CN116188265A - 一种基于真实退化的空间可变核感知盲超分重建方法 - Google Patents
一种基于真实退化的空间可变核感知盲超分重建方法 Download PDFInfo
- Publication number
- CN116188265A CN116188265A CN202310138622.XA CN202310138622A CN116188265A CN 116188265 A CN116188265 A CN 116188265A CN 202310138622 A CN202310138622 A CN 202310138622A CN 116188265 A CN116188265 A CN 116188265A
- Authority
- CN
- China
- Prior art keywords
- degradation
- image
- resolution
- super
- kernel
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 90
- 230000015556 catabolic process Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008447 perception Effects 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000000379 polymerizing effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 101100440640 Drosophila melanogaster conu gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation 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
-
- 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间可变退化感知的遥感图像超分辨率重建方法，包括以下步骤：S1：获取高分辨率遥感图像数据集；S2：构建图像退化模型；S3：构建空间可变退化感知的盲超分模型；S4：训练基于空间可变退化感知的遥感图像盲超分模型；S5：通过训练好的盲超分模型重建高分辨率遥感图像。本发明通过将盲超分辨率重建任务分解为退化过程和重建过程，一方面模拟图像复杂的退化过程，一方面考虑图像不同空间位置的退化情况，在扩大感知退化范围的同时评估更接近真实世界的退化核，避免产生严重的核估计偏差，实现更精确的遥感图像超分辨率重建。
Description
技术领域
本发明涉及图像处理领域，更具体来说涉及一种基于空间可变退化感知的遥感图像超分辨率重建方法。
背景技术
近年来，遥感图像被广泛应用于各种计算机视觉任务中，如目标检测、语义分割和场景理解。由于遥感图像的捕获和传输过程通常会受辐射、平台振动、光学系统离焦、图像压缩等因素的影响，大多数遥感图像分辨率较低且有噪声，限制了遥感图像的实际应用范围。图像超分辨率(Super Resolution，SR)是指从相应的低分辨率(Low Resolution，LR)图像中恢复高分辨率(High Resolution，HR)图像的过程，可以在不受硬件限制的情况下提高图像的空间分辨率。因此，图像超分辨率技术作为其他计算机视觉任务的基础，受到了学者们的广泛关注。
基于深度学习的超分辨率算法通过学习LR到HR的映射关系，在成对LR-HR训练数据集上取得了优异的性能。然而成对的训练数据通常难以获得，LR图像一般由HR图像通过插值算法得到，忽略了真实世界中图像复杂的退化过程，因此重建性能不稳定。随后，非盲超分辨率方法将模糊核视为固定的退化核(如双三次插值核)引导图像重建，然而方法依赖退化核和真实核之间的相似性，面对真实场景性能出现严重下降。盲超分辨率方法专注于模拟复杂的图像退化过程，设计专门的网络提取模糊核以消除噪声和模糊，泛化能力更像，性能明显优于非盲SR方法。然而现有盲超分辨率方法在重建提取模糊核时，对整张图像使用一个模糊核，而图像在不同的位置通常包含不同的退化，在整个图像上估计核将不可避免地产生严重的估计偏差，无法感知图像的整体退化情况。
发明内容
针对现有技术中的缺陷，本发明旨在提供给一种基于空间可变退化感知的遥感图像超分辨率重建方法。
本发明解决上述技术问题所采用的技术方案包括以下步骤：
步骤S1，获取高分辨率遥感图像数据集：训练数据集为NWPU-RESISC45数据集中31500张高质量未退化遥感图像；
步骤S2，构建图像退化模型：随机生成各项异性高斯模糊核kl和高斯白噪声nl，将高分辨率图像IHR退化为低分辨率图像ILR；将ILR输入至核评估器和噪声评估器，获得退化核kh和噪声nh；
步骤S3，构建空间可变退化感知的盲超分模型：包含空间可变核评估子网、噪声等级评估子网和退化感知重建子网；
步骤S4，训练基于空间可变退化感知的遥感图像盲超分模型：设置超参数，使用Adam优化器更新网络参数使损失函数收敛至最小，完成模型训练；
步骤S5，通过训练好的盲超分模型重建高分辨率遥感图像：选择评价指标值最高的一组网络权重，保存为最优超分辨率重建模型，用于后期重建高分辨率遥感图像。
进一步地，步骤S2中，所述图像退化模型为：
其中，ILR和IHR分别代表退化的低分辨率图像和高分辨率图像，k、↓s、n分别表示模糊核、比例因子为s的下采样和噪声；所述下采样方法为双三次插值采样方法。
进一步地，步骤S3中，所述核评估器由一个5x5的卷积层、五个残差卷积组(1个3x3卷积层、一个LeakyReLu和一个3x3卷积层串联)和一个通道注意力模块组成，用于评估图像退化核；所述噪声评估器由四个转置卷积组(一个转置卷积和一个PRelu激活函数串联)、四个卷积组(3x3卷积和PRelu激活函数串联)、一个sigmoid函数、一个3x3卷积组成，用于评估噪声特征。
进一步地，步骤S3中，所述空间可变核评估子网经过模糊核提取层、权重计评估层、掩膜聚合层，得到评估的真实模糊核包括：
将所述低分辨率图像输入模糊核提取层中，利用核评估器对图像不同位置进行模糊核提取，形成候选模糊核特征；
将所述候选模糊核输入权重计评估层中，利用Gumbel Softmax重参数操作，得到不同核权重形成核权重集合；
将所述核权重集合和候选模糊核进行掩膜聚合，得到评估的真实模糊核。
进一步地，步骤S3中，所述噪声等级评估子网中，输入图像先通过所述噪声评估器提取输入图像的噪声特征，再计算变量方差获得噪声等级。
进一步地，步骤S3中，所述退化感知重建子网包含特征提取模块、自适应退化感知模块和上采样模块。特征提取模块交替使用3个3×3卷积层和2个LeakyReLU激活层，提取低分辨率图像的浅层特征；自适应退化感知模块负责估计多核退化信息并利用其恢复受损特征信息；上采样模型采样模块由PixelShuffle以及卷积层和LeakyReLu激活函数组成，通过卷积和多通道间的重组得到高分辨率图像。
进一步地，将所述浅层特征、真实模糊核和噪声等级输入自适应退化感知模块来消除模糊和噪声，包括：
将所述模糊核和噪声合并为低维特征；
将所述低维特征输入多层感知机和softmax层进行特征变换，并与浅层特征掩膜聚合形成残差特征；
将所述低维特征拉伸嵌入至高维空间，并通过浅层卷积神经网络形成高维特征；
将所述残差特征和高维特征进行残差连接传入下一自适应退化感知模块。
进一步地，步骤S4中，所述训练基于真实退化的空间可变核感知盲超分重建方法，以L1loss为基础来构建多损失函数进行训练，使所述图像退化模型和空间可变核感知盲超分模型相互协调，完成参数训练，其中所述多损失函数为：
其中，
表示多项损失函数，/>
为核评估器的损失函数，/>
为噪声评估器的损失函数，/>
为空间可变核感知盲超分网络的损失函数，λ1λ2为平衡项。
与现有技术相比，本发明技术方案的有益效果是：
(1)本发明设计的核估计器和噪声评估器，使提取的退化核和噪声等级更接近真实退化过程，辅助重建高分辨率遥感图像。
(2)本发明设计空间可变退化感知的盲超分模型，在扩大感知退化范围的同时选择了更接近真实退化核，实现更精确的超分辨率重建。
(3)本发明能在重建高分辨率图像丰富纹理信息的同时，有效地消除模糊和噪声，将其应用于遥感图像盲超分辨率技术中，能得到更好的超分辨率增强效果。
附图说明
图1为本发明实施例所述的基于空间可变退化感知的遥感图像超分辨率重建方法的流程示意图
图2为本发明实施例所述的图像退化模型框架图
图3为本发明实施例所述的空间可变退化感知的盲超分模型框架图
图4为本发明实施例所述的退化感知重建子网框架图
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
实施例
如图1所示，一种基于空间可变退化感知的遥感图像超分辨率重建方法，包括以下步骤：
步骤S1，获取高分辨率遥感图像数据集：训练数据集为NWPU-RESISC45数据集中31500张高质量未退化遥感图像。
步骤S2，构建图像退化模型：图像退化模型结构如图2所示，首先随机生成各项异性高斯模糊核kl和高斯白噪声nl，并将高分辨率图像IHR退化为低分辨率图像ILR，之后将ILR输入至核评估器和噪声评估器，获得退化核kh和噪声nh。
本实施例中，所述图像退化模型为：
其中，ILR和IHR分别代表退化图像和高分辨率图像。k、↓s、n分别表示模糊核、比例因子为s的下采样和噪声，所述下采样方法为双三次插值采样方法。
所述核评估器由一个5x5的卷积层、五个残差卷积组(1个3x3卷积层、一个LeakyReLu激活函数和一个3x3卷积层串联)和一个通道注意力模块组成，获得退化核kh；所述噪声评估器由四个转置卷积组(转置卷积和PRelu激活函数串联)、四个卷积组(3x3卷积和PRelu激活函数串联)、一个sigmoid函数、一个3x3卷积组成，获得评估噪声nh。
步骤S3，构建空间可变退化感知的盲超分模型：空间可变退化感知的盲超分模型结构如图3所示，包含空间可变核评估子网、噪声等级评估子网和退化感知重建子网。
(S21)空间可变核评估子网：
由于以往方法对整张图像使用一个模糊核，而图像在不同的位置通常包含不同的退化，在整个图像上估计核将不可避免地产生严重的估计偏差，无法代表图像的整体退化情况。为解决以上问题，本发明提出可变核评估方式，即使用所述核评估器随机对输入低分辨率图像不同位置进行模糊核提取，再根据不同模糊核权重选择最真实模糊核。
具体地，所述可变核提取，对低分辨率图像的三个不同块位置进行模糊核提取，获得候选模糊核特征kpatch，具体公式可表示为：
其中，kLR_patch1，kLR_patch2，kLR_patch3分别代表提取的三个模糊核，fkernel()表示所述核估计器。
具体地，所述权重计算方式，首先使用逐元素相加和1x1卷积将候选特征kpatch合并，随后使用Gumbel Softmax重参数方法自适应地学习退不同化核权重形成核权重集合，最后将核权重集合与候选模糊核进行掩膜聚合，得到评估的真实模糊核k，具体公式可表示为：
其中，Conv1x1表示1x1卷积层，
表示重参数的采样方法，/>
表示逐元素相加。
(S22)噪声等级评估子网：
噪声等级评估子网使用噪声评级器建模输入LR图像为潜在变量，并计算变量方差获得噪声等级n，具体公式可表示为：
n＝std(fnoise(ILR))
其中，std()表示方差计算，fnoise()表示噪声评估器。
(S33)退化感知重建子网：
退化感知重建子网的结构如图4所示，包含特征提取模块、自适应退化感知模块和上采样模块。特征提取模块提取低分辨率图像浅层特征；自适应退化感知模块负责估计多核退化信息并利用其恢复受损特征信息；上采样模块通过卷积和多通道间的重组得到高分辨率图像。
具体地，所述特征提取模块交替使用3个3×3卷积层和2个LeakyReLU激活层获得浅层特征Fs，具体公式为：
Fs＝Conv3x3(LeakyReLu(Conv3x3(Leaky_ReLu(Conv3x3(ILR)))))
其中，Com3x3表示3x3卷积层，LeakyReLu表示激活函数。
具体地，将所述浅层特征Fs、模糊核k和噪声等级n输入自适应退化感知模块来消除模糊和噪声，包括：
利用所述模糊核k和噪声n合并为低维特征Fl，具体公式为：
Fl＝concat(k，n)
其中，concat()表示合并通道数操作。
利用所述低维特征Fl输入多层感知机和Softmax层进行特征变换，并与浅层特征Fs掩膜聚合形成残差特征Fr，具体公式可表示为：
其中，MLP表示多层感知机，包括输入层，多个隐藏层和输出层，softmax表示归一化指数函数，
表示叉乘。
对所述低维特征Fl拉伸嵌入至高维空间，并通过一个3x3卷积层、ReLu激活层和一个3x3卷积层形成高维特征Fh，表达公式如下：
Fh＝Conu3x3(ReLu(Conv3x3(stretch(Fl))))
其中，Conv3x3表示3x3卷积层，ReLu表示激活函数，stretch表示维度拉伸。
利用所述残差特征Fr和高维特征Fh进行残差连接传入下一自适应退化感知模块，最终形成深度特征Fd具体表达公式如下：
其中，
表示第n个自适应退化感知模块(n＝8)。
所述上采样模型采样模块由PixelShuffle以及卷积层和LeakyReLu激活函数组成，首先将深度特征Fd与浅层特征Fs相加，然后通过卷积和多通道间的重组得到高分辨率图像IHR，具体计算公式如下：
IHR＝Conv9x9(LeakyReLu(PixelShuffle(Conv3x3(Fd+Fs))))
其中，Conv3x3表示3x3卷积层，Conv9x9表示9x9卷积层，PixelShuffle表示像素重组函数。
至此，空间可变退化感知的盲超分模型的最终输出可表示为：
IHR＝frec(k，n，ILR)
其中，k表示真实模糊核，n表示噪声，frec()表示空间可变退化感知的盲超分模型。
步骤S4，训练基于空间可变退化感知的遥感图像盲超分模型：设置超参数，使用Adam优化器更新网络参数，以Llloss为基础来构建多损失函数进行训练，使所述图像退化模型和空间可变核感知盲超分模型相互协调，在训练模型的500轮迭代过程中，设置每100轮迭代更新一次学习率。
所述多项损失函数为：
其中，
表示多项损失函数，/>
为核评估器的损失函数，/>
为噪声评估器的损失函数，/>
为空间可变核盲超分网络的损失函数，λ1λ2为平衡项。
步骤S5，通过训练好的盲超分模型重建高分辨率遥感图像：选择评价指标值最高的一组网络权重，保存为最优网络模型，用于后期重建高分辨率遥感图像。
综上所述，本实施例提供一种不需要成对数据集进行训练的盲超分辨方法，将盲超分辨率重建任务分解为退化过程和生成过程，一方面模拟图像复杂的退化过程，考虑退化核和真实核之间的相似性，避免产生严重的核估计偏差。一方面考虑图像不同空间位置的真实退化情况，避免了模糊核无法代表图像的整体退化情况。重建高分辨率图像丰富纹理信息的同时，有效地消除模糊和噪声，由此可知，本发明提出的一种基于空间可变退化感知的遥感图像超分辨率重建方法，是一个端到端的高质量盲超分辨率重建。
以上所举实施例，是对本发明的具体实施步骤和优点的详细说明，需要理解的是，所举实施例仅为本发明的优选实施方式，并不用于对本发明进行的限定，本领域技术人员可以在权利要求的范围内做出各种变化或修改。凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，具体包括以下步骤：
步骤S1，获取高分辨率遥感图像数据集：训练数据集为NWPU-RESISC45数据集中31500张高质量未退化遥感图像；
步骤S2，构建图像退化模型：随机生成各项异性高斯模糊核kl和高斯白噪声nl，将高分辨率图像IHR退化为低分辨率图像ILR；将ILR输入至核评估器和噪声评估器，获得退化核kh和噪声nh；
步骤S3，构建空间可变退化感知的盲超分模型：包含空间可变核评估子网、噪声等级评估子网和退化感知重建子网；
步骤S4，训练基于空间可变退化感知的遥感图像盲超分模型：设置超参数，使用Adam优化器更新网络参数使损失函数收敛至最小，完成模型训练；
步骤S5，通过训练好的盲超分模型重建高分辨率遥感图像：选择评价指标值最高的一组网络权重，保存为最优超分辨率重建模型，用于后期重建高分辨率遥感图像。
2.根据权利要求1所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，步骤S2中所述图像退化模型为：
其中，ILR和IHR分别代表退化的低分辨率图像和高分辨率图像，k、↓s、n分别表示模糊核、比例因子为s的下采样和噪声；所述下采样方法为双三次插值采样方法。
3.根据权利要求1所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，步骤S3中所述核评估器由一个5x5的卷积层、五个残差卷积组(1个3x3卷积层、一个LeakyReLu和一个3x3卷积层串联)和一个通道注意力模块组成，用于评估图像退化核；所述噪声评估器由四个转置卷积组(一个转置卷积和一个PRelu激活函数串联)、四个卷积组(3x3卷积和PRelu激活函数串联)、一个sigmoid函数和一个3x3卷积组成，用于评估噪声特征。
4.根据权利要求1所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，步骤S3中所述空间可变核评估子网经过模糊核提取层、权重计评估层、掩膜聚合层，得到评估的真实模糊核，包括：
将所述低分辨率图像输入模糊核提取层中，利用核评估器对图像不同位置进行模糊核提取，形成候选模糊核特征；
将所述候选模糊核输入权重计评估层中，利用Gumbel Softmax重参数操作，得到不同核权重形成核权重集合；
将所述核权重集合和候选模糊核进行掩膜聚合，得到评估的真实模糊核。
5.根据权利要求1所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，步骤S3中，在所述噪声等级评估子网中，输入图像先通过所述噪声评估器提取输入图像的噪声特征，再计算变量方差获得噪声等级。
6.根据权利要求1所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，步骤S3中，所述退化感知重建子网包含特征提取模块、自适应退化感知模块和上采样模块；特征提取模块交替使用3个3×3卷积层和2个LeakyReLU激活层，提取低分辨率图像的浅层特征；自适应退化感知模块负责估计多核退化信息并利用其恢复受损特征信息；上采样模型采样模块由PixelShuffle以及卷积层和LeakyReLu激活函数组成，通过卷积和多通道间的重组得到高分辨率图像。
7.根据权利要求6所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，将所述浅层特征、真实模糊核和噪声等级输入自适应退化感知模块来消除模糊和噪声，包括：
将所述模糊核和噪声合并为低维特征；
将所述低维特征输入多层感知机和Softmax层进行特征变换，并与浅层特征掩码聚合形成残差特征；
将所述低维特征拉伸嵌入至高维空间，并通过浅层卷积神经网络形成高维特征高维特征；
将所述残差特征和高维特征进行残差连接传入下一自适应退化感知模块。
8.根据权利1要求所述的一种基于空间可变退化感知的遥感图像超分辨率重建方法，其特征在于，步骤S4中所述训练基于真实退化的空间可变核感知盲超分重建方法，以L1loss为基础来构建多损失函数进行训练，使所述图像退化模型和空间可变核感知盲超分模型相互协调，完成参数训练，其中所述多损失函数为：
其中，
表示多项损失函数，/>
为核评估器的损失函数，/>
为噪声评估器的损失函数，/>
为空间可变核感知盲超分网络的损失函数，λ1λ2为平衡项。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310138622.XA CN116188265A (zh) | 2023-02-20 | 2023-02-20 | 一种基于真实退化的空间可变核感知盲超分重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310138622.XA CN116188265A (zh) | 2023-02-20 | 2023-02-20 | 一种基于真实退化的空间可变核感知盲超分重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116188265A true CN116188265A (zh) | 2023-05-30 |
Family
ID=86445807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310138622.XA Pending CN116188265A (zh) | 2023-02-20 | 2023-02-20 | 一种基于真实退化的空间可变核感知盲超分重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116188265A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843553A (zh) * | 2023-07-11 | 2023-10-03 | 太原理工大学 | 一种基于核不确定学习和退化嵌入的盲超分辨率重建方法 |
-
2023
- 2023-02-20 CN CN202310138622.XA patent/CN116188265A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843553A (zh) * | 2023-07-11 | 2023-10-03 | 太原理工大学 | 一种基于核不确定学习和退化嵌入的盲超分辨率重建方法 |
| CN116843553B (zh) * | 2023-07-11 | 2024-01-02 | 太原理工大学 | 一种基于核不确定学习和退化嵌入的盲超分辨率重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107154023B (zh) | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 | |
| CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN113139907A (zh) | 视觉分辨率增强的生成方法、系统、装置及存储介质 | |
| CN111915484A (zh) | 基于密集匹配与自适应融合的参考图引导超分辨率方法 | |
| CN106600538A (zh) | 一种基于区域深度卷积神经网络的人脸超分辨率算法 | |
| CN110796622B (zh) | 一种基于串联神经网络多层特征的图像比特增强方法 | |
| CN112837224A (zh) | 一种基于卷积神经网络的超分辨率图像重建方法 | |
| Sun et al. | Multiscale generative adversarial network for real‐world super‐resolution | |
| Liu et al. | Learning hadamard-product-propagation for image dehazing and beyond | |
| CN112669214A (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 | |
| Shen et al. | Deeper super-resolution generative adversarial network with gradient penalty for sonar image enhancement | |
| CN114972024A (zh) | 一种基于图表示学习的图像超分辨率重建装置及方法 | |
| CN116029902A (zh) | 一种基于知识蒸馏的无监督真实世界图像超分辨方法 | |
| CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
| CN116152061A (zh) | 一种基于模糊核估计的超分辨率重建方法 | |
| CN116188265A (zh) | 一种基于真实退化的空间可变核感知盲超分重建方法 | |
| CN113096032B (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
| CN112200752B (zh) | 一种基于er网络多帧图像去模糊系统及其方法 | |
| CN113421186A (zh) | 使用生成对抗网络的非监督视频超分辨率的设备和方法 | |
| CN117114984A (zh) | 基于生成对抗网络的遥感图像超分辨率重建方法 | |
| CN115511733A (zh) | 一种图像退化建模方法、神经网络训练方法和装置 | |
| CN112330572B (zh) | 一种基于密集型网络的生成式对抗神经网络及失真图像复原方法 | |
| CN111382845B (zh) | 一种基于自注意力机制的模板重建方法 | |
| CN115018726A (zh) | 一种基于U-Net的图像非均匀模糊核的估计方法 |
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 |