图像超分辨率
图像超分辨率的相关文献在2002年到2023年内共计1436篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、机械、仪表工业
等领域,其中期刊论文138篇、会议论文3篇、专利文献459024篇;相关期刊87种,包括中国图象图形学报、电子学报、工业控制计算机等;
相关会议3种,包括第三届国家安全地球物理学术研讨会、2007'信息与通信工程、电子科学与技术、计算机科学与技术、机械工程全国博士生学术论坛、2004遥感科技论坛暨中国遥感应用协会2004年年会等;图像超分辨率的相关文献由3278位作者贡献,包括何小海、端木春江、滕奇志等。
图像超分辨率—发文量
专利文献>
论文:459024篇
占比:99.97%
总计:459165篇
图像超分辨率
-研究学者
- 何小海
- 端木春江
- 滕奇志
- 卿粼波
- 韩镇
- 熊淑华
- 徐健
- 任超
- 戴琼海
- 焦李成
- 王正勇
- 李晓光
- 范九伦
- 张浩鹏
- 王中元
- 王磊
- 童同
- 高钦泉
- 卓力
- 卢涛
- 姜志国
- 程德强
- 周大可
- 张永兵
- 杨欣
- 江俊君
- 陈洪刚
- 马文萍
- 马晶晶
- 王好谦
- 胡瑞敏
- 黄华
- 吴晓红
- 寇旗旗
- 尹宝才
- 李超
- 李键红
- 王兴政
- 谢凤英
- 谢超
- 赵丹培
- 赵洋
- 颜成钢
- 高新波
- 吕卫
- 吴小强
- 吴锡
- 孙哲南
- 张彤
- 张煜
-
-
雷帅;
廖晓东;
潘浩;
李俊珠;
陈清俊
-
-
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.
-
-
钟浩宇;
杨晓君
-
-
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。
-
-
刘铮;
刘英;
庄子龙;
谢超
-
-
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。
-
-
谢民;
邵庆祝;
汪伟;
俞斌;
于洋;
徐晓冰
-
-
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。
-
-
曲海成;
王雅萱;
申磊
-
-
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。
-
-
应凯杰;
冯玉田
-
-
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。
-
-
周登文;
王婉君;
马钰;
高丹丹
-
-
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.
-
-
徐健;
高艳;
范九伦
-
-
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。
-
-
徐健;
李新婷;
邓聪;
牛丽娇
-
-
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。
-
-
周杨;
钱育蓉;
刘慧;
陈梅
-
-
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.
-
-
刘志刚;
钱昌松
- 《第三届国家安全地球物理学术研讨会》
| 2007年
-
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。
-
-
-
-
- 特斯托股份公司
- 公开公告日期:2017.05.03
-
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)。
-
-
-
-
-
-
-
-
-