CN117455774A - 一种基于差分输出的图像重建方法及系统 - Google Patents
一种基于差分输出的图像重建方法及系统 Download PDFInfo
- Publication number
- CN117455774A CN117455774A CN202311551013.3A CN202311551013A CN117455774A CN 117455774 A CN117455774 A CN 117455774A CN 202311551013 A CN202311551013 A CN 202311551013A CN 117455774 A CN117455774 A CN 117455774A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- resolution
- network
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004913 activation Effects 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000003814 drug Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
Abstract
本发明公开了一种基于差分输出的图像重建方法及系统，首先输入低分辨率图像并进行预处理；然后将处理后的图像输入差模发生器获得差模信号(图像)；然后将差模信号(图像)输入生成对抗网络；最终差分输出去除共模噪声获得高分辨率图像；生成对抗网络包括生成网络模块、判断网络模块，该生成对抗网络是基于SRGAN的框架搭建；生成网络模块包括卷积网络层、上采样层、LeakyReLU激活函数层；判断网络模块包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层。本发明能够实现对低分辨率图像进行高分辨率重建去除重影等共模噪声，对于数字图像处理和军事图像处理具有重要意义。
Description
技术领域
本发明属于图像质量处理技术领域，设计一种高分辨率图像重建方法及系统，尤其涉及一种基于差分输出和生成对抗卷积神经网络的高分辨率图像重建方法及系统。
背景技术
图像作为视觉信息的来源，蕴含了大量的有价值信息，成为人们获取外界原始信息的主要途径。图像质量的好坏直接影响到人们的主观感受和信息量获取，因此，对图像信息进行合理处理成为各领域中不可或缺的手段[1-2]。
近年来，学者提出的网络模型SRGAN[3]和ESRGAN[4]及其改进版本Real-ESRGAN[5]都是在基于生成对抗网络(GAN)的基础上构建的。概括来讲，都是在有限训练集内，通过生成网络和判别网络的对抗学习，得到图像重建模型。
然而，从目前发表的文献来看，同样基于ESRGAN网络训练出的模型，在不同数据集下的性能表现良莠不齐。其中，大部分模型都出现了过拟合问题，导致图像出现重影，过度锐化，细节丢失等问题。数据集对于模型性能的影响太大。近年来，对于ESRGAN性能提升的研究主要集中在数据集的优化上，通过找到使模型稳定性更强，过拟合程度更低的数据集，提升模型性能。然而，图像的种类繁多，细节部分的差异更是失之毫厘，差之千里。有限数据集无法包含所有可能出现的失真图像，仅仅通过优化数据集并没有解决模型的本质问题。现有图像超分辨率重建算法在此问题上还存在不足，需要进一步加强算法优化和改进，以实现更准确和可靠的图像重建。
[1]Wang Z,Bovik AC,Sheikh H R,et al.Image quality assessment:fromerror visibility to structural similarity[J].IEEE transactions on imageprocessing,2004,13(4):600-612.
[2]Bovik A C.Automatic prediction of perceptual image and videoquality[J].Proceedings of the IEEE,2013,101(9):2008-2024.
[3]Ledig C,Theis L,Huszár F,et al.Photo-realistic single image super-resolution using a generative adversarial network[C]//Proceedings of the IEEEconference on computer vision and pattern recognition.2017:4681-4690.
[4]Wang X,Yu K,Wu S,et al.Esrgan:Enhanced super-resolution generativeadversarial networks[C]//Proceedings of the European conference on computervision(ECCV)workshops.2018:0-0.
[5]Wang X,Xie L,Dong C,et al.Real-esrgan:Training real-world blindsuper-resolution with pure synthetic data[C]//Proceedings of the IEEE/CVFinternational conference on computer vision.2021:1905-1914.
发明内容
为了解决现有技术图像重建方法出现的过拟合问题，以及较为依靠数据集的问题，本发明提出了一种基于差分输出和生成对抗卷积神经网络的图像重建方法及系统，可以应用于医学、军事等领域图像的重建。
本发明的方法所采用的技术方案是：一种基于差分输出的图像重建方法，包括以下步骤：
步骤S1，输入低分辨率图像并进行预处理；
步骤S2，将处理后的图像输入差模发生器获得差模信号；
步骤S3，将差模信号输入生成对抗网络，得到高分辨率重建差模图像；
所述生成对抗网络包括生成网络模块和判断网络模块，所述生成网络模块括卷积网络层、上采样层、LeakyReLU激活函数层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为RGB图像通道数；所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为判别的类别数；
步骤S4，对高分辨率重建差模图像去除共模噪声后，获得最终高分辨率图像。
进一步的，步骤S1中，对输入低分辨率图像进行图像归一化预处理。
进一步的，步骤S2中，所述差模发生器首先对预处理后的低分辨率图像进行差模化得到两个低分辨率图像，其中一个是原低分辨率图像，一个是负数低分辨率图像，用于输入生成对抗网络。
进一步的，所述生成网络模块的处理过程如下；
首先对输入的一组差模信号利用一个卷积核大小为9×9的卷积操作提取特征，然后利用16个3×3卷积块提取特征，所述3×3卷积块，包括两个3×3卷积和一个LeakyReLU激活函数，然后利用一个卷积核大小为3×3的卷积操作提取特征，然后利用一个基于插值算法的上采样层优化上层参数，然后利用一个卷积核大小为9×9的卷积操作提取特征，获得一组高分辨率重建差模图像，上述所有卷积步数均为1。
进一步的，所述判断网络模块的处理过程如下；
首先利用七个卷积核大小为3×3的卷积操作提取特征，然后利用全局平均池化得到特征图，然后利用两个1×1的卷积操作提取特征，最终归一化获得判断类别，上述卷积步数均为1。
进一步的，步骤S3中，对高分辨率重建差模图像进行差分输出从而去除共模噪声，所述差分输出表示高分辨率重建差模图像与差模输出的负数低分辨率图像相减。
进一步的，步骤S3中，所述生成对抗网络是训练好的生成对抗网络，训练过程包括以下子步骤：
步骤S31，使用含高低分辨率图像的DIV2K数据集；
步骤S32，对数据集进行预处理，将低分辨率图像输入差模发生器获得差模信号；
所述预处理，包括对输入图像的无重叠裁剪和归一化，所述无重叠裁剪是将图像均匀裁剪成若干大小为相同像素的小块，用以降低数据的复杂度，所述归一化利用最大最小值归一化使数据更加集中，然后将处理好的数据集划分为训练集和测试集；
步骤S33，将差模信号和对应高分辨率图像输入生成对抗网络中进行训练，通过反向传播算法不断优化模型参数，使其能够准确地重建高分辨率图像；
进一步的，步骤S33中，训练过程采用生成网络模块和判断网络模块联合训练，采用交叉熵损失，训练至生成对抗网络收敛，即训练损失曲线保持平稳不再下降，将判断网络模块判断失败概率最大的图像作为最终的重建结果。
本发明还提供一种基于差分输出的图像重建系统，包括以下单元：
预处理单元，用于输入低分辨率图像并进行预处理；
差模信号获取单元，用于将处理后的图像输入差模发生器获得差模信号；
生成对抗网络构建单元，用于将差模信号输入生成对抗网络，得到高分辨率重建差模图像；
所述生成对抗网络包括生成网络模块和判断网络模块，所述生成网络模块括卷积网络层、上采样层、LeakyReLU激活函数层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为RGB图像通道数；所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为判别的类别数；
输出单元，用于对高分辨率重建差模图像去除共模噪声后，获得最终高分辨率图像。
本发明还提供一种基于差分输出的图像重建设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的基于差分输出图像重建方法。
本发明采用差分输出与生成对抗卷积神经网络模型实现对低分辨率图像的重建。该技术结合了差分输出和深度学习算法，首先利用差模发生器获取图像的差模信号(图像)，这些图像包含了重影等共模噪声信息。然后使用生成对抗卷积神经网络模型对差模信号进行特征提取。最终使用差分输出，去除图像中重影等共模噪声信号，从而实现对低分辨率图像的重建。与传统的重建方法相比，本发明具有稳定性、独立性、快速高效等优点，能够大大提高图像重建的准确性和效率，为医学、军事等领域的图像处理方面提供有力的保障。
附图说明
下面使用实施例，以及具体实施方式作进一步说明本文的技术方案。另外，在说明技术方案的过程中，也使用了一些附图。对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图以及本发明的意图。
图1为本发明实施例的方法流程图；
图2为本发明实施例的生成卷积神经网络结构图；
图3为本发明实施例的生成卷积神经网络训练流程图；
图4为本发明实施例的生成卷积神经网络的生成对抗卷积神经网络结构图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本实施例以给定的待测图像数据集为例，对本发明做进一步的阐述。请见图1，本实施例提供的一种基于差分输出和生成对抗卷积神经网络的图像重建方法，包括以下步骤：
步骤S1：将给定待测数据集中的低分辨率图像进行预处理；
在一种实施方式中，图像预处理包括图像归一化，所述归一化利用最大最小值归一化使数据更加集中。
步骤S2：将处理后的图像输入差模发生器获得差模信号；
在一种实施方式中，所述差模发生器，首先对预处理后的低分辨率图像进行取反运算得到两个低分辨率图像，其中一个是原低分辨率图像，一个是负数低分辨率图像，用于输入生成网络。
步骤S3：将差模信号(图像)输入生成对抗网络；
请见图2，所述生成对抗网络，包括生成网络模块、判断网络模块，该生成对抗网络是基于SRGAN的框架搭建；所述生成网络模块，包括卷积网络层、上采样层、LeakyReLU激活函数层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为RGB图像通道数；所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为判别的类别数。
在一种实施方式中，所述生成网络模块，包括卷积网络层、上采样层、LeakyReLU激活函数层，首先对输入的一组差模信号利用一个卷积核大小为9×9的卷积操作提取特征，然后利用16个3×3卷积块提取特征，所述3×3卷积块，包括两个3×3卷积和一个LeakyReLU激活函数，然后利用一个卷积核大小为3×3的卷积操作提取特征，然后利用一个基于插值算法的上采样层优化上层参数，然后利用一个卷积核大小为9×9的卷积操作提取特征，获得一组高分辨率重建差模图像，上述所有卷积步数均为1。
请见图3，在一种实施方式中，所述生成对抗网络，是训练好的生成对抗网络；训练过程包括以下子步骤：
步骤S31：使用含高低分辨率图像的DIV2K数据集；
在一种实施方式中，所述DIV2K数据集深度学习常用的超分重建图像数据集，使用该数据集是其常被引用具备代表性。
步骤S32：对数据集进行预处理，将低分辨率图像输入差模发生器获得差模信号(图像)；
在一种实施方式中，所述差模发生器，首先对预处理后的低分辨率图像进行取反运算得到两个低分辨率图像，其中一个是原低分辨率图像，一个是负数低分辨率图像。
步骤S33：将差模信号(图像)和对应高分辨率图像输入生成对抗网络中进行训练，通过反向传播算法不断优化模型参数，使其能够准确地重建高分辨率图像；
在一种实施方式中，训练过程采用生成网络和判断网络联合训练，采用交叉熵损失，训练至网络收敛，即训练损失曲线保持平稳不再下降。将判断网络判断失败概率最大的图像作为最终的重建结果。
请见图4，所述生成对抗网络，与步骤S3中所述生成网络模块结构相同。所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，首先利用七个卷积核大小为3×3的卷积操作提取特征，然后利用全局平均池化得到特征图，然后利用两个1×1的卷积操作提取特征，最终归一化获得判断类别。上述卷积步数均为1。所述差分输出，是将所得正信号(图像矩阵)与负信号(图像矩阵)相减从而去除重影等共模噪声。
步骤S4：差分输出去除共模噪声获得高分辨率图像；
在一种实施方式中，所述差分输出，是将通过训练好的生成卷积神经网络的正信号(图像)与负信号(图像)相减从而去除重影等共模噪声，获得重建后的高分辨率图像。
本发明实施例还提供一种基于差分输出的图像重建系统，包括以下单元：
预处理单元，用于输入低分辨率图像并进行预处理；
差模信号获取单元，用于将处理后的图像输入差模发生器获得差模信号；
生成对抗网络构建单元，用于将差模信号输入生成对抗网络，得到高分辨率重建差模图像；
所述生成对抗网络包括生成网络模块和判断网络模块，所述生成网络模块括卷积网络层、上采样层、LeakyReLU激活函数层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为RGB图像通道数；所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为判别的类别数；
输出单元，用于对高分辨率重建差模图像去除共模噪声后，获得最终高分辨率图像。
各单元的具体实现方式与各步骤相同，本发明不予撰述。
本发明还提供一种基于差分输出的图像重建设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述的基于差分输出的图像重建方法。
本发明能够实现对低分辨率图像的有效高分辨率重建，具有稳定性、独立性、快速高效等优点，能够大大提高图像重建的准确性和效率，也可广泛应用于医学、军事等领域的图像处理方面，具有很好的推广应用前景。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于差分输出的图像重建方法，其特征在于，包括以下步骤：
步骤S1，输入低分辨率图像并进行预处理；
步骤S2，将处理后的图像输入差模发生器获得差模信号；
步骤S3，将差模信号输入生成对抗网络，得到高分辨率重建差模图像；
所述生成对抗网络包括生成网络模块和判断网络模块，所述生成网络模块括卷积网络层、上采样层、LeakyReLU激活函数层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为RGB图像通道数；所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为判别的类别数；
步骤S4，对高分辨率重建差模图像去除共模噪声后，获得最终高分辨率图像。
2.根据权利要求1所述的一种基于差分输出的图像重建方法，其特征在于：步骤S1中，对输入低分辨率图像进行图像归一化预处理。
3.根据权利要求1所述的一种基于差分输出的图像重建方法，其特征在于：步骤S2中，所述差模发生器首先对预处理后的低分辨率图像进行差模化得到两个低分辨率图像，其中一个是原低分辨率图像，一个是负数低分辨率图像，用于输入生成对抗网络。
4.根据权利要求1所述的一种基于差分输出的图像重建方法，其特征在于：所述生成网络模块的处理过程如下；
首先对输入的一组差模信号利用一个卷积核大小为9×9的卷积操作提取特征，然后利用16个3×3卷积块提取特征，所述3×3卷积块，包括两个3×3卷积和一个LeakyReLU激活函数，然后利用一个卷积核大小为3×3的卷积操作提取特征，然后利用一个基于插值算法的上采样层优化上层参数，然后利用一个卷积核大小为9×9的卷积操作提取特征，获得一组高分辨率重建差模图像，上述所有卷积步数均为1。
5.根据权利要求1所述的一种基于差分输出的图像重建方法，其特征在于：所述判断网络模块的处理过程如下；
首先利用七个卷积核大小为3×3的卷积操作提取特征，然后利用全局平均池化得到特征图，然后利用两个1×1的卷积操作提取特征，最终归一化获得判断类别，上述卷积步数均为1。
6.根据权利要求1所述的一种基于差分输出的图像重建方法，其特征在于：步骤S3中，对高分辨率重建差模图像进行差分输出从而去除共模噪声，所述差分输出表示高分辨率重建差模图像与差模输出的负数低分辨率图像相减。
7.根据权利要求1所述的一种基于差分输出的图像重建方法，其特征在于：步骤S3中，所述生成对抗网络是训练好的生成对抗网络，训练过程包括以下子步骤：
步骤S31，使用含高低分辨率图像的DIV2K数据集；
步骤S32，对数据集进行预处理，将低分辨率图像输入差模发生器获得差模信号；
所述预处理，包括对输入图像的无重叠裁剪和归一化，所述无重叠裁剪是将图像均匀裁剪成若干大小为相同像素的小块，用以降低数据的复杂度，所述归一化利用最大最小值归一化使数据更加集中，然后将处理好的数据集划分为训练集和测试集；
步骤S33，将差模信号和对应高分辨率图像输入生成对抗网络中进行训练，通过反向传播算法不断优化模型参数，使其能够准确地重建高分辨率图像。
8.根据权利要求7所述的一种基于差分输出的图像重建方法，其特征在于：步骤S33中，训练过程采用生成网络模块和判断网络模块联合训练，采用交叉熵损失，训练至生成对抗网络收敛，即训练损失曲线保持平稳不再下降，将判断网络模块判断失败概率最大的图像作为最终的重建结果。
9.一种基于差分输出的图像重建系统，其特征在于，包括以下单元：
预处理单元，用于输入低分辨率图像并进行预处理；
差模信号获取单元，用于将处理后的图像输入差模发生器获得差模信号；
生成对抗网络构建单元，用于将差模信号输入生成对抗网络，得到高分辨率重建差模图像；
所述生成对抗网络包括生成网络模块和判断网络模块，所述生成网络模块括卷积网络层、上采样层、LeakyReLU激活函数层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为RGB图像通道数；所述判断网络模块，包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层，其中卷积网络层的输入通道数为输入RGB图像通道数，输出通道数为判别的类别数；
输出单元，用于对高分辨率重建差模图像去除共模噪声后，获得最终高分辨率图像。
10.一种基于差分输出的图像重建设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的一种基于差分输出的图像重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551013.3A CN117455774B (zh) | 2023-11-17 | 一种基于差分输出的图像重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551013.3A CN117455774B (zh) | 2023-11-17 | 一种基于差分输出的图像重建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455774A true CN117455774A (zh) | 2024-01-26 |
| CN117455774B CN117455774B (zh) | 2024-05-14 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018205676A1 (zh) * | 2017-05-08 | 2018-11-15 | 京东方科技集团股份有限公司 | 用于卷积神经网络的处理方法和系统、和存储介质 |
| CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
| CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
| US20220206130A1 (en) * | 2020-12-31 | 2022-06-30 | Volvo Car Corporation | System and method for ultrasonic signal noise removal using a deep neural network |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| CN115601282A (zh) * | 2022-11-10 | 2023-01-13 | 江苏海洋大学（Cn） | 基于多判别器生成对抗网络的红外与可见光图像融合方法 |
| US20230109379A1 (en) * | 2021-10-05 | 2023-04-06 | Nvidia Corporation | Diffusion-based generative modeling for synthetic data generation systems and applications |
| CN116402691A (zh) * | 2023-06-05 | 2023-07-07 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和系统 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018205676A1 (zh) * | 2017-05-08 | 2018-11-15 | 京东方科技集团股份有限公司 | 用于卷积神经网络的处理方法和系统、和存储介质 |
| CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
| CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
| US20220206130A1 (en) * | 2020-12-31 | 2022-06-30 | Volvo Car Corporation | System and method for ultrasonic signal noise removal using a deep neural network |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| US20230109379A1 (en) * | 2021-10-05 | 2023-04-06 | Nvidia Corporation | Diffusion-based generative modeling for synthetic data generation systems and applications |
| CN115601282A (zh) * | 2022-11-10 | 2023-01-13 | 江苏海洋大学（Cn） | 基于多判别器生成对抗网络的红外与可见光图像融合方法 |
| CN116402691A (zh) * | 2023-06-05 | 2023-07-07 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| GUANGYI YANG: "No-Reference Quality Assessment of Noise-Distorted Images Based on Frequency Mapping", 《IEEE ACCESS》, vol. 5, 18 October 2017 (2017-10-18), pages 23146 * |
| HAORUI SONG: "Editing Out-of-domain GAN Inversion via Diff erential Activations", 《ARXIV》, 17 July 2022 (2022-07-17), pages 1 - 17 * |
| 胡雪影;郭海儒;朱蓉;: "基于混合深度卷积网络的图像超分辨率重建", 计算机应用, no. 07, 31 December 2020 (2020-12-31), pages 213 - 220 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN109816593B (zh) | 一种基于注意力机制的生成对抗网络的超分辨率图像重建方法 | |
| CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
| CN110544205B (zh) | 基于可见光与红外交叉输入的图像超分辨率重建方法 | |
| CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
| CN111062329B (zh) | 基于增广网络的无监督行人重识别方法 | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
| CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
| CN113191969A (zh) | 一种基于注意力对抗生成网络的无监督图像除雨方法 | |
| CN110992295B (zh) | 基于小波-red卷积神经网络的低剂量ct重建方法 | |
| CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
| CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
| CN110288529B (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 | |
| Cherian et al. | A Novel AlphaSRGAN for Underwater Image Super Resolution. | |
| CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN117455774B (zh) | 一种基于差分输出的图像重建方法及系统 | |
| CN113409321B (zh) | 一种基于像素分类和距离回归的细胞核图像分割方法 | |
| CN117455774A (zh) | 一种基于差分输出的图像重建方法及系统 | |
| CN116362995A (zh) | 一种基于标准先验的牙齿图像修复方法和系统 | |
| Zhuge et al. | Single image denoising with a feature-enhanced network | |
| Yu et al. | FS-GAN: Fuzzy Self-guided structure retention generative adversarial network for medical image enhancement | |
| Park et al. | Image super-resolution using dilated window transformer | |
| CN114758133A (zh) | 基于超像素主动学习和半监督学习策略的图像瑕疵分割方法 |
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 |