JP5937661B2 - 情報予測システム、情報予測方法及び情報予測プログラム - Google Patents
情報予測システム、情報予測方法及び情報予測プログラム Download PDFInfo
- Publication number
- JP5937661B2 JP5937661B2 JP2014231089A JP2014231089A JP5937661B2 JP 5937661 B2 JP5937661 B2 JP 5937661B2 JP 2014231089 A JP2014231089 A JP 2014231089A JP 2014231089 A JP2014231089 A JP 2014231089A JP 5937661 B2 JP5937661 B2 JP 5937661B2
- Authority
- JP
- Japan
- Prior art keywords
- vector
- feature vector
- principal component
- learning
- feature
- 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 description 108
- 239000013598 vector Substances 0.000 claims description 235
- 238000012545 processing Methods 0.000 claims description 130
- 230000008569 process Effects 0.000 claims description 80
- 238000000513 principal component analysis Methods 0.000 claims description 34
- 238000012805 post-processing Methods 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 16
- 238000010168 coupling process Methods 0.000 claims description 16
- 238000005859 coupling reaction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 11
- 238000010606 normalization Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000004547 Hallucinations Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Television Systems (AREA)
- Editing Of Facsimile Originals (AREA)
Description
本発明は、上記問題点を解決するためになされたものであり、第1の情報に基づいて、第2の情報を効率的に予測するための情報予測システム、情報予測方法及び情報予測プログラムを提供することにある。
図1に示すように、本実施形態では、画像処理システム20を用いる。この画像処理システム20には、入力部10、出力部15が接続されている。入力部10は、キーボードやポインティングデバイスにより構成され、担当者によって入力された情報を取得する。出力部15は、ディスプレイにより構成され、各種情報の出力を行なう。
超解像部215は、処理対象画像(入力画像)の解像度を上げる超解像処理を実行する。超解像部215は、処理対象画像及び計算途中の画像を記憶するメモリを備えている。
第2予測部217は、主成分ベクトルが直交化されていない場合に、高解像パッチの最適解を検索する処理を実行する。第2予測部217は、主成分係数の最適解の検索時に微小移動させる振れ幅に関するデータを保持している。
顔画像記憶部22には、学習に用いる顔画像(学習対象)に関する学習用画像データが記録されている。この学習画像データは、超解像処理のための学習に用いるデータが登録された場合に記録される。この顔画像データには、データ番号に関連付けられて、複数の顔画像が記録されている。
(学習処理)
まず、図2を用いて、学習処理を説明する。この学習処理は、第1の学習処理と第2の学習処理とを含む。第1の学習処理においては、サイズや顔パーツの位置を合わせるように正規化した高解像と低解像との顔画像のペアを生成する。第2の学習処理においては、高解像と低解像との顔画像のペアを、それぞれ所定形状(例えば、四角形)の要素(パッチ)に分割する。そして、パッチ単位で「低解像、高解像」の関係を、主成分分析によりカップリング学習する。
まず、図2(a)を用いて、第1の学習処理を説明する。
ここでは、画像処理システム20の制御部21は、顔画像記憶部22に記録された顔画像データにおいて、順次、処理対象のデータを特定し、以下の処理を繰り返す。
以上、顔画像記憶部22に記録されたすべての顔画像データについて終了するまで繰り返す。
次に、図2(b)を用いて、第2の学習処理を説明する。
ここでは、顔画像記憶部22に記録された顔画像データにおいて、順次、処理対象のデータを特定し、以下の処理を繰り返す。
ここでは、画像処理システム20の制御部21は、行列の作成処理を実行する(ステップS2−4)。具体的には、制御部21の学習部210は、処理対象のパッチについて、2次元パッチデータを生成する。ここでは、処理対象パッチにおけるRGB値を画素毎に並べた2次元パッチデータを生成する。そして、学習部210は、生成した2次元パッチデータを1次元行パッチベクトル(pij)に変換する。ここで、「i」はパッチ位置、「j」は顔画像データを特定する変数である。そして、学習部210は、1次元行パッチベクトル(pij)を行列Diに格納する。
以上を、すべての顔画像データについての処理を終了するまで繰り返す。
そして、すべての解像度(低解像画像、高解像画像)についての処理を終了するまで繰り返す。
次に、図3を用いて、特徴量抽出処理(ステップS2−2)を説明する。
まず、画像処理システム20の制御部21は、元画像の縮小処理を実行する(ステップS3−1)。具体的には、制御部21の特徴画像抽出部21dは、処理対象の顔画像を圧縮してサイズの縮小化を行なう。これにより、顔画像の高周波成分が切り捨てられる。
次に、図4を用いて、カップリング学習処理を説明する。ここでは、低解像パッチの主成分係数と、高解像パッチの主成分係数を結合して一つの行ベクトル(1次元ベクトル)を生成する。そして、行列に格納し、再度、主成分分析を行なう。低解像パッチの情報と高解像パッチの情報を結合して主成分分析することで、低解像パッチと高解像パッチの関係を学習する。
次に、画像処理システム20の制御部21は、行列の生成処理を実行する(ステップS4−2)。具体的には、制御部21の学習部210は、1次元行パッチベクトルPijを用いて、結合パッチベクトルのデータ行列Dmiを生成する。このデータ行列Dmiは、以下のように表現できる。
次に、図5〜図9を用いて、超解像処理を説明する。
まず、図5を用いて、超解像処理の概要を説明する。
まず、画像処理システム20の制御部21は、顔画像入力処理を実行する(ステップS5−1)。具体的には、制御部21の超解像部215は、入力部10によって指定された入力画像を取得する。
ここでは、画像処理システム20の制御部21は、超解像パッチの予測処理を実行する(ステップS5−7)。具体的には、制御部21の超解像部215は、超解像パッチについて、第1予測処理又は第2の予測処理を行なう。ここでは、主成分ベクトルが直交化されている場合には、第1予測処理を行ない、主成分ベクトルが直交化されていない場合には、第2の予測処理を行なう。この処理の詳細は後述する。
以上、処理対象画像のすべてのパッチの処理を終了するまで繰り返す。
図7を用いて、超解像パッチについて、第1の予測処理を説明する。この処理は、主成分ベクトルが直交化されており、より高速に処理したい場合に行なわれる。
図8を用いて、超解像パッチについて、第2の予測処理を説明する。この処理は、主成分ベクトルが直交化されていない場合や、nmax(l,i)以上の主成分ベクトルを考慮したい場合に行なわれる。
次に、画像処理システム20の制御部21は、繰り返し終了かどうかについての判定処理を実行する(ステップS7−5)。具体的には、制御部21の第2予測部217は、差分が最小値となった場合、繰り返し終了と判定する。
図9を用いて、ポスト処理を説明する。ここでは、IBP(iterative back projection)法を用いることにより、算出した超解像を入力画像のサイズに縮小した場合の画像と、入力画像との誤差を小さくする。
(1)本実施形態では、低解像画像と高解像画像とを用いて、主成分分析によるカップリング学習を行なう。低解像と高解像との関係を、主成分係数毎に独立に回帰分析により学習した場合には、精度のよい主成分係数と悪い主成分係数とが混在してしまうため、全体的な精度に課題が生じる場合がある。一方、本実施形態では、係数ベクトル単位で学習するため、主成分係数全体の精度が一致し、全体的な精度の向上を図ることができる。
図12に示すように、スケーリングファクターを用いない従来法では、超解像画像の劣化が生じているが、本実施形態では、良好な超解像を実現できている。
図14に示すように、ブロックノイズが生じた場合にも、ポスト処理により、影響を小さくすることができる。
・上記実施形態では、第1の特徴ベクトルとして低解像ベクトル、第2の特徴ベクトルとして高解像ベクトルを用いて、顔画像の超解像を行なう。超解像処理の対象は、顔画像に限定されるものではなく、形状にパターンを有する対象物を高画質に変換する超解像に適用することができる。この場合には、特定のパターンを有する低解像画像と高解像画像とを用いて、学習処理を行なう。
2次元画像のセグメンテーションにおいては、第1の特徴ベクトルとして対象2次元画像、第2の特徴ベクトルとして対象画像のセグメンテーションを用いる。
3次元画像のセグメンテーションにおいては、第1の特徴ベクトルとして対象3次元画像、第2の特徴ベクトルとして対象画像のセグメンテーションを用いる。
例えば、画像のボケ・ブレ除去においては、第1特徴ベクトルとして「ブレ・ボケを含む画像ベクトル」、第2特徴ベクトルとして「ブレ・ボケを除去した画像ベクトル」を用いる。
例えば、音声の高音質化においては、第1特徴ベクトルとして「低音質の音信号」、第2特徴ベクトルとして「高音質の音信号」を用いる。ここでは、音信号の信号そのもの、或いは高周波成分を要素とするベクトルを用いる。
・上記実施形態では、スケーリングファクターSinには、i番目の低解像パッチベクトルのn番目の主成分係数Cijnの標準偏差を用いる。スケーリングファクターSinは標準偏差に限定されるものではなく、主成分係数Cijnのばらつきを表わす指標を用いることが可能である。
Claims (6)
- 学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備えた情報予測システムであって、
前記制御部が、
前記学習対象記憶部に記録された学習対象毎に、第1の特徴ベクトル及び第2の特徴ベクトルを算出し、
前記第1の特徴ベクトルから、前記第1の特徴ベクトルの平均値を減算して生成された値を、前記第1の特徴ベクトルのばらつきを表わす指標で除算した第1の行ベクトルを生成するとともに、前記第2の特徴ベクトルから前記第2の特徴ベクトルの平均値を減算して生成された値を、前記第2の特徴ベクトルのばらつきを表わす指標で除算した第2の行ベクトルを生成し、前記第1の行ベクトルと前記第2の行ベクトルとを結合することにより結合行ベクトルを生成し、
すべての学習対象の前記結合行ベクトルを用いて、主成分分析を行なうことにより、結合主成分基底ベクトルを生成し、前記結合行ベクトルの平均ベクトルとともに前記学習結果記憶部に記録する学習処理と、
前記入力部により指定された処理対象の第1の特徴ベクトルを算出し、前記第1の特徴ベクトルの主成分係数を算出し、この主成分係数と、前記学習結果記憶部に記録された前記結合行ベクトルの平均ベクトル及び前記結合主成分基底ベクトルを用いて、処理対象の第2の特徴ベクトルを算出する予測処理と
を実行することを特徴とする情報予測システム。 - 前記結合主成分基底ベクトルと前記第1の特徴ベクトルの成分とを直交化して、前記学習結果記憶部に記録することを特徴とする請求項1に記載の情報予測システム。
- 算出した第2の特徴ベクトルを圧縮して、前記処理対象との差分を比較し、
前記差分が基準値より大きい場合には、前記差分を拡大して、前記第2の特徴ベクトルから差し引くポスト処理を実行することを特徴とする請求項1又は2に記載の情報予測システム。 - 前記第1、第2の特徴ベクトルのばらつきを表わす指標として、それぞれ前記第1、第2の特徴ベクトルの主成分係数の標準偏差を用いることを特徴とする請求項1〜3のいずれか一項に記載の情報予測システム。
- 学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備えた情報予測システムを用いて、情報予測を行なう方法であって、
前記制御部が、
前記学習対象記憶部に記録された学習対象毎に、第1の特徴ベクトル及び第2の特徴ベクトルを算出し、
前記第1の特徴ベクトルから、前記第1の特徴ベクトルの平均値を減算して生成された値を、前記第1の特徴ベクトルのばらつきを表わす指標で除算した第1の行ベクトルを生成するとともに、前記第2の特徴ベクトルから前記第2の特徴ベクトルの平均値を減算して生成された値を、前記第2の特徴ベクトルのばらつきを表わす指標で除算した第2の行ベクトルを生成し、前記第1の行ベクトルと前記第2の行ベクトルとを結合することにより結合行ベクトルを生成し、
すべての学習対象の前記結合行ベクトルを用いて、主成分分析を行なうことにより、結合主成分基底ベクトルを生成し、前記結合行ベクトルの平均ベクトルとともに前記学習結果記憶部に記録する学習処理と、
前記入力部により指定された処理対象の第1の特徴ベクトルを算出し、前記第1の特徴ベクトルの主成分係数を算出し、この主成分係数と、前記学習結果記憶部に記録された前記結合行ベクトルの平均ベクトル及び前記結合主成分基底ベクトルを用いて、処理対象の第2の特徴ベクトルを算出する予測処理と
を実行すること特徴とする情報予測方法。 - 学習対象を記録する学習対象記憶部と、学習結果を記録する学習結果記憶部と、入力部に接続された制御部とを備えた情報予測システムを用いて、情報予測を行なうプログラムであって、
前記制御部を、
前記学習対象記憶部に記録された学習対象毎に、第1の特徴ベクトル及び第2の特徴ベクトルを算出し、
前記第1の特徴ベクトルから、前記第1の特徴ベクトルの平均値を減算して生成された値を、前記第1の特徴ベクトルのばらつきを表わす指標で除算した第1の行ベクトルを生成するとともに、前記第2の特徴ベクトルから前記第2の特徴ベクトルの平均値を減算して生成された値を、前記第2の特徴ベクトルのばらつきを表わす指標で除算した第2の行ベクトルを生成し、前記第1の行ベクトルと前記第2の行ベクトルとを結合することにより結合行ベクトルを生成し、
すべての学習対象の前記結合行ベクトルを用いて、主成分分析を行なうことにより、結合主成分基底ベクトルを生成し、前記結合行ベクトルの平均ベクトルとともに前記学習結果記憶部に記録する学習処理と、
前記入力部により指定された処理対象の第1の特徴ベクトルを算出し、前記第1の特徴ベクトルの主成分係数を算出し、この主成分係数と、前記学習結果記憶部に記録された前記結合行ベクトルの平均ベクトル及び前記結合主成分基底ベクトルを用いて、処理対象の第2の特徴ベクトルを算出する予測処理と
を実行する手段として機能させることを特徴とする情報予測プログラム。
Priority Applications (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014231089A JP5937661B2 (ja) | 2014-11-13 | 2014-11-13 | 情報予測システム、情報予測方法及び情報予測プログラム |
PCT/JP2015/077529 WO2016076026A1 (ja) | 2014-11-13 | 2015-09-29 | 情報を予測するためのシステム、方法及びプログラム |
EP22164213.5A EP4044074A1 (en) | 2014-11-13 | 2015-09-29 | System, method, and program for predicting information |
CN202110096589.XA CN112884646A (zh) | 2014-11-13 | 2015-09-29 | 图像处理系统、图像处理方法以及介质 |
EP15859531.4A EP3220315B1 (en) | 2014-11-13 | 2015-09-29 | System, method, and program for predicting information |
CN201580060882.3A CN107111786B (zh) | 2014-11-13 | 2015-09-29 | 用于预测信息的系统、方法 |
KR1020197022923A KR102178654B1 (ko) | 2014-11-13 | 2015-09-29 | 정보 예측을 위한 시스템, 방법 및 프로그램 |
KR1020177012544A KR102010161B1 (ko) | 2014-11-13 | 2015-09-29 | 정보를 예측하기 위한 시스템, 방법 및 프로그램 |
US15/524,744 US11144837B2 (en) | 2014-11-13 | 2015-09-29 | System, method, and program for predicting information |
US17/482,200 US20220012612A1 (en) | 2014-11-13 | 2021-09-22 | System, method, and program for predicting information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014231089A JP5937661B2 (ja) | 2014-11-13 | 2014-11-13 | 情報予測システム、情報予測方法及び情報予測プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016099737A Division JP6450710B2 (ja) | 2016-05-18 | 2016-05-18 | 情報予測システム、情報予測方法及び情報予測プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016095651A JP2016095651A (ja) | 2016-05-26 |
JP5937661B2 true JP5937661B2 (ja) | 2016-06-22 |
Family
ID=55954119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014231089A Active JP5937661B2 (ja) | 2014-11-13 | 2014-11-13 | 情報予測システム、情報予測方法及び情報予測プログラム |
Country Status (6)
Country | Link |
---|---|
US (2) | US11144837B2 (ja) |
EP (2) | EP3220315B1 (ja) |
JP (1) | JP5937661B2 (ja) |
KR (2) | KR102010161B1 (ja) |
CN (2) | CN112884646A (ja) |
WO (1) | WO2016076026A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201604345D0 (en) * | 2016-03-14 | 2016-04-27 | Magic Pony Technology Ltd | Super resolution using fidelity transfer |
WO2018212599A1 (en) | 2017-05-17 | 2018-11-22 | Samsung Electronics Co., Ltd. | Super-resolution processing method for moving image and image processing apparatus therefor |
JP6635476B2 (ja) * | 2017-08-09 | 2020-01-29 | 学校法人東京女子医科大学 | 線量分布予測システム、線量分布予測方法及び線量分布予測プログラム |
US10169852B1 (en) | 2018-07-03 | 2019-01-01 | Nanotronics Imaging, Inc. | Systems, devices, and methods for providing feedback on and improving the accuracy of super-resolution imaging |
JP6751540B1 (ja) * | 2019-05-31 | 2020-09-09 | みずほ情報総研株式会社 | 形状予測システム、形状予測方法及び形状予測プログラム |
CN110673146B (zh) * | 2019-10-12 | 2021-12-07 | 上海眼控科技股份有限公司 | 气象预测图检测方法、装置、计算机设备和可读存储介质 |
US20230022057A1 (en) * | 2021-07-16 | 2023-01-26 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method for retrieving images from database |
WO2023037494A1 (ja) * | 2021-09-10 | 2023-03-16 | 日本電気株式会社 | モデル訓練装置、制御方法、及び非一時的なコンピュータ可読媒体 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293912A (ja) * | 2004-06-09 | 2007-11-08 | Matsushita Electric Ind Co Ltd | 画像処理方法および画像処理装置 |
JP2007157000A (ja) | 2005-12-07 | 2007-06-21 | Sony Corp | 学習装置及び学習方法、並びにコンピュータ・プログラム |
CN101356546B (zh) | 2006-05-29 | 2011-10-12 | 松下电器产业株式会社 | 图像高分辨率化装置、方法及系统 |
JP2008091979A (ja) * | 2006-09-29 | 2008-04-17 | Hitachi Ltd | 画像高画質化装置、及びその方法、並びに画像表示装置 |
CN101216889A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种融合全局特征与局部细节信息的人脸图像超分辨率方法 |
WO2009125578A1 (ja) * | 2008-04-07 | 2009-10-15 | 富士フイルム株式会社 | 画像処理システム、画像処理方法、およびコンピュータ読取可能な媒体 |
JP5178662B2 (ja) * | 2009-07-31 | 2013-04-10 | 富士フイルム株式会社 | 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム |
TWI419059B (zh) * | 2010-06-14 | 2013-12-11 | Ind Tech Res Inst | 以樣本為基礎之人臉超解析度方法與系統 |
JP5769241B2 (ja) | 2011-07-15 | 2015-08-26 | 国立大学法人 筑波大学 | 超解像画像処理装置及び超解像画像処理用辞書作成装置 |
US8948502B2 (en) | 2011-10-28 | 2015-02-03 | Panasonic Intellectual Property Corporation Of America | Image processing method, and image processor |
US9448636B2 (en) * | 2012-04-18 | 2016-09-20 | Arb Labs Inc. | Identifying gestures using gesture data compressed by PCA, principal joint variable analysis, and compressed feature matrices |
KR101382892B1 (ko) | 2012-10-08 | 2014-04-08 | 재단법인대구경북과학기술원 | 저해상도 영상 얼굴 인식 방법 및 저해상도 영상 얼굴 인식 장치 |
WO2014081419A2 (en) * | 2012-11-20 | 2014-05-30 | The Board Of Trustees Of The Leland Stanford Junior University | High resolution imaging using near-infrared-ii fluorescence |
CN102968766B (zh) * | 2012-11-23 | 2015-04-08 | 上海交通大学 | 基于字典数据库的自适应图像超分辨率重构方法 |
CN103413286B (zh) * | 2013-08-02 | 2017-05-03 | 北京工业大学 | 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 |
GB2518663A (en) * | 2013-09-27 | 2015-04-01 | Nokia Corp | Audio analysis apparatus |
CN103489174B (zh) * | 2013-10-08 | 2016-06-29 | 武汉大学 | 一种基于残差保持的人脸超分辨率方法 |
CN104050653B (zh) * | 2014-07-07 | 2017-01-25 | 西安电子科技大学 | 基于非负结构稀疏的高光谱图像超分辨率方法 |
-
2014
- 2014-11-13 JP JP2014231089A patent/JP5937661B2/ja active Active
-
2015
- 2015-09-29 US US15/524,744 patent/US11144837B2/en active Active
- 2015-09-29 EP EP15859531.4A patent/EP3220315B1/en active Active
- 2015-09-29 KR KR1020177012544A patent/KR102010161B1/ko active IP Right Grant
- 2015-09-29 CN CN202110096589.XA patent/CN112884646A/zh active Pending
- 2015-09-29 KR KR1020197022923A patent/KR102178654B1/ko active IP Right Grant
- 2015-09-29 WO PCT/JP2015/077529 patent/WO2016076026A1/ja active Application Filing
- 2015-09-29 CN CN201580060882.3A patent/CN107111786B/zh active Active
- 2015-09-29 EP EP22164213.5A patent/EP4044074A1/en not_active Withdrawn
-
2021
- 2021-09-22 US US17/482,200 patent/US20220012612A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220012612A1 (en) | 2022-01-13 |
EP3220315A1 (en) | 2017-09-20 |
CN112884646A (zh) | 2021-06-01 |
KR102178654B1 (ko) | 2020-11-13 |
EP4044074A1 (en) | 2022-08-17 |
CN107111786A (zh) | 2017-08-29 |
CN107111786B (zh) | 2021-02-12 |
EP3220315B1 (en) | 2022-05-04 |
EP3220315A4 (en) | 2018-07-18 |
JP2016095651A (ja) | 2016-05-26 |
US11144837B2 (en) | 2021-10-12 |
KR20170070114A (ko) | 2017-06-21 |
KR102010161B1 (ko) | 2019-10-21 |
WO2016076026A1 (ja) | 2016-05-19 |
US20170323223A1 (en) | 2017-11-09 |
KR20190093712A (ko) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5937661B2 (ja) | 情報予測システム、情報予測方法及び情報予測プログラム | |
Jiang et al. | Deep CNN denoiser and multi-layer neighbor component embedding for face hallucination | |
CN111079632A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
Huang et al. | Single image super-resolution via multiple mixture prior models | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN112990219B (zh) | 用于图像语义分割的方法和装置 | |
CN114463511A (zh) | 一种基于Transformer解码器的3D人体模型重建方法 | |
Su et al. | Hierarchical image resampling detection based on blind deconvolution | |
JP2023527615A (ja) | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム | |
JP6450710B2 (ja) | 情報予測システム、情報予測方法及び情報予測プログラム | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
Feng et al. | Pedestrian detection based on attention mechanism and feature enhancement with SSD | |
Chen et al. | Single-image super-resolution via joint statistic models-guided deep auto-encoder network | |
Zhang et al. | Image extrapolation based on multi-column convolutional attention network | |
Luo et al. | Piecewise linear regression-based single image super-resolution via Hadamard transform | |
Fan et al. | Facial image super-resolution guided by adaptive geometric features | |
CN114155560B (zh) | 基于空间降维的高分辨率人体姿态估计模型的轻量化方法 | |
Luo et al. | Stacked hourglass networks based on polarized self-attention for human pose estimation | |
CN111310805B (zh) | 一种对图像中的目标进行密度预测的方法、装置及介质 | |
CN114708145A (zh) | Goci水色图像洋流流场的确定方法和装置 | |
WO2023119642A1 (ja) | 情報処理装置、情報処理方法、及び記録媒体 | |
Fu et al. | ESTISR: Adapting Efficient Scene Text Image Super-resolution for Real-Scenes | |
CN117372261B (zh) | 基于卷积神经网络的分辨率重建方法、装置、设备及介质 | |
JP7190147B1 (ja) | 3次元形状記述子抽出器の製造方法、3次元形状検索方法及び3次元形状検索システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160426 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160512 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5937661 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |