CN116091319A - 基于长距离上下文依赖的图像超分辨率重建方法及系统 - Google Patents
基于长距离上下文依赖的图像超分辨率重建方法及系统 Download PDFInfo
- Publication number
- CN116091319A CN116091319A CN202310157544.8A CN202310157544A CN116091319A CN 116091319 A CN116091319 A CN 116091319A CN 202310157544 A CN202310157544 A CN 202310157544A CN 116091319 A CN116091319 A CN 116091319A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- super
- module
- network
- 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 24
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 12
- 238000004821 distillation Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000011084 recovery Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101100365548 Caenorhabditis elegans set-14 gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011056 performance test Methods 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
-
- 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
-
- 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)
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了基于长距离上下文依赖的图像超分辨率重建方法及系统，涉及图像超分辨率领域，具体方案包括：构建数据集；基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络；引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练；通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像；本发明通过设计的一个多层次深度学习框架，实现轻量化的同时，捕获图像中的长距离上下文依赖，从而达到较好的超分辨率效果。
Description
技术领域
本发明属于图像超分辨率领域，尤其涉及基于长距离上下文依赖的图像超分辨率重建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
单幅图像超分辨率(S I SR)旨在从降质的低分辨率(LR)图像中恢复超分辨率(SR)图像；这是一个不适定的问题，因为存在多个高分辨率(HR)图像；为了解决这个问题，已经提出了很多深度神经网络；然而，由于计算成本，这些深度神经网络不能很好地投入实际应用，尽管其性能已经很好了；基于此，很多轻量化网络被提出，虽然这些轻量化网络降低了计算成本，但网络性能会受到影响，因此需要进一步改进来增强它们。
目前大多数轻量级网络都是基于卷积神经网络构建的，尽管卷积神经网络具有平移不变性等优点，但缺乏捕捉大范围上下文依赖的能力，这种大范围上下文依赖的具体表现形式，如相似图像补丁，可以作为彼此的参考图像，而使用参考图像，能帮助恢复其他相似图像，而现有方案不能在映像中实现长期的依赖关系，从而导致图像超分辨率的效果不佳。
发明内容
为克服上述现有技术的不足，本发明提供了基于长距离上下文依赖的图像超分辨率重建方法及系统，通过设计的一个多层次深度学习框架，实现轻量化的同时，捕获图像中的长距离上下文依赖，从而达到较好的超分辨率效果。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了基于长距离上下文依赖的图像超分辨率重建方法；
基于长距离上下文依赖的图像超分辨率重建方法，包括：
构建数据集；
基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络；
引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练；
通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像。
进一步的，所述数据集的构建步骤为：
将高分辨率图像进行双三次下采样操作，得到指定缩小倍数的低分辨率图像；
将低分辨率图像裁剪成h×h大小的低分辨率图像块，将其作为超分辨率网络的输入，并且将低分辨率图像块对应的高分辨率图像裁剪为(h×scale)×(h×scale)大小，将其作为输入对应的标签，得到低分辨率图像和高分辨率图像组成的图像对，其中，h表示预设的图像尺寸，scale表示预设的放大倍数；
对图像对中的两张图像进行同步操作，增加数据集的图像数量，其中，所述同步操作包括随机旋转90°、180°、270°和水平翻转。
进一步的，所述初级网络，包括浅层特征提取模块、深度特征提取模块和基于亚像素卷积的上采样模块；
所述初级网络，加强网络各层之间的信息流动和特征重用，重建细节信息。
进一步的，所述残差注意力蒸馏模块，包括TLB模块和混合空间通道注意力机制；
所述TLB模块由卷积、跳跃连接以及LReLU激活组成。
进一步的，所述混合空间通道注意力机制，将通道注意力机制与空间注意力机制并联使用，并组合两个注意力机制中前期处理所得的信息，最终与初始信息求和，得到输出结果。
进一步的，所述轻量级捕获长距离上下文依赖模块，由两个Layer Norma l i zati on模块、非对称双多头注意力机制模块和CGC模块组成。
进一步的，所述用构建的数据集对超分辨率网络进行训练，具体为：
所述数据集，是以低分辨率图像和高分辨率图像组成的图像对集合；
以低分辨率图像为输入、以低分辨率图像对应的高分辨率图像为输出，对超分辨率网络进行训练。
本发明第二方面提供了基于长距离上下文依赖的图像超分辨率重建系统。
基于长距离上下文依赖的图像超分辨率重建系统，包括第一构建模块、第二构建模块、第三构建模块和图像重建模块：
第一构建模块，被配置为：构建数据集；
第二构建模块，被配置为：基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络；
第三构建模块，被配置为：引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练；
图像重建模块，被配置为：通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于长距离上下文依赖的图像超分辨率重建方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于长距离上下文依赖的图像超分辨率重建方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明通过引入分层特征融合机制，加强网络各层之间的信息流通和特征重用，使网络能够重建出更多细节信息。
本发明通过引入TLB模块和混合空间通道注意力机制模块，降低计算成本并提高图像恢复质量。
本发明通过引入轻量级捕获上下文依赖性模块使得网络能够捕捉到长距离的上下文依赖关系，并在图像中建立长期的依赖关系，从而提高图像恢复质量。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的流程示意图；
图2为第一个实施例中基于分层特征融合的初级网络的框架图；
图3为第一个实施例中残差注意力蒸馏模块的结构图；
图4为第一个实施例中TLB模块的结构图；
图5为第一个实施例中混合空间通道注意力机制模块的结构图；
图6为第一个实施例中通道注意力机制模块的结构图；
图7为第一个实施例中空间注意力机制模块的结构图；
图8为第一个实施例中轻量级捕获上下文依赖性模块的结构图；
图9为第一个实施例中超分辨率网络的结构图；
图10为第一个实施例中图像重建效果对比示意图。
图11为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
名词解释
TLB：TPAConv LReLU B l ock
LReLU：Leaky ReLU
CGC：conv-ge l u-conv
实施例一
本实施例公开了基于长距离上下文依赖的图像超分辨率重建方法；
如图1所示，基于长距离上下文依赖的图像超分辨率重建方法，包括：
步骤S1：构建数据集，具体步骤为：
(1)选择DIV2K数据集中900张高分辨率图像用于训练网络，并选择公开的Set5、Set14、B100、Urban100和Manga109数据集用于测试网络的性能，即数据集分为训练数据集和测试数据集。
(2)取数据集中的图像进行双三次下采样操作，得到其指定缩小倍数的低分辨率图像。
(3)将低分辨率图像裁剪成64×64大小的低分辨率图像块，将其作为网络模型的输入，并且将低分辨率图像块对应的高分辨率图像裁剪为(64×scale)×(64×scale)大小，将其作为输入对应的标签；其中，scale表示预设的放大倍数，可以为2、3或4。
(4)对训练数据集中的图像进行随机进行旋转90°、180°、270°和水平翻转中一项操作，增加训练集的图像数量，再重复步骤(2)-(3)，得到充足的训练图像与对应标签。
步骤S2：基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络。
具体的，构建的初级网络是单帧图像超分辨率网络，图2是基于分层特征融合的初级网络的框架图，如图2所示，由浅层特征提取模块、深层特征提取模块和基于亚像素卷积的上采样模块组成；浅层特征提取模块包括一个卷积层，深层特征提取模块，也叫作分层特征融合模块，分层特征融合模块通过多种不同感受野的卷积核、LReLU激活操作及Concat操作，得到拥有分层特征信息的特征图。
通过引入分层特征融合机制，加强网络各层之间的信息流通和特征重用，使网络能够重建出更多细节信息，从而提高网络的重建效果。
步骤S3：引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练。
图3是残差注意力蒸馏模块的结构图，如图3所示，残差注意力蒸馏块(RADB)由三个TLB模块、四个1×1卷积、Concat操作和混合空间通道注意力机制模块(MSCA)组成。
图4是TLB模块的结构图，如图4所示，TLB模块由3×1卷积、1×3卷积、跳跃连接以及LReLU激活组成，通过对Cross卷积改造而成的TLB模块，在降低网络参数量的同时，保持了对图像纹理细节方面的恢复能力。
图5是混合空间通道注意力机制模块的结构图，如图5所示，混合空间通道注意力机制模块(MSCA)将通道注意力机制SA与空间注意力机制CA并联使用，并组合两个注意力机制中前期处理所得的信息，最终与初始信息求和，得到输出结果。
图6、图7分别是通道注意力机制模块和空间注意力机制模块的结构图，如图6、图7所示，通道注意力机制模块,由3D权重模块和Si gmo i d操作组成；空间注意力机制模块由多个1×1卷积层和Softmax操作组成；混合空间通道注意力机制模块能充分利用空间和通道信息，提高图像重建效果。
图8是轻量级捕获上下文依赖性模块的结构图，如图8所示，轻量级捕获上下文依赖性模块(LCCD)由Layer Norma l i zat i on模块、非对称双多头注意力机制模块(ADMHA)和CGC模块组成，使网络能够捕捉长距离的上下文依赖，并在内存和计算成本增加不多的情况下，在图像中建立长期的依赖关系。
通过上述改进，最终的超分辨率网络构建完成，图9是最终的超分辨率网络的结构图；构建完成后，以低分辨率图像为输入、以低分辨率图像对应的高分辨率图像为输出，使用步骤S1构建的训练数据集对超分辨率网络进行训练，得到预训练的超分辨率网络，使用测试数据集对预训练的超分辨率网络进行性能测试，得到最终的超分辨率网络
步骤S4：通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像。
获取待重建的低分辨率图像，假设为一张64×64×3维度图像，输入到训练后的超分辨率网络中，输出一张(64×scale)×(64×scale)×3维度的高分辨率图像，其中，sca le表示预设的放大倍数。
为了更好地说明本实施例构建的超分辨率网络LCCN的实际效果，选择一些SI SR模型与超分辨率网络LCCN进行比较，具体如下：Bicubic、SRCNN、VDSR、I MDN、MAFFSRN-L、FMEN。
在图像超分辨率五个基准数据集Set5、Set14、B100、urban100和manga109上进行放大4倍的超分实验，得到的结果如表1所示，PSNR为标峰值信噪比，SSI M为结构相似性。
表1实验结果
为了进一步验证本方法的有效性，将LCCN与其他网络进行了可视化比较，得到图像重建效果对比示意图图10，如图10所示，可以清楚地看到，LCCN得到的高分辨率图像在纹理细节方面实现了更好地恢复。
通过大量的实验可以表明，轻量级捕获上下文的超分辨率网络(LCCN)在资源消耗和恢复效果方面都取得了较好的效果。
实施例二
本实施例公开了基于长距离上下文依赖的图像超分辨率重建系统；
如图11所示，基于长距离上下文依赖的图像超分辨率重建系统，包括第一构建模块、第二构建模块、第三构建模块和图像重建模块：
第一构建模块，被配置为：构建数据集；
第二构建模块，被配置为：基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络；
第三构建模块，被配置为：引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练；
图像重建模块，被配置为：通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的基于长距离上下文依赖的图像超分辨率重建方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于长距离上下文依赖的图像超分辨率重建方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，包括：
构建数据集；
基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络；
引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练；
通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像。
2.如权利要求1所述的基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，所述数据集的构建步骤为：
将高分辨率图像进行双三次下采样操作，得到指定缩小倍数的低分辨率图像；
将低分辨率图像裁剪成h×h大小的低分辨率图像块，将其作为超分辨率网络的输入，并且将低分辨率图像块对应的高分辨率图像裁剪为(h×scale)×(h×scale)大小，将其作为输入对应的标签，得到低分辨率图像和高分辨率图像组成的图像对，其中，h表示预设的图像尺寸，scale表示预设的放大倍数；
对图像对中的两张图像进行同步操作，增加数据集的图像数量，其中，所述同步操作包括随机旋转90°、180°、270°和水平翻转。
3.如权利要求1所述的基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，所述初级网络，包括浅层特征提取模块、深度特征提取模块和基于亚像素卷积的上采样模块；
所述初级网络，加强网络各层之间的信息流动和特征重用，重建细节信息。
4.如权利要求1所述的基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，所述残差注意力蒸馏模块，包括TLB模块和混合空间通道注意力机制；
所述TLB模块由卷积、跳跃连接以及LReLU激活组成。
5.如权利要求1所述的基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，所述混合空间通道注意力机制，将通道注意力机制与空间注意力机制并联使用，并组合两个注意力机制中前期处理所得的信息，最终与初始信息求和，得到输出结果。
6.如权利要求1所述的基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，所述轻量级捕获长距离上下文依赖模块，由两个Layer Normalization模块、非对称双多头注意力机制模块和CGC模块组成。
7.如权利要求1所述的基于长距离上下文依赖的图像超分辨率重建方法，其特征在于，所述用构建的数据集对超分辨率网络进行训练，具体为：
所述数据集，是以低分辨率图像和高分辨率图像组成的图像对集合；
以低分辨率图像为输入、以低分辨率图像对应的高分辨率图像为输出，对超分辨率网络进行训练。
8.基于长距离上下文依赖的图像超分辨率重建系统，其特征在于，包括第一构建模块、第二构建模块、第三构建模块和图像重建模块：
第一构建模块，被配置为：构建数据集；
第二构建模块，被配置为：基于浅层特征和深层特征的提取融合，构建基于分层特征融合的初级网络；
第三构建模块，被配置为：引入残差注意力蒸馏模块和轻量级捕获长距离上下文依赖模块，对初级网络中的深层特征提取进行改进，得到最终的超分辨率网络，并用构建的数据集对超分辨率网络进行训练；
图像重建模块，被配置为：通过训练后的超分辨率网络，对低分辨率图像进行重建，得到高分辨率图像。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310157544.8A CN116091319A (zh) | 2023-02-23 | 2023-02-23 | 基于长距离上下文依赖的图像超分辨率重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310157544.8A CN116091319A (zh) | 2023-02-23 | 2023-02-23 | 基于长距离上下文依赖的图像超分辨率重建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116091319A true CN116091319A (zh) | 2023-05-09 |
Family
ID=86200763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310157544.8A Pending CN116091319A (zh) | 2023-02-23 | 2023-02-23 | 基于长距离上下文依赖的图像超分辨率重建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091319A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237197A (zh) * | 2023-11-08 | 2023-12-15 | 华侨大学 | 基于交叉注意力机制与Swin-Transformer的图像超分辨率方法及装置 |
-
2023
- 2023-02-23 CN CN202310157544.8A patent/CN116091319A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237197A (zh) * | 2023-11-08 | 2023-12-15 | 华侨大学 | 基于交叉注意力机制与Swin-Transformer的图像超分辨率方法及装置 |
| CN117237197B (zh) * | 2023-11-08 | 2024-03-01 | 华侨大学 | 基于交叉注意力机制的图像超分辨率方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114092330B (zh) | 一种轻量化多尺度的红外图像超分辨率重建方法 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN111681166B (zh) | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 | |
| CN109727195B (zh) | 一种图像超分辨率重构方法 | |
| CN112862689B (zh) | 一种图像超分辨率重建方法及系统 | |
| Zhang et al. | NTIRE 2023 challenge on image super-resolution (x4): Methods and results | |
| CN110363068B (zh) | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 | |
| CN115546032B (zh) | 一种基于特征融合与注意力机制的单帧图像超分辨率方法 | |
| CN111640060A (zh) | 基于深度学习及多尺度残差稠密模块的单幅图像超分辨率重建方法 | |
| 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 | |
| CN110418139B (zh) | 一种视频超分辨修复方法、装置、设备及存储介质 | |
| CN112884650B (zh) | 一种基于自适应纹理蒸馏的图像混合超分辨率方法 | |
| CN113538246B (zh) | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 | |
| CN115496658A (zh) | 基于双重注意力机制的轻量级图像超分辨率重建方法 | |
| CN116091319A (zh) | 基于长距离上下文依赖的图像超分辨率重建方法及系统 | |
| CN114926337A (zh) | 基于CNN和Transformer混合网络的单幅图像超分辨率重建方法及系统 | |
| CN112785502B (zh) | 一种基于纹理迁移的混合相机的光场图像超分辨率方法 | |
| CN116385265B (zh) | 一种图像超分辨率网络的训练方法及装置 | |
| Ren et al. | A lightweight object detection network in low-light conditions based on depthwise separable pyramid network and attention mechanism on embedded platforms | |
| CN116823647A (zh) | 基于快速傅里叶变换和选择性注意力机制的图像补全方法 | |
| Wu et al. | Pyramidal dense attention networks for single image super‐resolution | |
| CN113191947B (zh) | 一种图像超分辨率的方法及系统 | |
| Wang et al. | Image quality enhancement using hybrid attention networks | |
| Zhou et al. | Mixed Attention Densely Residual Network for Single Image Super-Resolution. | |
| Niu et al. | Lightweight and accurate single image super-resolution with channel segregation network |
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 |