CN114897697A - 一种面向相机成像模型的超分辨率重建方法 - Google Patents

一种面向相机成像模型的超分辨率重建方法 Download PDF

Info

Publication number
CN114897697A
CN114897697A CN202210548154.9A CN202210548154A CN114897697A CN 114897697 A CN114897697 A CN 114897697A CN 202210548154 A CN202210548154 A CN 202210548154A CN 114897697 A CN114897697 A CN 114897697A
Authority
CN
China
Prior art keywords
image
super
representing
feature
resolution reconstruction
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
Application number
CN202210548154.9A
Other languages
English (en)
Inventor
张浩鹏
李功哲
姜志国
赵丹培
谢凤英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210548154.9A priority Critical patent/CN114897697A/zh
Publication of CN114897697A publication Critical patent/CN114897697A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种面向相机成像模型的超分辨率重建方法，包括：构建图像超分辨率重建模型和颜色校正模型；获取RAW图像序列，确定参考帧；基于图像超分辨率重建模型得到多帧RAW图像之间的时空关联性，并结合各帧RAW图像之间的时空关联性对参考帧进行超分辨率重建，得到高分辨率的重建图像；基于颜色校正模型对重建图像进行图像线性域到彩色域上的变换。本发明对RAW图像序列进行超分辨率重建，再对重建后的RAW图像进行后处理来获得RGB图像，可以有效提高重建质量和视觉感官。

Description

一种面向相机成像模型的超分辨率重建方法
技术领域
本发明涉及图像处理及重建技术领域，更具体的说是涉及一种面向相机成像模型的超分辨率重建方法。
背景技术
超分辨率重建是一项将低分辨图像重建为具有丰富纹理细节的高分辨图像的图像处理技术，单帧图像超分辨率重建是指输入的图像数据为单帧图像，将其重建为单帧高分辨率图像。目前，大部分图像超分辨率重建方法都采用基于深度学习的方法，深度学习方法是通过数据驱动的。对于超分辨率重建方法，现有方法一般是基于RGB图像进行处理和研究，但是RGB图像本身就成像处理的过程就损失了较多的细节信息和图像特征，导致重建的结果往往存在伪影，影响重建视觉质量。在实际的相机成像过程中，相机前端对光子信息进行解析首先获得RAW图像序列，再通过相机图像信号处理器(Image Signal Processing，ISP)来对融合后的RAW图像进行颜色、亮度上的处理来产生符合人眼感官的RGB图像。所以RGB图像虽然更符合人眼感官但是并不适合进行超分辨率重建。
因此，如何提供一种能够有效提高重建质量和视觉感官的面向相机成像模型的超分辨率重建方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种面向相机成像模型的超分辨率重建方法，对RAW图像序列进行超分辨率重建，再对重建后的RAW图像进行后处理来获得RGB图像，可以有效提高重建质量和视觉感官。
为了实现上述目的，本发明采用如下技术方案：
一种面向相机成像模型的超分辨率重建方法，包括：
构建图像超分辨率重建模型和颜色校正模型；
获取RAW图像序列，确定参考帧；
基于所述图像超分辨率重建模型得到多帧RAW图像之间的时空关联性，并结合各帧RAW图像之间的时空关联性对所述参考帧进行超分辨率重建，得到高分辨率的重建图像；
基于所述颜色校正模型对所述重建图像进行图像线性域到彩色域上的变换。
进一步的，所述RAW图像序列的表达式为：
Figure BDA0003650012480000021
其中，
Figure BDA0003650012480000022
表示RAW图像序列集合，
Figure BDA0003650012480000023
表示图像序列中的第t帧，共有N帧。
进一步的，所述图像超分辨率重建模型包括特征对齐模块、特征融合模块和特征重建模块；
所述特征对齐模块对RAW图像序列在特征空间对齐，将各个序列帧向所述参考帧对齐，得到对齐特征图集合；
所述特征融合模块对所述对齐特征图集合进行融合汇聚，得到融合特征图；
所述特征重建模块对所述融合特征图进行重建，得到高分辨率的重建图像。
进一步的，所述特征对齐模块利用下式对RAW图像序列进行对齐：
Figure BDA0003650012480000024
其中，t表示目标帧编号，Ft表示目标帧，r表示参考帧编号，Fr表示参考帧；除参考帧外的每一帧目标帧均需与参考帧对齐；Ft align表示第t帧目标帧与参考帧对齐后的特征图；
Figure BDA0003650012480000025
表示对齐特征图集合，t∈[1,N]表示从第1帧到第N帧。
进一步的，所述特征融合模块采用三维卷积对所述对齐特征图集合进行融合汇聚，其表达式为：
Figure BDA0003650012480000031
其中，ωt,k表示卷积核的权重；p表示卷积核的中心位置；pk表示卷积核预设值的K个采样点，Δp[t,p],k表示形变卷积核的偏移量；Ffusion表示通过特征融合模块获取到的融合特征图。
进一步的，所述特征重建模块由16个残差块级联组成。
进一步的，所述颜色校正模型采用U-Net网络架构，其采用混合颜色损失对U-Net网络架构进行训练。
进一步的，所述混合颜色损失的计算公式为：
Lcolor＝L1+0.5·Llap
其中，L1和Llap的计算公式表示为：
L1＝||IHR-ISR||1
Figure BDA0003650012480000032
其中，L1表示像素损失函数；Llap表示拉普拉斯损失，表示在不同的图像尺度计算像素损失，以模糊掉图像的细节，更多地关注于图像的颜色信息；φj表示第j层拉普拉斯金字塔；IHR表示高分辨率的图像标签，ISR表示重建图像。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种面向相机成像模型的超分辨率重建方法，基于相机的成像模型，对RAW图像序列进行超分辨率重建，再对重建后的RAW图像进行图像域的变换来获得RGB彩色图像，而现有的直接对RGB图像重建，由于RGB图像本身经过了复杂非线性变换，导致RGB图像本身就损失了很多细节信息，使得基于RGB图像的超分辨结果会出现伪影，本发明采用RAW图像进行超分辨率重建，能够结合更多的细节信息，并消除不必要的伪影，提高重建质量和视觉感官。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的面向相机成像模型的超分辨率重建方法的流程图；
图2为采用本发明面向相机成像模型的超分辨率重建方法和现有技术方法进行图像重建的对比图；
图3为本发明提供的特征重建模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
本发明实施例公开了一种面向相机成像模型的超分辨率重建方法，包括以下步骤：
构建图像超分辨率重建模型和颜色校正模型；
获取RAW图像序列，确定参考帧；
基于所述图像超分辨率重建模型得到多帧RAW图像之间的时空关联性，并结合各帧RAW图像之间的时空关联性对所述参考帧进行超分辨率重建，得到高分辨率的重建图像；
基于所述颜色校正模型对所述重建图像进行图像线性域到彩色域上的变换。
在一个具体实施例中，所述图像超分辨率重建模型包括特征对齐模块、特征融合模块和特征重建模块；
所述特征对齐模块对RAW图像序列在特征空间对齐，将各个序列帧向所述参考帧对齐，得到对齐特征图集合；
所述特征融合模块对所述对齐特征图集合进行融合汇聚，得到融合特征图；
所述特征重建模块对所述融合特征图进行重建，得到高分辨率的重建图像。
具体的，对于成像获得的RAW图像序列，由N张相似图像组成，即
Figure BDA0003650012480000051
其中，
Figure BDA0003650012480000052
表示RAW图像序列集合，
Figure BDA0003650012480000053
表示图像序列中的第t帧，共有N帧。
如图1所示，特征对齐模块、特征融合模块和特征重建模块共同组成了图像超分辨率重建模型，RAW图像序列通过图像超分辨率重建模型在图像线性域进行重建得到
Figure BDA0003650012480000054
接着通过颜色校正模型使重建图像
Figure BDA0003650012480000055
由图像线性域变换到正常的彩色域ISR。
在一个具体实施例中，特征对齐模块为利用可形变卷积层(DeformableConvoluiton Layer,DCN)构建级联金字塔对齐模块(Pyramid Cascading and DeformableConvolution,PCD)，通过PCD对多帧RAW图像序列在特征空间进行对齐，将各个序列帧向参考帧图像对齐，来获得聚合后的图像特征，消除不必要的伪影。PCD模块的对齐功能可表示为以下公式
Figure BDA0003650012480000056
其中，t表示目标帧编号，Ft表示目标帧，r表示参考帧编号，Fr表示参考帧；除参考帧外的每一帧目标帧均需与参考帧对齐；Ft align表示第t帧目标帧与参考帧对齐后的特征图；
Figure BDA0003650012480000057
表示对齐特征图集合，t∈[1,N]表示从第1帧到第N帧。
特征融合模块为：在可形变卷积层的基础上设计的能够处理时序信息的三维可形变卷积融合模块(3D Deformable Convolution Fusion Module)。通过特征融合模块，可以对之前获得的对齐特征图集合进行融合汇聚，从而能够提炼出更有价值的图像特征。具体的实现过程为：对多帧对齐特征图进行时域上的卷积加权操作，其中靠近参考帧的特征图赋予更大的权重，多帧特征图经过融合后，变为一帧特征图，通过后续特征重建恢复高分辨率图像；可以表示为以下公式：
Figure BDA0003650012480000058
其中，ωt,k表示卷积核的权重；p表示卷积核的中心位置；pk表示卷积核预设值的K个采样点，Δp[t,p],k表示形变卷积核的偏移量；Ffusion表示通过特征融合模块获取到的融合特征图。
特征重建模块从融合特征图中生成输出高分辨率的图像。使用了16个残差块级联组成特征重建模块。最后通过上采样层来获得更高分辨率的图像。此外，额外增加了一条残差连接来将低频信息直接引入到特征重建模块中。特征重建模块的具体结构见图3，每一层保持特征图维度相同，图像特征经过重复的卷积操作，在损失函数的约束下逐渐保留高频信息。将最后的图像特征送入上采样层，以此实现高分辨率图像的恢复。此外，将第一个残差块输出的特征图额外加入到最后一层特征图中，以此引入低频信息，低频信息的引入可以使得重建恢复的高分辨率图像更加清晰。
在其他实施例中，本发明在图像线性域将RAW图像进行超分辨率上采样后，需要进行颜色变换才能将图像转换到sRGB域以满足人眼的感官。本发明实施例构建了一个简易的U-Net网络来实现图像线性域到图像sRGB域的转换。
具体的，本发明实施例通过像素损失进行反向传播计算梯度对颜色校正模型进行训练。使用像素损失作为颜色校正模型的损失函数，来实现图像线性域上的超分辨重建。其过程可以表示如下：
为了将图像从线性域完成到彩色域上的变换，本实施例采用混合颜色损失，在保证颜色变换的同时尽可能保留图像的细节纹理信息。混合颜色损失表示为Lcolor，由L1和Llap组成，计算公式如下：
Lcolor＝L1+0.5·Llap
其中，L1和Llap的计算公式表示为：
L1＝||IHR-ISR||1
Figure BDA0003650012480000061
其中，L1表示像素损失函数；Llap表示拉普拉斯损失，表示在不同的图像尺度计算像素损失，以模糊掉图像的细节，更多地关注于图像的颜色信息；φj表示第j层拉普拉斯金字塔；IHR表示高分辨率的图像标签，ISR表示重建图像。
为进一步证明本发明方法的有效性，进行如下实验：
实验采用本发明方法和现有技术的模型HighResNet和DeepJoint+RRDB进行图像重建，所使用的训练图像数据集为公开的图像数据集DIV2K，验证图像为公开的图像数据集BSD100，Urban100和Manga109。评价指标为PSNR、SSIM，PSNR和SSIM越高表明图像质量越高。实验结果如表1和图2所示。
表1对比结果
Figure BDA0003650012480000071
通过表1和图2的对比结果可知，本发明方法无论是在性能指标还是在视觉效果都有显著的提升。
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他实施例的不同之处，各个实施例之间相同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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种面向相机成像模型的超分辨率重建方法，其特征在于，包括：
构建图像超分辨率重建模型和颜色校正模型；
获取RAW图像序列，确定参考帧；
基于所述图像超分辨率重建模型得到多帧RAW图像之间的时空关联性，并结合各帧RAW图像之间的时空关联性对所述参考帧进行超分辨率重建，得到高分辨率的重建图像；
基于所述颜色校正模型对所述重建图像进行图像线性域到彩色域上的变换。
2.根据权利要求1所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述RAW图像序列的表达式为：
Figure FDA0003650012470000011
其中，
Figure FDA0003650012470000012
表示RAW图像序列集合，
Figure FDA0003650012470000013
表示图像序列中的第t帧，共有N帧。
3.根据权利要求1所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述图像超分辨率重建模型包括特征对齐模块、特征融合模块和特征重建模块；
所述特征对齐模块对RAW图像序列在特征空间对齐，将各个序列帧向所述参考帧对齐，得到对齐特征图集合；
所述特征融合模块对所述对齐特征图集合进行融合汇聚，得到融合特征图；
所述特征重建模块对所述融合特征图进行重建，得到高分辨率的重建图像。
4.根据权利要求3所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述特征对齐模块利用下式对RAW图像序列进行对齐：
Figure FDA0003650012470000014
其中，t表示目标帧编号，Ft表示目标帧，r表示参考帧编号，Fr表示参考帧；除参考帧外的每一帧目标帧均需与参考帧对齐；Ft align表示第t帧目标帧与参考帧对齐后的特征图；
Figure FDA0003650012470000021
表示对齐特征图集合，t∈[1,N]表示从第1帧到第N帧。
5.根据权利要求3所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述特征融合模块采用三维卷积对所述对齐特征图集合进行融合汇聚，其表达式为：
Figure FDA0003650012470000022
其中，ωt,k表示卷积核的权重；p表示卷积核的中心位置；pk表示卷积核预设值的K个采样点，Δp[t,p],k表示形变卷积核的偏移量；Ffusion表示通过特征融合模块获取到的融合特征图。
6.根据权利要求3所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述特征重建模块由16个残差块级联组成。
7.根据权利要求1所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述颜色校正模型采用U-Net网络架构，其采用混合颜色损失对U-Net网络架构进行训练。
8.根据权利要求7所述的一种面向相机成像模型的超分辨率重建方法，其特征在于，所述混合颜色损失的计算公式为：
Lcolor＝L1+0.5·Llap
其中，L1和Llap的计算公式表示为：
L1＝||IHR-ISR||1
Figure FDA0003650012470000023
其中，L1表示像素损失函数；Llap表示拉普拉斯损失，表示在不同的图像尺度计算像素损失，以模糊掉图像的细节，更多地关注于图像的颜色信息；φj表示第j层拉普拉斯金字塔；IHR表示高分辨率的图像标签，ISR表示重建图像。
CN202210548154.9A 2022-05-18 2022-05-18 一种面向相机成像模型的超分辨率重建方法 Pending CN114897697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210548154.9A CN114897697A (zh) 2022-05-18 2022-05-18 一种面向相机成像模型的超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210548154.9A CN114897697A (zh) 2022-05-18 2022-05-18 一种面向相机成像模型的超分辨率重建方法

Publications (1)

Publication Number Publication Date
CN114897697A true CN114897697A (zh) 2022-08-12

Family

ID=82724139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210548154.9A Pending CN114897697A (zh) 2022-05-18 2022-05-18 一种面向相机成像模型的超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN114897697A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120081385A1 (en) * 2010-09-30 2012-04-05 Apple Inc. System and method for processing image data using an image signal processor having back-end processing logic
CN105374020A (zh) * 2015-12-17 2016-03-02 深圳职业技术学院 一种快速高分辨率的超声成像检测方法
CN109660782A (zh) * 2017-09-21 2019-04-19 英特尔公司 减少立体深度传感器成像中的纹理化ir图案
CN110766610A (zh) * 2019-10-28 2020-02-07 维沃移动通信有限公司 一种超分辨率图像的重建方法及电子设备
CN111696035A (zh) * 2020-05-21 2020-09-22 电子科技大学 一种基于光流运动估计算法的多帧图像超分辨率重建方法
CN112184549A (zh) * 2020-09-14 2021-01-05 阿坝师范学院 基于时空变换技术的超分辨图像重建方法
CN113935928A (zh) * 2020-07-13 2022-01-14 四川大学 基于Raw格式岩心图像超分辨率重建
CN114241159A (zh) * 2021-12-21 2022-03-25 湖南师范大学 基于近景摄影测量法的三维重建与pbr贴图的制作方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120081385A1 (en) * 2010-09-30 2012-04-05 Apple Inc. System and method for processing image data using an image signal processor having back-end processing logic
CN105374020A (zh) * 2015-12-17 2016-03-02 深圳职业技术学院 一种快速高分辨率的超声成像检测方法
CN109660782A (zh) * 2017-09-21 2019-04-19 英特尔公司 减少立体深度传感器成像中的纹理化ir图案
CN110766610A (zh) * 2019-10-28 2020-02-07 维沃移动通信有限公司 一种超分辨率图像的重建方法及电子设备
CN111696035A (zh) * 2020-05-21 2020-09-22 电子科技大学 一种基于光流运动估计算法的多帧图像超分辨率重建方法
CN113935928A (zh) * 2020-07-13 2022-01-14 四川大学 基于Raw格式岩心图像超分辨率重建
CN112184549A (zh) * 2020-09-14 2021-01-05 阿坝师范学院 基于时空变换技术的超分辨图像重建方法
CN114241159A (zh) * 2021-12-21 2022-03-25 湖南师范大学 基于近景摄影测量法的三维重建与pbr贴图的制作方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GONGZHE LI等: "Multi-Frame Super-Resolution With Raw Images Via Modified Deformable Convolution", ICASSP 2022 - 2022 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), 27 April 2022 (2022-04-27), pages 2 *

Similar Documents

Publication Publication Date Title
CN110969577B (zh) 一种基于深度双重注意力网络的视频超分辨率重建方法
Luo et al. Pansharpening via unsupervised convolutional neural networks
CN114092330B (zh) 一种轻量化多尺度的红外图像超分辨率重建方法
CN108876735B (zh) 一种基于深度残差网络的真实图像盲去噪方法
CN102142137B (zh) 基于高分辨率字典的稀疏表征图像超分辨重建方法
CN101556690B (zh) 基于词典学习和稀疏表示的超分辨率算法
WO2021022929A1 (zh) 一种单帧图像超分辨率重建方法
CN111311490A (zh) 基于多帧融合光流的视频超分辨率重建方法
CN109903228A (zh) 一种基于卷积神经网络的图像超分辨率重建方法
CN111882485B (zh) 分级特征反馈融合的深度图像超分辨率重建方法
CN106408524A (zh) 基于二维图像辅助的深度图像增强方法
CN108805808A (zh) 一种利用卷积神经网络提高视频分辨率的方法
CN110634105A (zh) 一种光流法和深度网络结合的视频高时空分辨率信号处理方法
CN112270646B (zh) 基于残差密集跳跃网络的超分辨增强方法
CN104299193B (zh) 一种基于高频和中频信息的图像超分辨率重建方法
CN112001843A (zh) 一种基于深度学习的红外图像超分辨率重建方法
CN114331831A (zh) 一种轻量化的单张图像超分辨率重建方法
CN105513033A (zh) 一种非局部联合稀疏表示的超分辨率重建方法
CN115393191A (zh) 一种轻量级遥感图像超分辨率重建方法、装置及设备
CN112163998A (zh) 一种匹配自然降质条件的单图像超分辨率分析方法
Zhang et al. Learning stacking regressors for single image super-resolution
CN104504672A (zh) 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法
CN110415169A (zh) 一种深度图超分辨率重建方法、系统及电子设备
CN110415173A (zh) 一种基于三维总变分的图像超分辨率方法
CN115115514A (zh) 基于高频信息特征融合的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