低分辨率

摘要： 针对由于人脸姿势、光照不均、拍摄环境、拍摄设备等内外部因素造成图像分辨率低的问题,提出融合注意力机制的高分辨人脸识别图像重建模型。首先以低分辨率人脸图像对作为两个生成器输入,通过残差块和注意力模块堆叠网络提取人脸特征信息,进而生成高分辨率人脸图像。训练中使用一个鉴别器来监督两个生成器的训练过程。利用Adam算法对鉴别器、生成器以及对抗损失函数进行迭代优化来提升网络模型性能。模型在CASIA-WebFace数据集上进行训练,在CASIA-WebFace、CelebA、LFW数据集上进行测试。实验表明,注意力模块可有效弥补浅层卷积神经网络提取特征时因偏向局部关系建模而缺乏对全局信息学习的不足,能学习利于重建高分辨率图像的特征信息。本模型重建人脸有较好的视觉效果,并且具有保留人脸身份信息的特性。

摘要： 各行各业的数字化转型和日常生活中的新场景已经对边缘上的人工智能(AI)和机器学习、先进数据处理、音频、视觉等产生了需求。边缘机器学习(ML)计算支持广泛的、智能化的工业和家庭应用,包括用于异常检测的传感器数据处理、预测性维护、用于改进玻璃破碎检测的音频模式识别、简单命令词识别以及视觉应用,如使用低分辨率摄像头进行在场检测或人数统计。现在的产品设计人员已看到了人工智能和机器学习的巨大潜力,可以为家庭安全系统、可穿戴医疗监测器、商业设施和工业设备监控传感器等边缘应用带来更多的智能化。所以Silicon Labs认为边缘AI和机器学习将被广泛应用于工业和家庭。

摘要： 目的针对低分辨率图像不清晰、质量低等问题,提出一种新的特征融合超分辨率重构网络。方法所提网络包括特征提取、特征融合、图像重构3个部分。首先,网络通过卷积和局部残差学习,提取到不同层次的特征。之后,网络自适应地保存浅层的信息,并将其传递到更深的层次,最后通过拼接层进行特征融合。结果通过非线性映射实现高分辨率图像的重建。结论实验结果表明,该方法能明显提高低分辨率图像的质量。

摘要： 这座名为“Kaishin No Ichigeki”的餐厅位于日本冲绳。它的名称源于日本早期的一款电子游戏,为的是能轻易地将人们拉入怀旧的氛围中。而设计灵感也正是来自那个时期的游戏视频。设计师刻意放大了低分辨率画质这一特征,并进行抽象提取,最终形成一间“像素餐厅”。

摘要： 目前高分辨率人体姿态估计已经非常准确,但是低分辨率人体姿态估计效果并不理想,主要原因是低分辨率时模型性能严重下降,而偏移学习是解决模型性能下降的一种有效方法。实验表明,本文提出的基于偏移学习的低分辨率人体姿态估计算法量化误差小,准确率高。

摘要： 随着人脸表情生成模型在影视娱乐、人机交互、医疗手术模拟等领域的应用越来越广泛,对生成连续的面部表情有着迫切需求.为解决当前ExprGAN生成模型存在低分辨率和图像不真实的问题,对该模型进行改进.使用深度卷积网络能够提升GAN生成高分辨率的图片,把注意力机制Attention引入了GAN,利用全局信息,产生更加合理和完整的图片.并与当前先进的AC-GAN模型进行了比较,Inception score提高了2.9,图片质量得到了提高.

摘要： 传统纹理图像增强方法存在轮廓模糊问题,导致增强效果较差.针对这些不足,提出基于局部多特征的低分辨率图像纹理增强技术.使用仿射变换方法查看近似平面单应性变化,结合RANSAC算法,匹配低分辨率图像纹理局部多特征点.提取低分辨率图像低频和高频信息,采用插值算法逐点划分低分辨率图像,得到像素点块.从中寻找匹配后最佳匹配块,采用高斯函数抑制重叠区域影像,将所有高频信息块拼接,得到低分辨率图像.将加窗及合成图像矩阵转换成同等大小隶属度矩阵,利用拉伸变化趋势强化轮廓,由此完成图像纹理增强.由实验结果可知,该技术在UMD数据集、UIUC数据集和Brodatz数据集下增强效果较好,能够得到准确完整的图像,有效恢复图像纹理细节.

摘要： 人脸识别(face recognition,FR)是计算机视觉领域中研究最广泛的问题之一,随着深度学习的发展使得一般条件下的人脸识别取得了巨大的进展并已大量商用.现有的FR系统已经在某些约束环境下实现了令人满意的识别精度.然而,低分辨率条件下的人脸识别(low-resolution face recognition,LRFR)目前仍然是一个极具挑战性的问题.在低分辨率人脸识别中,人脸图像通常是在非理想条件下捕获的,现有的人脸识别方法识别效果并不理想.为了提高识别精度,面向低分辨率人脸识别,基于CentreFace算法的损失函数进一步提出一种模损失函数用于联合训练.研究表明:该模损失函数可以在保持特征类内距离的情况下,增大类间距离,提高模型的泛化能力.最终在QMUL-SurvFace数据集上进行的4组分析对比实验表明:基于模约束的CentreFace算法识别精度优于CentreFace算法.

摘要： 针对真实场景下采集的人脸图像受环境、设备影响导致分辨率低且图像识别率较低的问题,应用深度学习技术,提出一种基于卷积神经网络(CNN)和主成分分析(PCA)的低分辨率人脸识别算法.首先利用图像超分辨率重构将低分辨率图像重建为高分辨率图像;其次利用CNN提取重建后人脸图像特征,对损失函数进行优化;再利用PCA对特征进行降维,得到更优的分类特征;最后利用支持向量机(SVM)、向量间距离等算法筛选出最优人脸分类并计算准确率.实验表明,该算法在LFW和FERET上均取得更好的识别效果,当人脸图像分辨率下降到8×8时,准确率仍能到达94.5％,优于其他算法并且降低了运算时间.

摘要： 为提高低分辨率人脸图像的识别性能,提出一种基于高斯图像金字塔特征融合的低分辨率人脸识别方法.首先,通过多尺度分析技术建立低分辨率人脸高斯金字塔;针对金字塔各层人脸图像特点,使用恰当的特征提取方法获取各层图像的特征谱,其中底层图像进行局部二值模式计算,并将统计直方图序列作为该层的人脸特征谱;中间层使用适当的Gabor滤波器进行卷积,提取的Gabor特征谱作为中间层的人脸特征谱;采用方向梯度直方图对顶层提取人脸边缘细节特征谱;最后,对高斯金字塔的每层特征谱进行连接处理,并作为整个人脸图像的特征向量放入3种分类模型(KNN,SVM和RF)中进行分类识别,结合各分类模型对低分辨率人脸图像的优势,计算权值对各结果进行加权投票融合,得到最终分类结果.实验结果显示,本文算法在ORL和YALE等人脸库上取得良好识别效果,在23×28像素的人脸图像上获得93.5％的识别率,并对光照、表情、姿态变化等具备一定的鲁棒性.

摘要： 本文提出了一种基于低分辨率的高分辨人脸图像的重构策略.在训练高分辨率人脸图像的基础上,进行低分辨率和高分辨率之间的差别信息补偿,建立了一个人脸描述词典.通过引入低分辨率人脸图像字典实现人脸重建,字典通过直接从高分辨率学习字典中取样获得.通过(e)1优化算法获得基于低分辨率字典的低分辨率输入图像的表示系数向量后,该系数可以被移植入高分辨率字典,用于直接重建输入图像对应的高分辨率图像.该算法适用于扩展的Yale人脸库.

摘要： 线谱检测在声呐，雷达，无线传感器网络等研究领域中均有重要应用。运动目标，如车辆，舰船，飞机等，其噪声信号中往往包含有诸多稳定的线谱成份，因此准确检测出信号中的线谱，对运动目标检测具有重要的意义。本文提出了高分辨率和低分辨率功率谱匹配度估计的线谱检测器，以下简称MHLD（Matching of High/Low-resolution powerspectrum Detector）。该检测器利用高分辨率谱对线谱进行初步检测，然后用多个低分辨率谱进行校验来降低高分辨率谱的虚警率。相比于传统检测算法，新方法不需要预知噪声功率谱，且具有计算复杂度低，虚警率恒定等优点。

摘要： 针对虚拟实验室系统中低分辨率光电测速机构的实际条件,在不增加成本的情况下,介绍一种改良的PID算法来实现对电机调速系统的稳定控制.此PID控制算法对于检测机构分辨率较低但要求精确度不高,成本低的简单控制系统具有普遍的适用性.

摘要： 目的:探讨口腔全景X线机低对比度分辨力检测模体研制方法.方法:将标准X线检测模体设计成U型或圆弧形.结果:U型检测模体和圆弧形检测模体均能检测口腔全景X线机的低对比度分辨力,U型检测模体易产生重影.结论:圆弧形检测模体更适合口腔全景X线机的低对比度检测.

摘要： 目的:探讨口腔全景X线机低对比度分辨力检测模体研制方法.方法:将标准X线检测模体设计成U型或圆弧形.结果:U型检测模体和圆弧形检测模体均能检测口腔全景X线机的低对比度分辨力,U型检测模体易产生重影.结论:圆弧形检测模体更适合口腔全景X线机的低对比度检测.

摘要： 目的:探讨口腔全景X线机低对比度分辨力检测模体研制方法.方法:将标准X线检测模体设计成U型或圆弧形.结果:U型检测模体和圆弧形检测模体均能检测口腔全景X线机的低对比度分辨力,U型检测模体易产生重影.结论:圆弧形检测模体更适合口腔全景X线机的低对比度检测.

摘要： 目的:探讨口腔全景X线机低对比度分辨力检测模体研制方法.方法:将标准X线检测模体设计成U型或圆弧形.结果:U型检测模体和圆弧形检测模体均能检测口腔全景X线机的低对比度分辨力,U型检测模体易产生重影.结论:圆弧形检测模体更适合口腔全景X线机的低对比度检测.

摘要： 本发明公开了一种面向识别的低分辨率人脸图像超分辨率方法。包括：通过少量收集的监控场景降质样本，采用变分自编码网络学习样本数据的降质分布规律；基于数据降质分布规律，通过采样策略扩充服从数据降质分布规律的多样性降质样本；对高分辨率数据样本通过风格迁移网络进行样本降质模拟生成处理，以获取与真实降质样本同分布的对应低分辨率人脸样本；使用高分辨率数据样本和对应生成的低分辨率降质样本对预设的人脸图像超分辨率网络进行训练，直到网络收敛为止。本发明能够使人脸超分辨率增强网络不仅能生成高质量的清晰人脸，同时关注身份信息相关纹理的合成。本发明够在低分辨率样本量较少的情况下，提高监控场景下低分辨率人脸图像的识别率。

摘要： 本发明提供了用于从样本的低分辨率图像产生所述样本的高分辨率图像的方法和系统。一个系统包含经配置以用于获取样本的低分辨率图像的一或多个计算机子系统。所述系统还包含通过所述一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含深度卷积神经网络，所述深度卷积神经网络包含经配置以用于产生所述低分辨率图像的表示的一或多个第一层。所述深度卷积神经网络还包含经配置以用于从所述低分辨率图像的所述表示产生所述样本的高分辨率图像的一或多个第二层。所述第二层包含经配置以输出所述高分辨率图像并且经配置为子像素卷积层的最终层。

摘要： 本发明公开了一种用于低分辨率监控视频的超分辨率重建方法，该方法将低分辨率监控视频帧使用两个不同尺寸的卷积核用于特征表示，之后将两者提取的特征结合作为下一层的输入，并通过残差学习方式使网络训练更加容易，用反卷积层来对于学习到的特征进行超分辨率的重建，然后使用随机梯度下降算法对卷积神经网络优化，获取已训练的网络模型，再将待重建的低分辨率监控图片输入到已训练好的网络模型中，进行监控视频的超分辨率重建。本发明在不提高硬件成本的前提下，提高了监控视频的图像分辨率，使得能够更多地获取辨识人脸所需的特征信息，用于辅助刑事侦查确定犯罪嫌疑人身份，提高了刑事侦查中确定犯罪嫌疑人身份的准确率和效率。

摘要： 本发明提供的高分辨率图像模拟低分辨率相机成像的方法，根据事先输入理想的高分辨率图像，结合光学设计参数、CCD尺寸参数，同时考虑到CCD与光学传函采样对成像的影响，模拟出设计参数的低分辨率图像方法，上述成像方法可根据输入的光学参数及CCD尺寸大小由理想的高分辨率图像模拟低分辨率成像效果，根据图像的质量可以对光学设计进行反馈，经济简便便于相机的设计优化。

摘要： 本发明涉及一种用于从一或多个低分辨率图像重建一或多个高分辨率点扩散函数PSF的方法，其包含：获取晶片的一或多个低分辨率图像；聚合一或多个低分辨率图像图块；及估计所述一或多个低分辨率图像中的一或多个子像素移位且同时从所述经聚合的一或多个低分辨率图像图块重建一或多个高分辨率PSF。

摘要： 公开了使用功率降低技术的视频解码器。该视频解码器包括：(a)熵解码器，对定义了所述视频的比特流进行解码；(b)逆变换，对所述解码的比特流进行变换；(c)预测器，基于所述解码的比特流，选择性地执行帧内预测和运动补偿预测；(d)缓冲器，包括用于所述运动补偿预测的压缩图像数据，所述压缩图像数据包括低分辨率数据和高分辨率数据，其中，所述预测器使用从所述比特流解码的高分辨率预测信息而不使用所述高分辨率数据，基于所述低分辨率数据来预测低分辨率数据集合和高分辨率数据集合二者。

摘要： 一种使用混合分辨率方法的高分辨率全景VR生成器，其将来自HR相机环的高分辨率(HR)图像块放置在一个LR相机的360度低分辨率(LR)图像上，所述LR相机从相机环向上指向一个全景镜，LR相机视野是所有多个HR相机视野的合并，但分辨率较低。由相邻HR相机之间视差所引起的重影会被消除，因为目标位置是由所述360度LR图像确定。通过组合不同深度的目标以获得单应矩阵，每个HR图像被单应投影成3个投影。所述360度LR图像被放大到HR，并对这个放大的HR图像，在所述3个投影里的搜索窗口内搜索一个查询图像块。通过和查询图像块的相似性，最佳匹配图像块被加权处理，以合成产生一个重建图像块，其放置在一个重建HR全景图像里，放置位置即查询图像块的位置。

摘要： 本申请涉及采用低分辨率DAC转换高分辨率模拟量的方法和装置。方法包括：获取目标分辨率和参考电压；根据目标分辨率和低分辨率DAC芯片的现有分辨率，设置低分辨率DAC芯片的输出通道的数量以及每个输出通道对应的输出分辨率；根据目标分辨率和所目标输出电压，计算输出码值；根据输出码值和输出通道的数量，计算各个输出通道的通道码值和各个输出通道的通道电压；根据输出通道的数量、输出分辨率和通道电压，对并行数据进行拆分，得到多个低分辨率的数据码值，发送到DAC芯片后输出为通道输出电压；对各个输出通道的通道输出电压进行处理，得到目标输出电压的高分辨率稳定恒压输出。本申请能够采用低分辨率DAC芯片转换出高分辨率的模拟量。

摘要： 本发明公开了一种面向识别的低分辨率人脸图像超分辨率方法。包括：通过少量收集的监控场景降质样本，采用变分自编码网络学习样本数据的降质分布规律；基于数据降质分布规律，通过采样策略扩充服从数据降质分布规律的多样性降质样本；对高分辨率数据样本通过风格迁移网络进行样本降质模拟生成处理，以获取与真实降质样本同分布的对应低分辨率人脸样本；使用高分辨率数据样本和对应生成的低分辨率降质样本对预设的人脸图像超分辨率网络进行训练，直到网络收敛为止。本发明能够使人脸超分辨率增强网络不仅能生成高质量的清晰人脸，同时关注身份信息相关纹理的合成。本发明够在低分辨率样本量较少的情况下，提高监控场景下低分辨率人脸图像的识别率。

摘要： 本公开提供了一种高分辨率目标影像置换低分辨率目标影像的方法及系统，所述方法包括以下步骤：获取高分辨率影像和低分辨率影像；对低分辨率影像进行预处理和重采样以使得两张影像的分辨率保持一致；分别对两张影像进行实例分割，分别提取目标物体；利用提取到的高分辨率目标物体进行低分辨率目标物体的替换；对替换后的影像进行镶嵌处理得到最终置换后的影像。