CN116485641B - 集成先验与地形约束的无监督dem超分辨率重建方法 - Google Patents
集成先验与地形约束的无监督dem超分辨率重建方法 Download PDFInfo
- Publication number
- CN116485641B CN116485641B CN202310002134.6A CN202310002134A CN116485641B CN 116485641 B CN116485641 B CN 116485641B CN 202310002134 A CN202310002134 A CN 202310002134A CN 116485641 B CN116485641 B CN 116485641B
- Authority
- CN
- China
- Prior art keywords
- resolution
- dem
- neural network
- downsampling
- convolution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000005520 cutting process Methods 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 238000012804 iterative process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种集成先验与地形约束的无监督DEM超分辨率重建方法,包括:准备单张低分辨率DEM影像;将低分辨率影像以有重叠的方式裁剪为固定大小的DEM格网单元;设计卷积神经网络,包括5个降采样模块、5个上采样模块及5个跳跃连接模块;以低分辨率DEM格网单元为约束,将噪声输入网络之中进行多次迭代,使用网络结构的深度先验对神经网络参数进行更新,使用神经网络编码生成格网高分辨率DEM;在迭代过程中,使用地形约束对DEM形态进行优化;对各格网单元执行上述编码、优化过程,最后拼接成原始大小的高分辨率DEM。本发明能够自动、快速、高效地根据低分辨率DEM生成高分辨率DEM。
Description
技术领域
本发明涉及一种集成先验与地形约束的无监督DEM超分辨率重建方法,属于地理学应用技术领域。
背景技术
数字高程模型(DEM)是由有限的高程采样支持的地形表面的数字模拟,它将三维地形表面映射为二维矩阵。洪水建模、景观演变和城市形态学等方面的研究表明,DEM在理解地理现象方面起着至关重要的作用。
当DEM的空间分辨率不能满足应用的要求时,人们常使用空间插值或数据驱动的超分辨率方法来提高DEM的空间分辨率。空间插值方法,如Bilinear、Bicubic和Lanczos方法,严格依靠托布勒地理学第一定律,将高分辨率DEM的像元定位到粗分辨率DEM上,未知像元的值通过多项式拟合从邻近像元中得出。然而,鉴于地理空间实体的异质性,多项式拟合可能无法对复杂的地表形态进行建模。因此,通过空间插值方法推断出的高分辨率DEM通常是过度简化的地形表面。
卷积神经网络(CNN)在DEM超分辨率任务中显示出巨大的潜力,因为它的多层结构同时考虑了高分辨率DEM和粗分辨率DEM之间的全局和局部非线性映射关系。然而,神经网络的成功依赖于大量的训练数据。获得特定区域的高分辨率数据具有挑战性,这限制了基于神经网络方法的实施。此外,在特定区域训练的神经网络在其他区域可能是无效的。尽管转移学习等方法拓宽了用小型DEM训练数据集训练神经网络的可能性,但它们仍然需要特定区域的高分辨率样本。
因此,本方法意在提出了一个无监督的DEM超分辨率神经网络,该方法以噪声作为输入,应用手工设计的精细卷积滤波器来学习粗分辨率图像的多尺度特征,然后将这些特征加到高分辨率输出上。只需要一个未经训练的神经网络和一个低分辨率DEM影像,通过对低分辨率DEM影像的多次迭代,即可实现超分辨率。
发明内容
本发明要解决的技术问题是,在没有数据集的驱动下,仅利用神经网络的网络结构,实现DEM超分辨率任务。为了解决以上技术问题,本发明提出的集成先验与地形约束的无监督DEM超分辨率重建方法,包括以下步骤:
第一步,数据准备及预处理:准备需要进行超分辨率重建的数字高程模型(DEM)数据,对该DEM数据进行异常值剔除及空洞填充处理;随后,将低分辨率影像以重叠裁剪的方式,划分为N×N大小的格网单元;
第二步,构建降采样模块:以卷积层→降采样层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层的堆叠顺序构建降采样模块,使用128个3×3的卷积窗口进行卷积操作,使用Bicubic方法进行降采样或上采样操作;
第三步,构建上采样模块:以批量归一化层→卷积层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层→上采样层的堆叠顺序构建上采样模块,使用128个3×3的卷积窗口进行卷积操作,使用Bicubic方法进行降采样或上采样操作;
第四步,构建跳跃连接模块:以卷积层→批量归一化层→LeakyReLU层的堆叠顺序构建跳跃连接模块,使用4个1×1的卷积窗口进行卷积操作;
第五步,构建神经网络:构建一个编码器-解码器类型的神经网络,具体包括5个第二步所述的降采样模块,5个第三步所述的上采样模块,5个第四步所述的跳跃连接模块,数据经由5个串联的降采样模块输出后,输入5个串联的上采样模块,跳跃连接模块安置于逐个对应尺度的上采样与降采样模块之间。神经网络的前端置有128个卷积层将输入噪声上升至128维,神经网路尾端置有反卷积层将输出数据压缩至1维;
第六步,基于地形约束的神经网络参数优化:针对第一步中切割后的每个格网单元,将高分辨率的高斯白噪声影像作为输入,经过神经网络运算获得高分辨率输出影像fθ(Z),将高分辨率输出影像fθ(Z)与低分辨率数字高程模型DL作比较,计算高程一致性损失/>与地形梯度损失/>
式中,f是神经网络,θ是神经网络的参数,H′为高斯白噪声影像高度方向的像元数量,W′高斯白噪声影像宽度方向的像元数量,fθ(Z)是神经网络的输出,↓表示平均降采样操作,表示运用Roberts算子取梯度的操作(L.Roberts,Machine Perception of 3-DSolids,Optical and Electro-optical Information Processing,MIT Press 1965);是低分辨率数字高程模型,H是低分辨率数字高程模型宽度方向的像元数量,W是低低分辨率数字高程模型高度方向的像元数量。
然后,通过梯度下降(Himmelblau,David M.Unconstrained MinimizationProcedures Using Derivatives.Applied Nonlinear Programming.New York:McGraw-Hill.pp.63-132.ISBN 0-07-028921-2,1972.)的方法对神经网络的参数θ进行更新,公式如下:
式中,k是当前迭代指数,α是网络的学习率,β是调节参数,用于平衡与之间的比例;在2倍降采样倍率下设置β为0.02,在3倍降采样倍率下设置β为0.03,在4倍降采样倍率下设置β为0.11。
第七步,迭代神经网络参数优化:重复第六步直到E(fθ(Z),DL)趋于收敛(迭代10000次即可达到),获得最优神经网络的参数θ*,将高分辨率的高斯白噪声影像Z作为输入,经过最优神经网络运算获得对应格网单元的高分辨率输出影像,即为对应格网单元的高分辨率数字高程模型;
第八步,拼接获得高分辨率DEM:将所有格网对应的高分辨率数字高程模型进行拼接,获得原始大小的高分辨率数字高程模型。
对各格网单元执行上述编码、优化过程,最后拼接成原始大小的高分辨率DEM,本发明主要面向高分辨率数据难以获取的场景,能够自动、快速、高效地根据低分辨率DEM生成高分辨率DEM,为空间数据的超分辨率提供了一种新方法。
附图说明
下面结合附图对本发明作进一步的说明。
图1是实施例区域的原始DEM、三维渲染和地理位置。
图2是集成先验与地形约束的无监督DEM超分辨率重建方法流程图。
图3是降采样模块的示意图。
图4是上采样模块的示意图。
图5是跳跃连接模块的示意图。
图6是构建的编码器-解码器卷积神经网络。
图7是在迭代过程中使用地形约束的方法。
图8是使用本方法进行超分辨率的迭代过程。
图9是本方法与其他方法的比较。
如图10是本方法与其他方法在奥地利东部区域的效果对比。
如图11是本方法与其他方法在雅鲁藏布江流域的效果对比。
具体实施方式
下面根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。
本发明示例了三个区域的超分辨率重建结果,其位置示意如图1所示,其中,(a)、(b)是布鲁克斯山脉05米DEM,(c)、(d)是奥地利东部区域10米DEM,(e)、(f)是雅鲁藏布江流域30米DEM。
本实施例所提集成先验与地形约束的无监督DEM超分辨率重建方法流程图如图2所示,包括以下步骤:
第一步,数据准备及预处理:准备需要进行超分辨率重建的数字高程模型(DEM)数据,对该DEM数据进行异常值剔除及空洞填充处理;随后,将低分辨率影像以重叠裁剪的方式,划分为192×192大小的格网单元。将布鲁克斯山脉划分为了6048个格网单元,将奥地利东部区域划分为了12288个格网单元,将雅鲁藏布江流域划分为了13008个格网单元。
第二步,构建降采样模块:以卷积层→降采样层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层的堆叠顺序构建降采样模块,使用128个3×3的卷积窗口进行卷积操作,使用Bicubic方法进行降采样操作,如图3所示。
第三步,构建上采样模块:以批量归一化层→卷积层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层→上采样层的堆叠顺序构建上采样模块,使用128个3×3的卷积窗口进行卷积操作,使用Bicubic方法进行上采样操作,如图4所示。
第四步,构建跳跃连接模块:以卷积层→批量归一化层→LeakyReLU层的堆叠顺序构建跳跃连接模块,使用4个1×1的卷积窗口进行卷积操作,如图5所示。
第五步,构建神经网络:构建一个编码器-解码器类型的神经网络,具体包括5个第二步所述的降采样模块,5个第三步所述的上采样模块,5个第四步所述的跳跃连接模块。数据经由5个串联的降采样模块输出后,输入5个串联的上采样模块,跳跃连接模块安置于逐个对应尺度的上采样与降采样模块之间,神经网络的前端置有128个卷积层将输入噪声上升至128维,神经网路尾端置有反卷积层将输出数据压缩至1维,如图6所示。
第六步,基于地形约束的神经网络参数优化:针对第一步中切割后的每个格网单元,将高分辨率的高斯白噪声影像作为输入,经过神经网络运算获得高分辨率输出影像fθ(Z),将高分辨率输出影像fθ(Z)与低分辨率数字高程模型DL作比较,计算高程一致性损失/>与地形梯度损失/>
式中,f是神经网络,θ是神经网络的参数,H′为高斯白噪声影像高度方向的像元数量,W′高斯白噪声影像宽度方向的像元数量,fθ(Z)是神经网络的输出,↓表示平均降采样操作,表示运用Roberts算子取梯度的操作(L.Roberts,Machine Perception of 3-DSolids,Optical and Electro-optical Information Processing,MIT Press,1965.);是低分辨率数字高程模型,H是低分辨率数字高程模型宽度方向的像元数量,W是低低分辨率数字高程模型高度方向的像元数量。
然后,通过梯度下降(Himmelblau,David M,Unconstrained MinimizationProcedures Using Derivatives.Applied Nonlinear Programming.New York:McGraw-Hill.pp.63-132.ISBN 0-07-028921-2,1972.)的方法对神经网络的参数θ进行更新,公式如下:
式中,k是当前迭代指数,α是网络的学习率,β是调节参数,用于平徜与之间的比例;在2倍降采样倍率下设置β为0.02,在3倍降采样倍率下设置β为0.03,在4倍降采样倍率下设置β为0.11。
第七步,迭代神经网络参数优化:重复第六步直到E(fθ(Z),DL)趋于收敛,本例中重复第六步10000次(迭代10000次)后E(fθ(Z),DL)趋于收敛。获得最优神经网络的参数θ*,将高分辨率的高斯白噪声影像Z作为输入,经过最优神经网络运算获得对应格网单元的高分辨率输出影像,即为对应格网单元的高分辨率数字高程模型;
第八步,拼接获得高分辨率DEM:将所有格网对应的高分辨率数字高程模型进行拼接,获得原始大小的高分辨率数字高程模型。
图8展示了通过UnTDIP生成高分辨率DEM的过程。超分辨率后的DEM的尺寸为192像元×192像元。如图8(a)、(b)、(c)所示,是在奥地利东部区域采用本专利方法,将原始低分辨率数据以2倍、3倍、4倍的比例因子进行超分辨率的结果。在第1~10次迭代中,本专利方法逐渐捕捉到了DEM数据的分布区间。在第10次到第1000次迭代中,山体的轮廓变得更加明显,地形纹理变得更加清晰。从第1000次迭代到第10000次迭代,本专利方法逐步优化地形细节,精确重建地形结构。
如图9所示,是本方法与其他方法在布鲁克斯山脉区域的效果对比。如图10所示,是本方法与其他方法在奥地利东部区域的效果对比。如图11所示,是本方法与其他方法在雅鲁藏布江流域的效果对比。可以看出,本专利方法在具有更高的超分辨率精度,生成的地形细节与纹理更加丰富。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.集成先验与地形约束的无监督DEM超分辨率重建方法,包括以下步骤:
第一步,数据准备及预处理:准备需要进行超分辨率重建的DEM数据,对该DEM数据进行异常值剔除及空洞填充处理;随后,将低分辨率影像以重叠裁剪的方式,划分为N×N大小的格网单元;
第二步,构建降采样模块:以卷积层→降采样层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层的堆叠顺序,以串联的方式构建降采样模块;
第三步,构建上采样模块:以批量归一化层→卷积层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层→上采样层的堆叠顺序,以串联的方式构建上采样模块;
第四步,构建跳跃连接模块:以卷积层→批量归一化层→LeakyReLU层的堆叠顺序,以串联的方式构建跳跃连接模块;
第五步,构建神经网络:构建一个编码器-解码器类型的神经网络,具体包括5个第二步所述的降采样模块,5个第三步所述的上采样模块,5个第四步所述的跳跃连接模块;数据经由5个串联的降采样模块输出后,输入5个串联的上采样模块,跳跃连接模块安置于逐个对应尺度的上采样与降采样模块之间;
第六步,基于地形约束的神经网络参数优化:针对第一步中切割后的每个格网单元,将高分辨率的高斯白噪声影像作为输入,经过神经网络运算获得高分辨率输出影像fθ(Z),将高分辨率输出影像fθ(Z)与低分辨率数字高程模型DL作比较,计算高程一致性损失/>与地形梯度损失/>
式中,f是神经网络,θ是神经网络的参数,H′为高斯白噪声影像高度方向的像元数量,W′为高斯白噪声影像宽度方向的像元数量,fθ(Z)是神经网络的输出,↓表示平均降采样操作,表示运用Roberts算子取梯度的操作;/>是低分辨率数字高程模型,H是低分辨率数字高程模型宽度方向的像元数量,W是低分辨率数字高程模型高度方向的像元数量;
然后通过梯度下降方法对神经网络的参数θ进行更新,公式如下:
式中,k是当前迭代指数,α是网络的学习率,β是调节参数,用于平衡与/>之间的比例;
第七步,迭代神经网络参数优化:重复第六步直到E(fθ(Z),DL)趋于收敛,获得最优神经网络的参数θ*,将高分辨率的高斯白噪声影像Z作为输入,经过最优神经网络运算获得对应格网单元的高分辨率输出影像,即为对应格网单元的高分辨率数字高程模型;
第八步,拼接获得高分辨率DEM:将所有格网对应的高分辨率数字高程模型进行拼接,获得原始大小的高分辨率数字高程模型。
2.如权利要求1中所述的集成先验与地形约束的无监督DEM超分辨率重建方法,其特征在于,在第二步与第三步中,使用128个3×3的卷积窗口进行卷积操作,使用Bicubic方法进行降采样和/或上采样操作。
3.如权利要求1中所述的集成先验与地形约束的无监督DEM超分辨率重建方法,其特征在于,在第四步中,使用4个1×1的卷积窗口进行卷积操作。
4.如权利要求1中所述的集成先验与地形约束的无监督DEM超分辨率重建方法,其特征在于,在第五步中,神经网络的前端置有128个卷积层将输入噪声上升至128维,神经网路尾端置有反卷积层将输出数据压缩至1维。
5.如权利要求1中所述的集成先验与地形约束的无监督DEM超分辨率重建方法,其特征在于,在第六步中,网络优化迭代的次数在2000-15000次之间。
6.如权利要求1中所述的集成先验与地形约束的无监督DEM超分辨率重建方法,其特征在于,在第七步中,在2倍降采样倍率下设置β为0.02,在3倍降采样倍率下设置β为0.03,在4倍降采样倍率下设置β为0.11。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310002134.6A CN116485641B (zh) | 2023-01-03 | 2023-01-03 | 集成先验与地形约束的无监督dem超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310002134.6A CN116485641B (zh) | 2023-01-03 | 2023-01-03 | 集成先验与地形约束的无监督dem超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485641A CN116485641A (zh) | 2023-07-25 |
CN116485641B true CN116485641B (zh) | 2024-06-21 |
Family
ID=87220201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310002134.6A Active CN116485641B (zh) | 2023-01-03 | 2023-01-03 | 集成先验与地形约束的无监督dem超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485641B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135361B (zh) * | 2024-02-21 | 2024-09-17 | 国家海洋环境预报中心 | 基于地形数据约束的风速生成方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600553A (zh) * | 2016-12-15 | 2017-04-26 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN113836789A (zh) * | 2021-08-24 | 2021-12-24 | 山东大学 | 基于宏细观参数关联准则的dem细观参数标定方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839264B2 (en) * | 2018-11-09 | 2020-11-17 | International Business Machines Corporation | Scalable feature classification for laser scanning data and digital elevation models |
JP6692984B1 (ja) * | 2019-09-20 | 2020-05-13 | アジア航測株式会社 | 超解像度立体視化処理システム及びそのそのプログラム |
CN113837944A (zh) * | 2021-09-29 | 2021-12-24 | 清华大学 | 基于残差网络的dem超分辨率方法和装置 |
-
2023
- 2023-01-03 CN CN202310002134.6A patent/CN116485641B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600553A (zh) * | 2016-12-15 | 2017-04-26 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN113836789A (zh) * | 2021-08-24 | 2021-12-24 | 山东大学 | 基于宏细观参数关联准则的dem细观参数标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116485641A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353940B (zh) | 一种基于深度学习迭代上下采样的图像超分辨率重建方法 | |
CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
CN116485641B (zh) | 集成先验与地形约束的无监督dem超分辨率重建方法 | |
EP3644270A1 (en) | Image processing device, imaging device, image processing method, program, and storage medium | |
CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN103413286A (zh) | 一种基于学习的高动态范围与高分辨率图像联合重建方法 | |
Li et al. | Underwater image high definition display using the multilayer perceptron and color feature-based SRCNN | |
CN111815516A (zh) | 一种弱监督红外遥感图像超分辨率重建方法 | |
CN114331842B (zh) | 结合地形特征的dem超分辨率重建方法 | |
CN107392986B (zh) | 一种基于高斯金字塔和各向异性滤波的图像景深渲染方法 | |
CN114581304A (zh) | 一种基于循环网络的图像超分辨率和去雾融合方法及系统 | |
CN111539888A (zh) | 一种基于金字塔通道特征注意力的神经网络图像去雾方法 | |
Ma et al. | Back-projection-based progressive growing generative adversarial network for single image super-resolution | |
DE102022119422A1 (de) | Verfahren zum Erzeugen einer hierarchischen Datenstruktur, hierarchische Datenstruktur sowie Verfahren zum Streamen von dreidimensionalen Objekten | |
CN116561879A (zh) | 基于bim的水利工程信息管理系统及其方法 | |
CN113793286A (zh) | 一种基于多阶注意力神经网络的媒体图像水印移除方法 | |
CN113887568B (zh) | 一种各向异性卷积的双目图像立体匹配方法 | |
CN113486928B (zh) | 一种基于有理多项式模型可微分张量表达的多视影像对齐方法 | |
CN117974444A (zh) | 基于扩散模型的海面高度超分辨率重建方法 | |
CN106157251A (zh) | 一种基于柯西正则化的人脸超分辨率方法 | |
CN112767246A (zh) | 光场图像多倍率空间超分辨方法及装置 | |
CN115278263B (zh) | 一种高效的大数据实时传输方法及系统 | |
CN116611995A (zh) | 一种基于深度展开网络的手写文本图像超分辨率重建方法 | |
CN116029905A (zh) | 一种基于渐进差值互补的人脸超分辨率重构方法及系统 | |
CN115409713A (zh) | 一种高效实时的单张图像超分变率重建系统及方法 |
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 |