提取、特征压缩、非线性映射、特征扩展、反卷积运算等过程最后得到放大后的图像。特征提取运算过程可将图像的特征提取；为了减少运算复杂度，在特征提取之后进行了特征压缩；在深度网络中增加了在非线性特征计算过程，非特征计算中不改变特征数量，但增加了非线性映射关系使得网络结构稳定，得到更好的放大效果放大；在非线性映射后通过增加特征扩展，这样得到的对称深度网络结构可以取得更好的放大效果；最后通过反卷积运算得到放大图像，其中FSRCNN各模块的权重值使用公开数据集训练得到。
步骤S403：利用喷头控制器根据所述放大图像数据，生成打印指令，并对所述放大图像数据进行打印操作，完成打印任务。
本实施例提供的一种图像快速缩放打印方法，将比较关键的图像放大算法部分采用硬件加速器完成，从而实现了以计算的方式替代了传统的大数据量传输方式，解决了以往由于生成超大图像导致的数据量暴涨，转而对打印系统需要较高的传输带宽的问题，利用深度学习的方法对图像进行缩放，取得了更好的放大效果，包括边缘锯齿更少，得到放大的图像在视觉上总体效果更佳。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本发明所提供的一种图像快速缩放打印系统及方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种图像快速缩放打印系统，其特征在于，包括：
上位机，用于传输待打印图像；
主控装置，与所述上位机连接，所述主控装置搭载图像处理芯片，利用深度网络结构对所述待打印图像进行放大处理，得到放大图像数据；
喷头控制器，与所述主控装置连接，基于所述放大图像数据，控制打印喷头完成打印任务。
2.如权利要求1所述图像快速缩放打印系统，其特征在于，所述主控装置还包括：
内存，与所述图像处理芯片连接，用于存储待打印图像。
3.如权利要求1所述图像快速缩放打印系统，其特征在于，所述图像处理芯片采用循环流水设计，将数据并行计算。
4.如权利要求3所述的图像快速缩放打印系统，其特征在于，所述数据并行计算包括时间并行计算和空间并行计算。
5.如权利要求1所述图像快速缩放打印系统，其特征在于，所述上位机与所述主控装置通过以太网连接。
6.一种图像快速缩放打印方法，其特征在于，包括：
利用上位机将待打印图像转化成打印数据；
利用图像处理芯片将所述打印数据基于深度网络结构进行放大处理，得到放大图像数据；
利用喷头控制器根据所述放大图像数据，生成打印指令，以便控制打印喷头并对所述放大图像数据进行打印操作，完成打印任务。
7.如权利要求6所述的图像快速缩放打印方法，其特征在于，所述深度网络结构采用FSRCNN深度网络结构。
8.如权利要求7所述的图像快速缩放打印方法，其特征在于，所述FSRCNN深度网络结构包括：
提取待打印图像特征信息，得到特征图像数据；
将所述特征图像数据压缩处理，得到压缩图像数据；
对所述压缩图像数据进行非线性映射计算，得到稳定图像数据；
将所述稳定图像数据进行特征扩展操作，得到扩展图像数据；
对所述扩展图像数据进行反卷积运算，得到放大图像数据。
9.如权利要求7所述的图像快速缩放打印方法，其特征在于，所述深度网络结构数据处理采用定点计算。
10.一种工业打印机，其特征在于，所述工业打印机包括如权利要求1-5任一项所述的图像快速缩放打印系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210604425.8A CN114879919B (zh) | 2022-05-31 | 2022-05-31 | 一种图像快速缩放打印系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210604425.8A CN114879919B (zh) | 2022-05-31 | 2022-05-31 | 一种图像快速缩放打印系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114879919A true CN114879919A (zh) | 2022-08-09 |
| CN114879919B CN114879919B (zh) | 2023-03-24 |
Family
ID=82679365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210604425.8A Active CN114879919B (zh) | 2022-05-31 | 2022-05-31 | 一种图像快速缩放打印系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114879919B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049227A (zh) * | 2011-10-17 | 2013-04-17 | 山东新北洋信息技术股份有限公司 | 图像缩放打印控制方法及装置和打印系统 |
| CN111917934A (zh) * | 2020-08-12 | 2020-11-10 | 珠海奔图电子有限公司 | 图像处理方法、装置、图像形成装置及存储介质 |
| CN113393376A (zh) * | 2021-05-08 | 2021-09-14 | 杭州电子科技大学 | 一种基于深度学习的轻量级超分辨率图像重建方法 |
-
2022
- 2022-05-31 CN CN202210604425.8A patent/CN114879919B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049227A (zh) * | 2011-10-17 | 2013-04-17 | 山东新北洋信息技术股份有限公司 | 图像缩放打印控制方法及装置和打印系统 |
| CN111917934A (zh) * | 2020-08-12 | 2020-11-10 | 珠海奔图电子有限公司 | 图像处理方法、装置、图像形成装置及存储介质 |
| CN113393376A (zh) * | 2021-05-08 | 2021-09-14 | 杭州电子科技大学 | 一种基于深度学习的轻量级超分辨率图像重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114879919B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tong et al. | Image super-resolution using dense skip connections | |
| CN111105352B (zh) | 超分辨率图像重构方法、系统、计算机设备及存储介质 | |
| CN108765282B (zh) | 基于fpga的实时超分辨方法及系统 | |
| CN111932461A (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
| CN110136067B (zh) | 一种针对超分辨率b超影像的实时影像生成方法 | |
| CN113781308A (zh) | 图像超分辨率重建方法、装置、存储介质及电子设备 | |
| Cai et al. | TDPN: Texture and detail-preserving network for single image super-resolution | |
| Yang et al. | Lightweight group convolutional network for single image super-resolution | |
| CN110852948A (zh) | 基于特征相关性的图像超分辨方法、存储介质及终端设备 | |
| CN115358932A (zh) | 一种多尺度特征融合的人脸超分辨率重构方法及系统 | |
| Liu et al. | Coordfill: Efficient high-resolution image inpainting via parameterized coordinate querying | |
| CN109272450B (zh) | 一种基于卷积神经网络的图像超分方法 | |
| CN111553861A (zh) | 一种图像超分辨率重构方法、装置、设备及可读存储介质 | |
| CN114879919B (zh) | 一种图像快速缩放打印系统及方法 | |
| Qin et al. | Multi-resolution space-attended residual dense network for single image super-resolution | |
| CN113096015B (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
| CN117217274B (zh) | 向量处理器、神经网络加速器、芯片及电子设备 | |
| CN112188236A (zh) | 视频插帧模型训练、视频插帧生成方法及相关装置 | |
| CN112150362A (zh) | 一种图片前处理解决方法 | |
| Kasem et al. | Revised spatial transformer network towards improved image super-resolutions | |
| CN108765297B (zh) | 基于循环训练的超分辨率重建方法 | |
| CN115147283A (zh) | 一种图像重建方法、装置、设备及介质 | |
| Yang et al. | Image super-resolution based on the down-sampling iterative module and deep CNN | |
| CN113362240A (zh) | 一种基于轻量级特征金字塔模型的图像修复方法 | |
| CN104574320B (zh) | 一种基于稀疏编码系数匹配的图像超分辨率复原方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230920 Address after: Room 1301, 13th Floor, Xiqiao Innovation Building (formerly Xiqiao Textile Technology Building), No. 3 Qiyuan East Road, Xiqiao Town, Nanhai District, Foshan City, Guangdong Province, 528000 (Residence Application) Patentee after: High Volume Digital Intelligence Advanced Technology Research (Foshan) Co.,Ltd. Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province Patentee before: Jiangnan University |