CN117196947A - 一种面向高分辨率图像的高效压缩重建模型构建方法 - Google Patents
一种面向高分辨率图像的高效压缩重建模型构建方法 Download PDFInfo
- Publication number
- CN117196947A CN117196947A CN202311149651.2A CN202311149651A CN117196947A CN 117196947 A CN117196947 A CN 117196947A CN 202311149651 A CN202311149651 A CN 202311149651A CN 117196947 A CN117196947 A CN 117196947A
- Authority
- CN
- China
- Prior art keywords
- resolution image
- resolution
- image
- low
- feature map
- 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.)
- Granted
Links
- 230000006835 compression Effects 0.000 title claims abstract description 38
- 238000007906 compression Methods 0.000 title claims abstract description 38
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 6
- 238000006731 degradation reaction Methods 0.000 claims abstract description 6
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种面向高分辨率图像的高效压缩重建模型构建方法,属于高分辨率图像压缩重建技术领域。解决了原始高分辨率图像在压缩重建过程中因信息缺失所引发的图像重建质量下降的技术问题。其技术方案为:包括以下步骤:S1、对低分辨率图像与高分辨率图像之间的双向映射关系进行建模;S2、对反应图像质量的两个基本维度,空间分辨率和采样精度,进行通道信息交互;S3、从像素以及图像两个层面设计目标损失函数;S4、构建面向高分辨率图像的高效压缩重建模型。本发明的有益效果为:本发明在有限码率下,实现高分辨率图像的高效压缩与重建,在客观性能指标与主观视觉质量上均有大幅度提升。
Description
技术领域
本发明涉及高分辨率图像压缩重建技术领域,具体涉及一种面向高分辨率图像的高效压缩重建模型构建方法。
背景技术
高分辨率图像具有分辨率高、采样精度高的“双高”特点,开展面向高分辨率图像的高效压缩重建模型构建方法研究,可有效提升高分辨率图像的压缩效率,有利于促进该技术在多媒体信息领域的推广应用。
分辨率决定图像清晰度。分辨率越高,画面层次越丰富、画面细节越精致、人眼的视场角度越大,呈现出场景的立体感和空间感也越真实。采样精度决定图像真实感。采样精度越高,所能呈现的色深、色域以及动态范围越大,相应会带来颜色渐变平滑度、颜色种类丰富度以及图像明暗对比度的增加,使得细节刻画效果、画面层次感和立体感更佳。目前,受限于压缩极限以及带宽资源,高分辨率图像通常是利用低分辨率图像重建生成的。
近年来,深度学习技术凭借强大的特征提取能力在大量图像压缩重建任务中取得了令人瞩目的成就。作为统计学习的一个分支,深度学习通过从大量的数据中学习统计信息来拟合目标函数。因此,利用深度学习处理图像压缩重建任务的本质是通过建立卷积神经网络模型来拟合低分辨率图像与高分辨率图像之间的映射关系。早期的研究者通过传统的双三次插值方法将低分辨率图像插值成粗糙的高分辨率图像,再使用卷积神经网络模型去拟合粗糙高分辨率图像与真实高分辨率图像间的映射关系。如:DONG等学者在文献《学习用于图像超分辨率的深度卷积网络》中以及LAI等学者在文献《基于深度拉普拉斯金字塔网络的快速精确图像超分》中提出的高分辨率图像重建方案。
虽然上述技术为高分辨率图像的重建任务提供了可行的解决方案,但仍然存在不足,如DONG等学者和LAI等学者所提方案的本质思想仍旧是研究低分辨率图像到高分辨率图像的单向映射关系,使得原始高分辨率图像难以被真实回溯。因此,在有限码率下,深入探究低分辨率图像与高分辨率图像的双向映射关系对于实现压缩重建一体化具有重要意义。
发明内容
本发明的目的在于提供一种面向高分辨率图像的高效压缩重建模型构建方法,以解决原始高分辨率图像在压缩重建过程中因信息缺失所引发的图像重建质量下降的技术问题,最终在有限码率下,实现高分辨率图像的高效压缩与重建,并在客观性能指标与主观视觉质量上证明了该方法的有效性。
本发明的发明思想为:本发明提供了一种面向高分辨率图像的高效压缩重建模型构建方法,首先研究低分辨率图像与高分辨率图像之间的双向映射关系,然后,制定空间分辨率和采样精度两个维度之间的通道信息交互机制,之后,针对像素层面和图像层面设计差异化损失函数,最后,根据上述步骤构建面向高分辨率图像的高效压缩重建模型。
为了实现上述发明目的,本发明采用的技术方案具体为:一种面向高分辨率图像的高效压缩重建模型构建方法,包括以下步骤:
1.1、对低分辨率图像与高分辨率图像之间的双向映射关系进行建模;
1.2、对反应图像质量的两个基本维度,空间分辨率和采样精度,进行通道信息交互;
1.3、从像素以及图像两个层面设计目标损失函数;
1.4、构建面向高分辨率图像的高效压缩重建模型。
进一步地,所述步骤1.1具体包括以下步骤:
2.1、对高分辨率图像到低分辨率图像的下采样过程进行建模,其公式为Ix=D(Iy;α),其中,D表示下采样映射函数,Iy是原高分辨率图像,Ix是压缩后的低分辨率图像,α代表下采样过程的参数;
2.2、对低分辨率图像到高分辨率图像的上采样过程进行建模,其公式为其中,U表示上采样映射函数,/>是重建出来的高分辨率图像,β代表上采样过程的参数。
进一步地,步骤1.2具体包括以下步骤:
3.1、记图像分辨率的特征图为Sc,w,h,图像采样精度的特征图为Hc,w,h,其中c为通道数,w和h分别为特征图的宽和高,将Sc,w,h和Hc,w,h进行横向级联,得到新的整合特征图N2c,w,h;
3.2、利用全局平均池化,对整合特征图进行特征压缩,得到通道数不变、宽与高变为1的包含通道信息的压缩特征图N2c,1,1;
3.3、利用多层卷积尺寸为1×1的卷积核对压缩特征进行非线性映射,实现模型对于特征的激励学习,获取包含更多信息的语义特征图M2c,1,1;
3.4、利用Sigmoid激活函数将获得的语义特征压缩至0和1之间,并将其作为权重赋予整合特征的每个通道,得到交互整合特征图M2c,w,h;
3.5、将交互整合特征图进行横向拆分,得到通道信息交互后的分辨率特征图S'c,w,h和采样精度特征图H'c,w,h。
进一步地,所述步骤1.3具体包括以下步骤:
4.1、步骤S1中,高分辨率图像到低分辨率图像的下采样过程更加关注压缩后低分辨率图像与真实低分辨率图像之间的像素差异,利用L1范数比较两幅图像在像素上的差异,其公式为其中Y表示真实值,f(x)表示模型预测值;
4.2、步骤S1中,低分辨率图像到高分辨率图像的上采样过程更加关注重建后高分辨率图像的质量,利用峰值信噪比比较两幅图像在画面品质上的差异,其公式为Limage=-10×log10((2n-1)2/MSE),其中MSE是原图像与处理后图像之间的均方误差。
进一步地,所述步骤1.4具体包括以下步骤:
5.1、使用双三次插值方法对原始高分辨率图像进行降质操作,得到插值生成的低分辨率图像;
5.2、通过下采样过程,压缩生成满足码率约束条件的待传输低分辨率图像;
5.3、通过上采样过程,重建生成高质量的高分辨率图像;
5.4、在模型的训练过程中,用插值生成的低分辨率图像监督下采样过程的训练,用原始高分辨率图像监督上采样过程的训练。
与现有技术相比,本发明的有益效果为:
(1)将一体化的压缩重建模型应用在高分辨率图像压缩重建领域,利用深度学习拟合低分辨率图像和高分辨率图像之间的双向映射关系,对原始高分辨率图像进行空间分辨率维度上的压缩重建,并取得了良好的效果;
(2)通过构建面向高分辨率图像的高效压缩重建模型,有效缓解了因缺失原始高分辨率图像信息所引发的图像重建质量下降的问题;
(3)通过与主流超分辨率方法相比较,重建后的图像质量PSNR和结构相似度SSIM均有不同程度上的提升,此增幅与深度学习方法相较于传统统计学习方法在图像重建质量上的增幅相当,证实了该方法在高分辨率图像压缩重建领域的应用潜力;
(4)通过在不同重建空间分辨率增益倍数下对被测模型进行重建,所述方法在客观性能指标与主观视觉质量上均有大幅度提升,进一步证明了所述方法的高分辨率图像压缩重建效果。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提供的一种面向高分辨率图像的高效压缩重建模型构建方法的流程图。
图2为本发明中空间分辨率和采样精度两个维度之间的通道信息交互示意图。
图3为本发明中构建的面向高分辨率图像的高效压缩重建模型示意图。
图4为本发明中在2倍空间分辨率增益下所提模型与对比方法在重建图像的峰值信噪比PSNR和结构相似度SSIM上的比较结果。
图5为本发明中在3倍空间分辨率增益下所提模型与对比方法在重建图像的峰值信噪比PSNR和结构相似度SSIM上的比较结果。
图6为本发明中在4倍空间分辨率增益下所提模型与对比方法在重建图像的峰值信噪比PSNR和结构相似度SSIM上的比较结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图4,本实施例提供其技术方案为,一种面向高分辨率图像的高效压缩重建模型构建方法,包括以下步骤:
1、对低分辨率图像与高分辨率图像之间的双向映射关系进行建模;
2、对反应图像质量的两个基本维度,空间分辨率和采样精度,进行通道信息交互;
3、从像素以及图像两个层面设计目标损失函数;
4、构建面向高分辨率图像的高效压缩重建模型。
具体地,步骤1中,对低分辨率图像与高分辨率图像之间的双向映射关系进行建模,包括下述步骤:
1)对高分辨率图像到低分辨率图像的下采样过程进行建模,其公式为Ix=D(Iy;α),其中,D表示下采样映射函数,Iy是原高分辨率图像,Ix是压缩后的低分辨率图像,α代表下采样过程的参数;;
2)对低分辨率图像到高分辨率图像的上采样过程进行建模,其公式为其中,U表示上采样映射函数,/>是重建出来的高分辨率图像,β代表上采样过程的参数。
具体地,步骤2中,参照图2,对反应图像质量的两个基本维度,空间分辨率和采样精度,进行通道信息交互,包括下述步骤:
1)记图像分辨率的特征图为Sc,w,h,图像采样精度的特征图为Hc,w,h,其中c为通道数,w和h分别为特征图的宽和高,将Sc,w,h和Hc,w,h进行横向级联,得到新的整合特征图N2c,w,h;
2)利用全局平均池化,对整合特征图进行特征压缩,得到通道数不变、宽与高变为1的包含通道信息的压缩特征图N2c,1,1;
3)利用多层卷积尺寸为1×1的卷积核对压缩特征进行非线性映射,实现模型对于特征的激励学习,获取包含更多信息的语义特征图M2c,1,1;
4)利用Sigmoid激活函数将获得的语义特征压缩至0和1之间,并将其作为权重赋予整合特征的每个通道,得到交互整合特征图M2c,w,h;
5)将交互整合特征图进行横向拆分,得到通道信息交互后的分辨率特征图S'c,w,h和采样精度特征图H'c,w,h。
具体地,步骤3中,从像素以及图像两个层面设计目标损失函数,包括下述步骤:
1)利用L1范数比较两幅图像在像素上的差异,其公式为其中Y表示真实值,f(x)表示模型预测值;
2)利用峰值信噪比比较两幅图像在画面品质上的差异,其公式为Limage=-10×log10((2n-1)2/MSE),其中MSE是原图像与处理后图像之间的均方误差。
具体地,步骤4中,参照图3,构建面向高分辨率图像的高效压缩重建模型,包括下述步骤:
1)使用双三次插值方法对原始高分辨率图像进行降质操作,得到插值生成的低分辨率图像;
2)通过下采样过程,压缩生成满足码率约束条件的待传输低分辨率图像;
3)通过上采样过程,重建生成高质量的高分辨率图像;
4)在模型的训练过程中,用插值生成的低分辨率图像监督下采样过程的训练,用原始高分辨率图像监督上采样过程的训练。
为了检验本实施例提出方法的性能,将本实施例的方法与传统的统计学习方法Bicubic和流行的深度学习模型EDSR进行了对比。采用衡量图像质量的两大客观指标,即峰值信噪比PSNR和结构相似度SSIM作为评价标准。实验数据集采用经典标准数据集DIV2K,该数据集包含1000张图像,平均分辨率为1972×1734,涵盖风景、动物、植物等多种类别,涉及不同纹理和光照的图像,能充分展现模型的包容性。
本实施例在2倍空间分辨率增益下的实验对比结果见图4。从客观性能指标峰值信噪比PSNR上来看,本实施例的方法的PSNR为39.70dB,优于对应的深度学习模型EDSR的35.03dB,以及统计学习代表方法的Bicubic的32.45dB。从客观性能指标结构相似度SSIM上来看,本实施例的方法的SSIM为0.9721,优于对应的深度学习模型EDSR的0.9695,以及统计学习代表方法的Bicubic的0.904。
实施例2在实施例1的基础上,本实施例在3倍空间分辨率增益下的实验对比结果见图5。从客观性能指标峰值信噪比PSNR上来看,本实施例的方法的PSNR为35.45dB,优于对应的深度学习模型EDSR的31.26dB,以及统计学习代表方法的Bicubic的29.66dB。从客观性能指标结构相似度SSIM上来看,本实施例的方法的SSIM为0.9533,优于对应的深度学习模型EDSR的0.9340,以及统计学习代表方法的Bicubic的0.831。
实施例3
在实施例1的基础上,本实施例在4倍空间分辨率增益下的实验对比结果见图6。从客观性能指标峰值信噪比PSNR上来看,本实施例的方法的PSNR为33.66dB,优于对应的深度学习模型EDSR的29.25dB,以及统计学习代表方法的Bicubic的28.11dB。从客观性能指标结构相似度SSIM上来看,本实施例的方法的SSIM为0.9397,优于对应的深度学习模型EDSR的0.9017,以及统计学习代表方法的Bicubic的0.775。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (5)
1.一种面向高分辨率图像的高效压缩重建模型构建方法,其特征在于,包括以下步骤:
S1、对低分辨率图像与高分辨率图像之间的双向映射关系进行建模;
S2、对反应图像质量的两个基本维度,空间分辨率和采样精度,进行通道信息交互;
S3、从像素以及图像两个层面设计目标损失函数;
S4、构建面向高分辨率图像的高效压缩重建模型。
2.根据权利要求1所述的面向高分辨率图像的高效压缩重建模型构建方法,其特征在于,所述步骤S1包括以下步骤:
S11、对高分辨率图像到低分辨率图像的下采样过程进行建模,其公式为Ix=D(Iy;α),其中,D表示下采样映射函数,Iy是原高分辨率图像,Ix是压缩后的低分辨率图像,α代表下采样过程的参数;
S12、对低分辨率图像到高分辨率图像的上采样过程进行建模,其公式为其中,U表示上采样映射函数,/>是重建出来的高分辨率图像,β代表上采样过程的参数。
3.根据权利要求1所述的面向高分辨率图像的高效压缩重建模型构建方法,其特征在于,所述步骤S2包括以下步骤:
S21、记图像分辨率的特征图为Sc,w,h,图像采样精度的特征图为Hc,w,h,其中c为通道数,w和h分别为特征图的宽和高,将Sc,w,h和Hc,w,h进行横向级联,得到新的整合特征图N2c,w,h;
S22、利用全局平均池化,对整合特征图进行特征压缩,得到通道数不变、宽与高变为1的包含通道信息的压缩特征图N2c,1,1;
S23、利用多层卷积尺寸为1×1的卷积核对压缩特征进行非线性映射,实现模型对于特征的激励学习,获取信息的语义特征图M2c,1,1;
S24、利用Sigmoid激活函数将获得的语义特征压缩至0和1之间,并将其作为权重赋予整合特征的每个通道,得到交互整合特征图M2c,w,h;
S25、将交互整合特征图进行横向拆分,得到通道信息交互后的分辨率特征图S'c,w,h和采样精度特征图H'c,w,h。
4.根据权利要求1所述的面向高分辨率图像的高效压缩重建模型构建方法,其特征在于,步骤S3包括以下步骤:
S31、步骤S1中,高分辨率图像到低分辨率图像的下采样过程关注压缩后低分辨率图像与真实低分辨率图像之间的像素差异,利用L1范数比较两幅图像在像素上的差异,其公式为其中Y表示真实值,f(x)表示模型预测值;
S32、步骤S1中,低分辨率图像到高分辨率图像的上采样过程关注重建后高分辨率图像的质量,利用峰值信噪比比较两幅图像在画面品质上的差异,其公式为Limage=-10×log10((2n-1)2/MSE),其中MSE是原图像与处理后图像之间的均方误差。
5.根据权利要求1所述的面向高分辨率图像的高效压缩重建模型构建方法,其特征在于,步骤S4包括以下步骤:
S41、使用双三次插值方法对原始高分辨率图像进行降质操作,得到插值生成的低分辨率图像;
S42、通过下采样过程,压缩生成满足码率约束条件的待传输低分辨率图像;
S43、通过上采样过程,重建生成高质量的高分辨率图像;
S44、在模型的训练过程中,用插值生成的低分辨率图像监督下采样过程的训练,用原始高分辨率图像监督上采样过程的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149651.2A CN117196947B (zh) | 2023-09-06 | 2023-09-06 | 一种面向高分辨率图像的高效压缩重建模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149651.2A CN117196947B (zh) | 2023-09-06 | 2023-09-06 | 一种面向高分辨率图像的高效压缩重建模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196947A true CN117196947A (zh) | 2023-12-08 |
CN117196947B CN117196947B (zh) | 2024-03-22 |
Family
ID=88991837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311149651.2A Active CN117196947B (zh) | 2023-09-06 | 2023-09-06 | 一种面向高分辨率图像的高效压缩重建模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196947B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070110191A (ko) * | 2006-05-10 | 2007-11-16 | 조장희 | 3d pet 이미지 재구성을 위한 대칭 및 simd 기반초고속 전진-후진 투영(ssp) 방법 및 그 장치 |
US20170003366A1 (en) * | 2014-01-23 | 2017-01-05 | The General Hospital Corporation | System and method for generating magnetic resonance imaging (mri) images using structures of the images |
WO2017219263A1 (zh) * | 2016-06-22 | 2017-12-28 | 中国科学院自动化研究所 | 基于双向递归卷积神经网络的图像超分辨率增强方法 |
CN109118432A (zh) * | 2018-09-26 | 2019-01-01 | 福建帝视信息科技有限公司 | 一种基于快速循环卷积网络的图像超分辨率重建方法 |
CN112785498A (zh) * | 2020-12-31 | 2021-05-11 | 达科为(深圳)医疗设备有限公司 | 一种基于深度学习的病理图像超分建模方法 |
CN113706386A (zh) * | 2021-09-04 | 2021-11-26 | 大连钜智信息科技有限公司 | 一种基于注意力机制的超分辨率重建方法 |
WO2022057837A1 (zh) * | 2020-09-16 | 2022-03-24 | 广州虎牙科技有限公司 | 图像处理和人像超分辨率重建及模型训练方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-06 CN CN202311149651.2A patent/CN117196947B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070110191A (ko) * | 2006-05-10 | 2007-11-16 | 조장희 | 3d pet 이미지 재구성을 위한 대칭 및 simd 기반초고속 전진-후진 투영(ssp) 방법 및 그 장치 |
US20170003366A1 (en) * | 2014-01-23 | 2017-01-05 | The General Hospital Corporation | System and method for generating magnetic resonance imaging (mri) images using structures of the images |
WO2017219263A1 (zh) * | 2016-06-22 | 2017-12-28 | 中国科学院自动化研究所 | 基于双向递归卷积神经网络的图像超分辨率增强方法 |
CN109118432A (zh) * | 2018-09-26 | 2019-01-01 | 福建帝视信息科技有限公司 | 一种基于快速循环卷积网络的图像超分辨率重建方法 |
WO2022057837A1 (zh) * | 2020-09-16 | 2022-03-24 | 广州虎牙科技有限公司 | 图像处理和人像超分辨率重建及模型训练方法、装置、电子设备及存储介质 |
CN112785498A (zh) * | 2020-12-31 | 2021-05-11 | 达科为(深圳)医疗设备有限公司 | 一种基于深度学习的病理图像超分建模方法 |
CN113706386A (zh) * | 2021-09-04 | 2021-11-26 | 大连钜智信息科技有限公司 | 一种基于注意力机制的超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
YUANYUAN GUO 等: "Edge-guided hyperspectral image compression with interactive dual attention", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 61, 31 December 2022 (2022-12-31), pages 1 - 17 * |
党闯: "基于深度学习的超分辨图像重建算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 5, 15 May 2021 (2021-05-15), pages 138 - 894 * |
李文静: "基于深度残差模型的单帧图像超分辨率方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2020 (2020-01-15), pages 138 - 1432 * |
Also Published As
Publication number | Publication date |
---|---|
CN117196947B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN110675321B (zh) | 一种基于渐进式的深度残差网络的超分辨率图像重建方法 | |
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 | |
CN109886871A (zh) | 基于通道注意力机制和多层特征融合的图像超分辨率方法 | |
CN111369466B (zh) | 基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 | |
CN103413286B (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 | |
CN111861884B (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN110288524B (zh) | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 | |
CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
CN112017116B (zh) | 基于非对称卷积的图像超分辨率重建网络及其构建方法 | |
CN116486074A (zh) | 一种基于局部和全局上下文信息编码的医学图像分割方法 | |
CN114841856A (zh) | 基于深度残差通道空间注意力的密集连接网络的图像超像素重建方法 | |
CN115018708A (zh) | 一种基于多尺度特征融合的机载遥感图像超分辨率重建方法 | |
CN111489305B (zh) | 基于强化学习的图像增强方法 | |
CN115984110A (zh) | 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法 | |
CN113902658A (zh) | 基于密集多尺度网络的rgb图像到高光谱图像重建方法 | |
CN116797462A (zh) | 基于深度学习的实时视频超分辨率重建方法 | |
CN109819256B (zh) | 基于特征感知的视频压缩感知方法 | |
CN117994132A (zh) | 基于U-Net特征提取的红外图像超分辨率重建方法 | |
CN110288529A (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
CN117196947B (zh) | 一种面向高分辨率图像的高效压缩重建模型构建方法 | |
CN114022356A (zh) | 基于小波域的河道流量水位遥感图像超分辨率方法与系统 | |
CN117455770A (zh) | 基于逐层上下文信息聚合网络的轻量级图像超分辨率方法 | |
CN113096015A (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN117132472A (zh) | 基于前向-反向可分离自注意力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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |