CN116309062A - 一种遥感图像超分辨率重建方法 - Google Patents
一种遥感图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN116309062A CN116309062A CN202310261380.3A CN202310261380A CN116309062A CN 116309062 A CN116309062 A CN 116309062A CN 202310261380 A CN202310261380 A CN 202310261380A CN 116309062 A CN116309062 A CN 116309062A
- Authority
- CN
- China
- Prior art keywords
- image
- features
- feature
- distribution
- network model
- 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 41
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005728 strengthening Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum 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
- G06N3/04—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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
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
本发明公开了一种遥感图像超分辨率重建方法,其特征在于,包括以下步骤:获取遥感图像,将所述遥感图像输入至先验网络模型,生成随机特征;将所述遥感图像输入至训练好的神经网络模型提取深层特征,并融合所述随机特征和所述深层特征,生成最终图像;本发明引入了随机特征,以联合深层特征进行建模提高特征丰富性,提高了重建图像质量。
Description
技术领域
本发明涉及图像处理技术领域,更具体的说是涉及一种遥感图像超分辨率重建方法。
背景技术
图像分辨率指图像中存储的信息量,是每英寸图像内有多少个像素点。遥感图像中常常包含丰富的光谱信息表示,然而在硬件条件和应用场景的限制下,高分辨率的遥感图像常常较为稀缺,由于图像中所蕴含的信息量常常直接影响后续影像分析、图像检测等任务的处理效果,因此寻求有效的提升图像分辨率的方法成为了一个十分重要的研究课题。图像超分辨率重建技术最初指的是可以提高光学成像系统分辨率的技术,现在是指从低分辨率图像中恢复高分辨率图像的过程,相比于改善硬件来提升图像的分辨率常常具有较低的成本,因此超分辨率重建任务引起了人们的广泛关注,并在农业生产、目标检测和目标识别等诸多领域具有非常重要的应用。
因为遥感图像中常常包含大量的噪声,而传统的基于频域的超分辨率重建方法只能处理空间不变的噪声模型,超分辨率重建效果往往不如人意。因此采用深度学习的方法更适用于处理复杂的遥感图像。此外,由于获取高分辨率遥感图像较为困难,因此很难直接将高质量的遥感图像应用于模型的训练过程中。
对于含有大量噪声的遥感图像,传统算法如插值等,通常在提升图像分辨率的同时也将噪声放大,使得图像难以全面提升观测质量。而且传统插值算法仅仅是利用周围部分点的信息,使用一个相同的公式来填充缺失的像素值,这常常难以获得准确的像素值。
基于深度学习的遥感图像超分辨率技术大多是将低分辨率图像映射为高分辨率图像,并通过一个额外的网络将高分辨率图像映射为低分辨率图像,通过两个低分辨率图像的差值来约束整个网络。但这种方法对网络的约束性通常较弱,无法控制重建图像的质量,限制了网络的性能。此外,由于遥感图像中常常含有大量且分散的云雾遮挡,导致遥感图像中很多区域都存在较为随机的像素值分布,而原有的超分辨率重建方法通常假设输入服从同一分布,通过对遥感图像中的深层特征直接建模,常常无法直接处理这些随机且和原有图像像素分布不一致的区域,进而很难对遮挡区域产生良好的重建性能。
因此,如何提供一种遥感图像超分辨率重建方法,来提高重建图像质量,能够是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种遥感图像超分辨率重建方法,引入了随机特征,以联合深层特征进行建模,提高了重建图像质量。
为了实现上述目的,本发明采用如下技术方案:
一种遥感图像超分辨率重建方法,包括以下步骤:
获取遥感图像,
将所述遥感图像输入至先验网络模型,生成随机特征;
将所述遥感图像输入至训练好的神经网络模型提取深层特征,并融合所述随机特征和所述深层特征,生成最终图像。
进一步的,所述神经网络模型的训练步骤包括:
获取获取训练数据,所述训练数据包括第一训练图像和经第一训练图像得到的第二训练图像;其中,所述第一训练图像的分辨率高于所述第二图像;
将所述第二图像输入至所述神经网络模型,生成重建图像;根据所述第一图像对所述重建图像进行约束,得到所述神经网络模型的模型参数。
进一步的,所述第二训练图像是由所述第一训练图像经下采样得到的。
进一步的,所述先验网络模型通过卷积提取特征,并根据提取的特征构建高斯分布;
利用重参数化采样在所获取的分布中进行随机采样,并将采样结果作为随机特征。
进一步的,所述先验网络模型的训练步骤包括:
构建与所述先验网络相同结构的后验网络模型;
将所述第二训练图像输入至先验网络模型,生成先验特征分布;
将所述第二训练图像和对应的第一训练图像输入至后验网络模型,生成后验特征分布;
通过所述后延特征分布对所述先验特征分布进行约束,得到所述先验网络模型的模型参数。
进一步的,通过所述后延特征分布对所述先验特征分布进行约束,具体为:
根据所述先验特征分布和所述后验特征分布计算分布差距,并根据预设的约束条件对所述分布差距进行约束。
进一步的,所述约束条件为:
其中,μprior为先验分布均值,μposterior,为后验分布均值;σprior为先验分布方差,σposterior为后验分布方差,i表示为采样的次数。
进一步的,所述神经网络模型包括特征编码器、多个特征融合模块和一个输出模块;
所述特征编码器用于输入的所述遥感图像进行特征提取,生成深层特征;
所述特征融合模块采用通道注意力计算对所述深层特征和所述深层特征及所述随机特征的联合特征分别进行加权计算,生成对应的强化特征;并将经过多次加权后的两个强化特征拼接后通过所述输出模块生成最终图像。
进一步的,所述特征融合模块包括两个残差模块和两个特征注意力层;
所述深层特征和所述随机特征分别输入至两个所述残差模块中,对应得到两个残差结果;
将所述深层特征对应的残差结果输入至一个特征注意力层,生成所述深特征对应的强化结果;将两个残差结果在第一个维度上串联在一起输入至另一个特征注意力层,生成所述联合特征对应的强化结果。
进一步的,所述输出模块将最终的强化结果中的两个特征在特征维度上串联在一起,经过一个卷积层后和所述深层特征进一步串联后,经过卷积层生成最终结果。
本发明的有益效果:
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遥感图像超分辨率重建方法,引入了随机特征,以联合深层特征进行建模,提高了重建图像质量;本发明使用后验网络进行输入观察进一步约束网络的先验信息并产生更精细的结果;在低分辨率图像的基础上采用降采样的方式进一步降低分辨率,以构建用于训练的训练数据,降低了对高分辨遥感图像的需求;本发明引入通道注意力特征融合模块融合先验网络产生的随机特征和特征编码器生成的深层特征来增强图像融合特征的丰富性,进而实现了重建图像质量的提高。
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附图为本发明提供的一种遥感图像超分辨率重建方法示意图;
图2附图为本发明中先验网络模型和神经网络模型的训练方法示意图;
图3附图为本发明中特征融合模块的特征融合方法示意图。
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遥感图像超分辨率重建方法,包括以下步骤:
S1:获取遥感图像,
S2:将遥感图像输入至先验网络模型,生成随机性特征,其中,随机性特征指从建模的高斯分布中进行随机采样所获取的特征,用于模拟生成具有随机像素值的分布情况,进而可以更好的适应和原有图像分布不一致的区域,提高重建效果。
在一种实施例中,先验网络模型通过卷积提取特征,并根据提取的特征构建高斯分布;
利用重参数化采样在所获取的分布中进行随机采样,并将采样结果作为随机特征。
S3:将遥感图像输入至训练好的神经网络模型提取深层特征,并融合随机特征和深层特征,生成最终图像。
在一种实施例中,神经网络模型的训练步骤包括:
S31:获取获取训练数据,训练数据包括第一训练图像和经第一训练图像得到的第二训练图像;其中,第一训练图像的分辨率高于第二图像;第二训练图像是由第一训练图像经下采样得到的。具体的,可采用双三次插值法进行下采样。
S32:将第二图像输入至神经网络模型,生成重建图像;根据第一图像对重建图像进行约束,得到神经网络模型的模型参数。
在本实施例中,在先验网络模型的训练过程中,构建了先验网络模型和后验网络来估计隐变量,在其中后验网络模型可以学习高分辨率图像的特征,得到图像中所包含的随机性特征,为了使得先验网络中同样包含高分辨率图像的信息,我们利用KL散度来约束先验网络和后验网络之间的差距;先验网络模型和后验网络模型将图像调制为高斯分布,并从中采样以获取图像的随机性特征。在先验网络模型中输入低分辨率图像,在后验网络中输入低分辨率和高分辨率图像在通道维度上的拼接结果,然后利用四层卷积来建模高斯分布的均值和方差,我们将最后一个卷积层生成的128维特征图平分为两个64维的特征图,并分别作为构建高斯分布的均值和方差;在获取均值μ和方差σ后,我们利用重参数化采样在所获取的分布中进行随机采样,并作为生成的随机性特征z:
其中,高分辨率图像指的是进行下采样之前的图像,ε表示为在正态分布中进行随机采样而得到的值。
具体的,先验网络模型的训练步骤包括:构建与先验网络相同结构的后验网络模型;将第二训练图像输入至先验网络模型,生成先验特征分布;将第二训练图像和对应的第一训练图像输入至后验网络模型,生成后验特征分布;通过后延特征分布对先验特征分布进行约束,得到先验网络模型的模型参数。通过后延特征分布对先验特征分布进行约束,具体为:根据先验特征分布和后验特征分布计算分布差距,并根据预设的约束条件对分布差距进行约束,KL散度约束条件如下:
其中,μprior为先验分布均值,μposterior,为后验分布均值;σprior为先验分布方差,σposterior为后验分布方差,i表示为采样的次数。
如图3,在另一实施例中,神经网络模型包括特征编码器、多个特征融合模块和一个输出模块;特征编码器用于输入的遥感图像进行特征提取,生成深层特征;特征融合模块采用通道注意力计算对深层特征和深层特征及随机特征的联合特征分别进行加权计算,生成对应的强化特征;并将经过多次加权后的两个强化特征拼接后通过输出模块生成最终图像。
其中,特征融合模块包括两个残差模块和两个特征注意力层;深层特征和随机特征分别输入至两个残差模块中,对应得到两个残差结果;将深层特征对应的残差结果输入至一个特征注意力层,生成深特征对应的强化结果;将两个残差结果在第一个维度上串联在一起输入至另一个特征注意力层,生成联合特征对应的强化结果,完成一次特征强化,将两个强化结果输入至后续的特征融合模块进行下一次强化,依次类推直至完成最终的强化。图3中,F1表示深层特征,F2表示为随机特征,F1’为深层特征对应的强化结果,;F2’为深层特征F1和随机特征F2联合拼接后对应的强化结果。
在本实施例中,输出模块将最终的强化结果中的两个特征在特征维度上串联在一起,经过一个卷积层后和深层特征进一步串联后,经过卷积层生成最终结果。
在另一实施例中,为证明本发明的有效性,选用高分四号遥感数据来进行验证。高分四号遥感数据集中包含两个场景的遥感图像,分别为A地区和B地区。在A地区中,包含8幅一个场景的图像,而在B地区中,包含了7幅图像,每幅图像的大小为10240×10240×5,并包含着5个波段的光谱信息,具体谱段范围如表1所示。我们分别在每个场景中抽取了一张图像作为测试集,用于检验模型的性能。
表1高分四号数据集介绍
在训练过程中,我们将高峰图像随机切分为128×128的小块,并用于图像的训练。在训练过程中,由于缺乏高分辨率的遥感图像,我们选用双三次插值对原有的切分图像进行下采样,从而构建训练数据对。结合图3,图中分别选取了Bicubic网络和ZSSR网络与本发明进行比较,括号中的值表示通过该方法在测试集上获得的NIQE指标。NIQE越低,则表明图像的视觉越高。本发明生成的最终图像在质量上比ZSSR网络更精细地重建图像,更适合实际应用。从数量上讲,与ZSSR相比,本发明实现了更低的NIQE,证明了我们方法的有效性。
本发明使用输入观察来进一步约束网络的先验信息并生成更精细的结果。其次,我们引入通道注意力特征融合模块来融合先验网络产生的学术特征和骨干网络的深度图像特征,以增强图像融合特征的丰富性。最后,我们在真实卫星遥感数据集上评估了我们的无监督多光谱图像超分辨率方法,实验结果定性和定量地证明了我们方法的有效性。
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 (10)
1.一种遥感图像超分辨率重建方法,其特征在于,包括以下步骤:
获取遥感图像,
将所述遥感图像输入至先验网络模型,生成随机特征;
将所述遥感图像输入至训练好的神经网络模型提取深层特征,并融合所述随机特征和所述深层特征,生成最终图像。
2.根据权利要求1所述的一种遥感图像超分辨率重建方法,其特征在于:所述神经网络模型的训练步骤包括:
获取获取训练数据,所述训练数据包括第一训练图像和经第一训练图像得到的第二训练图像;其中,所述第一训练图像的分辨率高于所述第二图像;
将所述第二图像输入至所述神经网络模型,生成重建图像;根据所述第一图像对所述重建图像进行约束,得到所述神经网络模型的模型参数。
3.根据权利要求2所述的一种遥感图像超分辨率重建方法,其特征在于,所述第二训练图像是由所述第一训练图像经下采样得到的。
4.根据权利要求2所述的一种遥感图像超分辨率重建方法,其特征在于,所述先验网络模型通过卷积提取特征,并根据提取的特征构建高斯分布;
利用重参数化采样在所获取的分布中进行随机采样,并将采样结果作为随机特征。
5.根据权利要求2所述的一种遥感图像超分辨率重建方法,其特征在于,所述先验网络模型的训练步骤包括:
构建与所述先验网络相同结构的后验网络模型;
将所述第二训练图像输入至先验网络模型,生成先验特征分布;
将所述第二训练图像和对应的第一训练图像输入至后验网络模型,生成后验特征分布;
通过所述后延特征分布对所述先验特征分布进行约束,得到所述先验网络模型的模型参数。
6.根据权利要求5所述的一种遥感图像超分辨率重建方法,其特征在于,通过所述后延特征分布对所述先验特征分布进行约束,具体为:
根据所述先验特征分布和所述后验特征分布计算分布差距,并根据预设的约束条件对所述分布差距进行约束。
8.根据权利要求1所述的一种遥感图像超分辨率重建方法,其特征在于,所述神经网络模型包括特征编码器、多个特征融合模块和一个输出模块;
所述特征编码器用于输入的所述遥感图像进行特征提取,生成深层特征;
所述特征融合模块采用通道注意力计算对所述深层特征和所述深层特征及所述随机特征的联合特征分别进行加权计算,生成对应的强化特征;并将经过多次加权后的两个强化特征拼接后通过所述输出模块生成最终图像。
9.根据权利要求8所述的一种遥感图像超分辨率重建方法,其特征在于,所述特征融合模块包括两个残差模块和两个特征注意力层;
所述深层特征和所述随机特征分别输入至两个所述残差模块中,对应得到两个残差结果;
将所述深层特征对应的残差结果输入至一个特征注意力层,生成所述深特征对应的强化结果;将两个残差结果在第一个维度上串联在一起输入至另一个特征注意力层,生成所述联合特征对应的强化结果。
10.根据权利要求8所述的一种遥感图像超分辨率重建方法,其特征在于,所述输出模块将最终的强化结果中的两个特征在特征维度上串联在一起,经过一个卷积层后和所述深层特征进一步串联后,经过卷积层生成最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261380.3A CN116309062A (zh) | 2023-03-17 | 2023-03-17 | 一种遥感图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261380.3A CN116309062A (zh) | 2023-03-17 | 2023-03-17 | 一种遥感图像超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309062A true CN116309062A (zh) | 2023-06-23 |
Family
ID=86825305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310261380.3A Pending CN116309062A (zh) | 2023-03-17 | 2023-03-17 | 一种遥感图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309062A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116902009A (zh) * | 2023-09-13 | 2023-10-20 | 同济大学 | 基于类脑神经回路的驾驶世界模型 |
CN117649343A (zh) * | 2024-01-29 | 2024-03-05 | 北京航空航天大学 | 基于条件变分自编码器的数据不确定性生成方法及系统 |
CN118038212A (zh) * | 2024-04-10 | 2024-05-14 | 北京数慧时空信息技术有限公司 | 遥感图像超分模型的训练方法和遥感图像超分方法 |
-
2023
- 2023-03-17 CN CN202310261380.3A patent/CN116309062A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116902009A (zh) * | 2023-09-13 | 2023-10-20 | 同济大学 | 基于类脑神经回路的驾驶世界模型 |
CN116902009B (zh) * | 2023-09-13 | 2023-12-19 | 同济大学 | 基于类脑神经回路的驾驶世界模型 |
CN117649343A (zh) * | 2024-01-29 | 2024-03-05 | 北京航空航天大学 | 基于条件变分自编码器的数据不确定性生成方法及系统 |
CN117649343B (zh) * | 2024-01-29 | 2024-04-12 | 北京航空航天大学 | 基于条件变分自编码器的数据不确定性生成方法及系统 |
CN118038212A (zh) * | 2024-04-10 | 2024-05-14 | 北京数慧时空信息技术有限公司 | 遥感图像超分模型的训练方法和遥感图像超分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demir et al. | Patch-based image inpainting with generative adversarial networks | |
Deng et al. | Deep convolutional neural network for multi-modal image restoration and fusion | |
Chang et al. | HSI-DeNet: Hyperspectral image restoration via convolutional neural network | |
Mo et al. | Fake faces identification via convolutional neural network | |
Wan et al. | CoRRN: Cooperative reflection removal network | |
Li et al. | Survey of single image super‐resolution reconstruction | |
CN116309062A (zh) | 一种遥感图像超分辨率重建方法 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN110473142B (zh) | 基于深度学习的单幅图像超分辨率重建方法 | |
Amirkhani et al. | An objective method to evaluate exemplar‐based inpainted images quality using Jaccard index | |
CN113505772B (zh) | 基于生成对抗网络的车牌图像生成方法及系统 | |
Kim et al. | Deeply aggregated alternating minimization for image restoration | |
CN113298736B (zh) | 一种基于面部样式的人脸图像修复方法 | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
CN116563101A (zh) | 一种基于频域残差的无人机图像盲超分辨率重建方法 | |
Cherian et al. | A Novel AlphaSRGAN for Underwater Image Super Resolution. | |
Tang et al. | Generative Adversarial Unsupervised Image Restoration in Hybrid Degradation Scenes | |
Liu et al. | Facial image inpainting using multi-level generative network | |
Qu et al. | Umle: Unsupervised multi-discriminator network for low light enhancement | |
CN114283058A (zh) | 基于对抗网络和最大互信息优化的图像超分辨率重建方法 | |
Li et al. | Image reflection removal using end‐to‐end convolutional neural network | |
CN111986102B (zh) | 一种数字病理图像去模糊方法 | |
Lin et al. | Generative adversarial image super‐resolution network for multiple degradations |
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 |