图像超分辨率

摘要： 图像超分辨率重建技术一直是计算机视觉领域的热门研究方向.为了提高重建后图像的质量,本文提出一种基于内容感知的上采样技术用于图像的重建.将稠密残差网络作为骨干网络,用基于内容感知上采样取代传统的亚像素卷积上采样技术,即在特征重建阶段,卷积核不会在整个特征图中共享参数,而是神经网络可以根据特征图的内容在每个像素处生成特定的卷积核.该算法减少了参数数量,从而加快了网络训练速度.通过多轮训练和测试,结果显示使用改进技术得到了更加清晰的重建图像,取得了良好的视觉效果.

摘要： 本文提出多尺度残差图像超分网络用以解决超高倍数图像超分问题。目前的单图像超分辨率研究主要集中在中等倍数上,而对于超高倍数的图像超分研究较少。因此本文提出一种多尺度图像特征融合结构以加强网络在超高倍退化图像中的细节特征提取能力,从而提升图像重建性能。通过实验验证可以得出,本文提出的方法在重建质量指标和感知上拥有比基准方法更好的效果。

摘要： 针对现有的工程竹材散斑图像重建方法性能上的不足,在基于注意力密集残差网络的基础上,构建了用于工程竹材散斑图像超分辨率重建的生成对抗网络。使用带有注意力模型的残差网络作为主网络,去除所有的BN层,将单层网络逐层密接,使用L_(1)损失函数训练网络,将以上网络作为生成模型,使用相对均值判别器作为网络的判别模型,生成器使用结合感知损失、内容损失和对抗损失的综合损失函数,判别器使用相对均值判别器的损失函数,使网络能够还原出质量更高的图像。

摘要： 针对特高压换流站全景监视系统运行环境导致的视频图像抖动、镜头出现积灰等问题,以及基于深度学习的高分辨率图像重建算法存在细节特征失真和计算复杂度较高的缺陷,提出一种基于多尺度卷积块和残差网络的图像超分辨率重建方法,通过增加具有较小内核的深度卷积层来获取图像的鲁棒细节特征,并在训练过程中加入残差网络,加快网络收敛速度,解决消失梯度,改善图像重建质量。对部分标准数据集和特高压换流站全景监视图像数据集进行了图像超分辨率重建和目标识别实验研究,与超分辨率卷积神经网络(super-resolution convolutional neural network,SRCNN)和快速超分辨率卷积神经网络(fast SRCNN,FSRCNN)方法相比,所提算法的结构相似指数均值分别增加了0.0043和0.0298,峰值信噪比分别提高了0.17 db和0.83 dB。实验结果表明所提方法重建了细节信息更逼真的高分辨率图像,可以满足换流站全景监视的需求。

摘要： 针对高光谱图像超分辨率过程中,图像细节信息容易丢失的问题,提出多感受野特征与空谱注意力结合的高光谱图像超分辨率算法,该算法充分利用高光谱图像中的高频信息与低频信息,减少图像细节信息丢失,提升了高光谱图像超分辨率效果。首先,在特征提取阶段采用不同大小卷积核的卷积,获取到多尺度感受野特征,更好地提取低分辨率图像中的高频信息与低频信息,有助于保留原始图像的特征信息;然后,把获取到图像特征,经过“空间-光谱”结合的注意力机制增强,利用光谱维信息辅助空间维特征重建;最后,把每组的特征融合,通过像素级反卷积层缓解棋盘格效应,输出清晰的高分辨率图像。实验结果表明:提出的多感受野特征与空谱注意力结合的超分辨率算法在Chikusei和Pavia center scene这2个公开数据集上峰值信噪比分别达到了39.8697和31.9422,结构相似度分别达到了0.9376和0.8786,与最新超分辨率算法比较有明显的性能优势。该文提出的算法,结合了多感受野特征提取模块和空谱结合注意力模块的优势,超分辨率后的图像细节特征有了明显的改善。

摘要： 针对传统单幅图像超分辨率深度学习方法将不同尺度低分辨率视作独立任务的问题,提出一种以残差通道注意力模块作为特征提取,元上采样模块作为放大模块的超分辨率网络。残差通道注意力机制可以滤除冗余低频信息减少网络深度,使元上采样模块更好地训练不同尺度低分辨率图像特征间的关系,实现任意尺度的超分辨率网络。为了验证该方法有效性,在Set5、Set14、Urban100等公共数据集上实验。实验结果表明,该方法在整数与非整数倍尺度都能很好地恢复高分辨率图像。

摘要： 轻量级卷积神经网络具有参数量较小、计算量较小、推理速度较快等特点,但性能受到极大限制.为了进一步提升轻量级图像超分辨率网络的性能,文中提出基于区域互补注意力和多维注意力的轻量级图像超分辨率网络.网络基本构件是双支路的多交互残差块,可有效融合多尺度特征.为了提高特征的利用率和表达能力,设计轻量且有效的区域互补注意力,使特征图不同区域的信息互相补充.同时设计多维注意力,分别在通道维和空间维建模像素间的依赖关系.实验表明文中网络性能较优,并将当前轻量级超分辨率网络的复杂度和性能平衡提升到一个较高水平.

摘要： 针对基于卷积神经网络(CNN)的自学习图像超分辨率(SR)现有方法训练样本不足导致网络易欠拟合的问题,提出一种增强式特征提取的网络结构。首先,在网络中设计增强单元和残差单元提取图像的深层特征,有效避免了信息的流失;其次,将输入图像作为训练样本和测试样本,充分利用图像的内部自相似性实现了单幅图像的超分辨率重建。实验结果表明:提出的网络结构有效解决了训练样本不足带来网络易欠拟合的问题,获得了视觉效果更好的高分辨率(HR)图像,峰值信噪比与现有一些方法相比提高了0.5~1 dB。

摘要： 针对真实场景下高低分辨率图像对难以获取和真实低分辨率图像的退化过程复杂未知的问题,提出一种基于生成对抗网络和元学习的刑侦图像超分辨率算法。利用非成对训练样本训练生成对抗网络得到伪成对图像,使超分辨率网络以监督的方式学习伪成对训练样本之间的映射。从大量外部训练图像获取先验信息,并利用图像内部的重复相似性对网络进行训练,凭借元学习策略使网络快速收敛。在标准数据集和真实刑侦图像上的实验结果表明,所提算法能恢复出更多的纹理信息,适应于真实刑侦场景的需要。

摘要： 基于残差模块构成的图像超分辨率重建算法可以增加网络层数、提升网络性能,但是存在网络规模大的问题.为了解决这一问题,以及能够有效提取不同网络层次的特征、有效区分输入图像的低频信息和高频信息,提出了一种基于跳跃残差连接和注意力机制的轻量级双分支超分辨率重建模型.首先利用跳跃残差连接和空间注意力机制共同构成注意力残差分支,其中的跳跃残差连接由卷积层和小型残差结构共同构成;其次,在图像采样分支中直接对图像上采样;最后将两个分支的特征进行融合.将提出的算法在Set5、Set14、BSD100、Urban100和Manga109五个基准数据集上进行测试,实验结果表明,该算法在×2、×3放大因子模型中部分数据集具有更高的峰值信噪比和结构相似性,在×4放大因子模型中所有数据集的评价指标都是最优,同时算法重建的图像具有更多的纹理细节和更少的伪影.与其他轻量级超分辨率重建算法(参数量小于1.5 M)相比,所提出的算法包含更少的参数量和更高的峰值信噪比值.

摘要： 军事应用中的图像超分辨率方法主要分为两类:一是基于单幅图像的超分辨率,即图像放大;二是基于多幅图像的超分辨率,有时亦称为图像重建。本文针对这两类方法,首先对图像放大的研究方法进行简要的述评,然后对近年来引起国内学者普遍关注的亚像元成像技术进行了简单的综述,最后对图像超分辨率技术的军事应用前景进行了展望。

摘要： 本文研究从单幅低分辨率文本图像重建出高分辨率文本图像的算法,文中采用新机制通过实例图像获得重建图像的先验知识,该先验知识表现为重建图像各像素灰度值的概率密度函数形式,然后利用最大后验概率估计方法(MAP)估计出高分辨率图像。本文提出的获取先验知识的新机制能够显著提高算法效率和重建效果,实验结果验证了算法的有效性。

摘要： 针对多源遥感图像融合的问题，本文提出了一种基于改进的残差线性恢复模型的遥感图像融合新方法。所提议的方法根据遥感图像融合问题的特点改进了残差线性恢复的图像超分辨率算法，以已有的图像插值算法为基础，利用多个人工神经网络恢复多光谱各波段图像残差，把插值图像和恢复后的残差相加得到对应的高分辨率图像估计，最后经过RGB彩色合成得到融合图像。主观视觉效果分析和客观统计参数的评价分析表明，新方法性能优于现有的HIS变换融合方法、PCA变换融合方法和小波变换融合方法，不仅较大的增强了融合图像的空间细节表现能力，而且很好的保留了多光谱图像的光谱信息。

摘要： 在用于拍摄不可见光谱范围内的一列单帧图像(6,7,8)的装置中，提出一种用于生成SR图像(11)的方法，该SR图像(11)的图像分辨率高于单帧图像(6,7,8)的图像分辨率，其中对于单帧图像(6,7,8)，通过计算光流确定位移向量场(11,12)，并根据位移向量场(11,12)的值将单帧图像(6,7,8)分割成图块(20,21,22,23,24,25)，其中进行优化过程利用单独分配给图块(20,21,22,23,24,25)的可变参数由单帧图像(6,7,8)算出SR图像(11)。

摘要： 本发明公开了一种图像高分辨率装置。反射率推定部(206)利用由光源信息推定部(203)推定的光源信息与由形状信息取得部(204)得到的被摄物的形状信息从由图像摄像部(201)摄像下的原图像制作被摄物的反射率图像。反射率高分辨率化部(207)根据从反射率DB(208)取得的变换规则将反射率图像高分辨率化。图像高分辨率化部(217)利用已被高分辨率化的反射率图像、光源信息与形状信息制作已将原图像高分辨率化的高分辨率图像。

摘要： 本发明提供一种超分辨率图像的获取方法及超分辨率图像的获取装置，方法包括如下步骤：控制成像机构在设定路径上进行移动，并按照设定的频率获取目标区域的多个低分辨率图像；根据预设的基于运动的变换函数将获取到的多个低分辨率图像叠加成超分辨率图像，其中，变换函数的函数系数根据成像机构的运动参数预先确定。通过上述方式，有效减少了执行机构在确认运行轨迹时伴随的复杂计算和运行成本。此外，本发明通过获取设定模型下的可控图像序列，无需传统超分辨率图像获取过程中复杂的计算过程，有效提高了执行机构的运行效率。

摘要： 本发明利用将与TV影像的劣化程度相应地特定出的PSF的亮度分布、由TV影像的Y(亮度)成分构成的劣化图像的亮度分布及复原图像初始值的推定亮度分布作为输入信息来多次执行基于Bayse概率论的基于实数的迭代运算的、基于软件或硬件的PSF复原单元及图像复原单元，来求出劣化图像的亮度分布的最大似然的复原图像的推定亮度分布，并将其替换在提取了劣化图像的亮度分布时的TV影像的Y成分，由此接近实时地提供与劣化前的状态近似的TV影像，从而解决上述课题。

摘要： 本发明的课题在于，提供解决接近实时地减少TV影像的1帧内的光学劣化以复原成劣化前的原图像的装置的规模为150万逻辑门这种大规模的问题的方法及装置。本发明为在如下的图像复原单元中通过进行2次迭代运算来接近实时地提供与劣化前的原图像近似的TV影像的方法以及7万逻辑门规模的装置：将TV影像的1帧作为劣化图像的亮度分布及复原图像初始值的推定亮度分布，将与劣化图像的劣化程度相应地特定出的第一PSF的亮度分布用于第一次迭代运算，将通过图像复原单元复原第一PSF的亮度分布而得到的第二PSF的亮度分布用于第二次迭代运算，一边将由第一次迭代运算得到的复原图像的推定亮度分布作为第二次复原图像初始值的推定亮度分布，一边通过基于Bayse概率论的实数运算，求出劣化图像的亮度分布的最大似然的复原图像的推定亮度分布。

摘要： 本公开关于一种图像超分辨率方法、图像超分辨率模型训练方法、装置、设备及介质。图像超分辨率方法包括：获取原始分辨率图像；将原始分辨率图像输入训练完成的图像超分辨率模型，得到与原始分辨率图像匹配的目标分辨率图像；训练完成的图像超分辨率模型为基于原始分辨率样本图像、原始分辨率样本图像匹配的目标分辨率样本图像，以及中间分辨率样本图像训练得到；原始分辨率低于目标分辨率，中间分辨率样本图像根据原始分辨率样本图像和目标分辨率样本图像得到；中间分辨率介于原始分辨率和目标分辨率之间；将目标分辨率图像，作为原始分辨率图像的超分辨率处理结果。本公开可以提高图像超分辨率模型的模型精度，进而提高图像细节的处理效果。

摘要： 本申请适用于图像处理技术领域，提供了一种图像超分辨率方法、图像超分辨率装置、终端设备及计算机可读存储介质，所述方法包括：将待处理图像输入至训练后的卷积神经网络提取特征得到深度特征图；恢复所述深度特征图的局部高频信息得到第一复原特征图；将所述第一复原特征图的分辨率放大到预定大小；对预定大小的第一复原特征图进行重建得到超分辨图像。通过上述方法，可以有效地恢复低分辨图像中的高频信息，解决了超分辨率图像过于平滑的问题。

摘要： 本发明特别涉及一种基于任务解耦的双分支超分辨率网络的图像超分辨率方法，包括如下步骤：获取LR‑HR图像对作为训练样本；搭建由结构提取分支和颜色提取分支构成的双分支超分辨率网络，利用训练样本对网络进行训练得到训练后的双分支超分辨率网络；将待处理图像作为LR图像导入到训练后的双分支超分辨率网络中，网络输出的结果即为HR图像。通过构建双分支超分辨率网络，其中的结构提取分支可以方便的提取图像的结构特征，颜色提取分支在不断提取更深层次特征的同时，不断的增强其中的颜色信息，最后混合这两种信息，得到更加优秀的超分辨率图像，通过对图像中的结构信息和颜色信息作有针对性的处理，实现了在多种超分辨率任务下的优异表现。

摘要： 本发明公开了一种图像分辨率增强系统和方法、多帧图像超分辨率系统和方法。图像分辨率增强系统利用深度学习模型和用于图像分辨率增强的传统模型，减少了计算资源的使用。具体地，本发明的帧对齐模块对齐多帧图像，并识别对齐帧中与参考帧的像素相似的相似像素以生成对齐图像，然后，系统内配置的处理模块(包括第一处理器和第二处理器)通过使用多个深度学习模型和用于分辨率增强的传统模型处理对齐图像的Y通道和UV通道。合并模块合并第一处理器的第一输出和第二处理器的第二输出，生成结合了两种模型的优点的增强图像。

摘要： 本发明公开了一种基于正弦域图像超分辨率提高CT重建图像分辨率的方法，通过计算机仿真或CT系统实测获得多组投影图像，将投影图像转换成为正弦域图像，下采样得到对应的低分辨率正弦域图像；采集到的高分辨率正弦域图像和低分辨率正弦域图像为训练样本集，提取先验信息；对应实际待测样品进行常规CT扫描获得对应的投影数据，得到待测样品正弦域图像；将待测样品正弦域图像作为低分辨图像，重建出待测样品的正弦域图像对应的正弦域图像；通过滤波反投影算法对正弦域图像进行重建，得到超分辨率重建图像。本发明能够有效提高CT重建图像的分辨率，能够同时适用于锥束CT、平行束CT、扇束CT，具有适用范围广、鲁棒性高的优点。