超分辨率

摘要： 提出一种改进的二阶龙格-库塔超分辨率算法.首先,提出一种浅层共享编码器,以实现低分辨率图像的浅层特征提取.其次,提出一种深层特征学习单元,并与基于龙格-库塔方法的残差模块相融合,进而构建出一种基于深层特征的残差模块,以提升深层特征提取能力.实验结果表明:与主流超分辨率算法相比,文中算法在主观视觉效果和客观评价指标方面都具有更好的效果.

摘要： 低剂量CT可以降低X射线辐射、减少对人体的伤害,但成像质量也会显著下降。为得到具有精细结构细节的高质量成像,提出一种基于多尺度残差生成网络的低剂量CT图像超分辨率重建算法,在保持病理不变情况下,从低分辨率图像中恢复高分辨率图像。首先,多尺度网络可以充分利用不同大小图像特征,丰富图像细节信息,提高重建过程中对特征的利用率;其次,引入残差网络,在实现特征重复利用的同时能够很好地防止过拟合现象;最后,将对抗损失和内容损失相结合,约束特征生成的同时能够获得感知质量更好的重建图像。结果表明,该方法在结构相似性、特征相似性、峰值信噪比指标上分别约提高0.047、0.0228和1.962,算法的IS、FID、SWD性能也比其他两种基于生成对抗网络算法要好,并且在边缘轮廓细节面有更好的表现。为了验证内容损失的有效性,将MSRGAN和其3种变化模型进行比较:MSRGAN相对其变化模型在结构相似性指标平均高出4%,特征相似性指标平均高出3.1%,峰值信噪比指标平均高出17.4%,说明了这种损失函数能够提高超分辨率图像的感知质量,充分证明所提算法的有效性。

摘要： 现有的基于深度学习的单张图像超分辨率(single image super-resolution, SISR)模型通常是通过加深网络层数来提升模型的拟合能力,没有充分提取和复用特征,导致重建图像的质量较低。针对该问题,提出了基于特征融合和注意力机制的图像超分辨率模型。该模型在特征提取模块使用残差中嵌入残差(residual in residual, RIR)的结构,该网络的特征提取模块由包含多个残差块的残差组构成,并且在每个残差组内进行局部特征融合,在每个组之间进行全局特征融合。此外,在每一个残差块中引入坐标注意力模块,在每一个残差组中引入空间注意力模块。经验证,该模型能充分提取特征并且复用特征。实验最终结果表明,该模型在客观评价指标和主观视觉效果上都优于现有的模型。

摘要： 近年来,各种基于卷积神经网络的单幅图像超分辨率方法取得了优异的性能提升。现有的超分辨率网络大多数都是使用单种尺度的卷积核来提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏,也无法很好地利用低分辨率图像的多尺度特征来提高图像的表达能力。为了解决超分辨率重建中存在的问题,提出了一种新的超分辨重建方法称为分型残差网络(fractal residual network,FRN)。该网络使用分形残差注意力块,充分利用不同的层次特征,生成更精细的特征。同时,引入信道注意机制,自适应地重新缩放每个通道的特征,增加网络判别学习能力。此外,该算法将局部残差学习与全局残差学习相结合,以弥补信息丢失,降低学习难度。实验结果表明,该方法在重建性能上优于其他很多算法。

摘要： 超分辨率重建问题在很多领域都有非常重要的应用,是研究的热点问题.将E.J.Candes用于处理一维超分辨率问题构造的多项式推广至二维,构造一个适用于二维信号的低频多项式,研究二维带噪声的超分辨率重建问题,通过求解TV范数最小化问题,指出当点源之间的距离满足最小分离条件时,可以得到稳定的估计,即高分辨率重建值与真实值之间的误差与噪声水平及超分辨率因子的平方成正比.

摘要： 计算机断层扫描(CT)三维重建技术通过上采样体数据来提高三维模型质量,减轻模型中的锯齿状边缘、条纹状伪影和不连续表面等现象,从而提高临床医学中疾病诊断的准确率。针对以往CT三维重建后模型仍然不够清晰的问题,提出一种基于超分辨率网络的CT三维重建算法。网络模型为具有双重损失的优化学习纵轴超分辨率重建网络(DLRNet),通过单轴超分辨率进行腹部CT三维重建。网络末端引入优化学习模块,且除计算基准图与超分辨率图像的损失外,还计算网络内部粗略重建图像与基准图的损失,这样一来,优化学习与双重损失能使网络产生更接近于基准图的结果。随后在特征提取模块引入空间特征金字塔池化和通道注意力机制,加权细化学习了不同粗细以及规模不一的血管组织的特征。最后使用动态生成卷积核组的方法进行上采样使得单一网络模型可应对不同缩放因子的上采样任务。实验结果表明,相较于通道注意力的方法RCAN(Residual Channel Attention Network),所提网络模型在2、3、4倍缩放因子下的峰值信噪比(PSNR)平均提高0.789 dB。可见所提网络模型有效提升了CT三维模型的质量,一定程度上恢复了血管组织的连续细节特征,同时具备了实用性。

摘要： 基于光场成像理论的三维腹腔镜是实现腹腔三维成像的重要研究方向,标定是光场腹腔镜实现三维成像的基础。针对光场带宽积与较小的光场视差会制约三维光场腹腔镜标定精度提升的问题,提出了一种视差放大方法,将直接计算光场视差的问题转换为间接计算两个特征点的距离问题,较大的特征点间距在光场图像中体现为易于检测的点-点间距和点-线间距,从根本上提高了光场腹腔镜的标定精度;基于SRDenseNet的改进型超分辨率网络,整合通道注意力机制,同时提高了光场腹腔镜四维成像的角度分辨率与位置分辨率,间接地提高了光场腹腔镜的标定精度。实验结果表明,经光场视差放大与超分辨处理后,三维光场腹腔镜标定的反投影误差降低了16%,R2提高了6%。

摘要： 本文介绍了神经卷积网络及超分辨率图像处理技术在钢卷尺检定中的应用,通过图像评估指标的数据比较,处理后的图像质量得到明显改善,为提高影像测量的准确性奠定技术基础。

摘要： 在利用深度学习进行偏振图像计算成像过程中,图像映射函数的解空间极大、空间分辨率一般较低,难以生成清晰的纹理细节且存在高频信息缺失等问题。为解决该问题,提出一种结合双注意力机制的深度残差偏振图像超分辨率网络。该网络由一个具有全局跳跃连接的残差网络组成,包含10个残差组,每个残差组包含20个具有局部跳跃连接的双重注意力块级联的残差块;同时考虑通道间的相互依赖性,设计自适应通道特征调整机制;引入级联的空间注意力块,将残差的特征更集中于关键的空间内容。将所提方法与Bicubic、SRCNN、FSRCNN、EDSR等方法进行对照实验与成像系统对比校正实验,结果表明该方法重建图像纹理细节更加丰富,亮度均匀,较为接近成像系统的高清图像,同时峰值信噪比和结构相似性指标优于其他方法但参数量仅约为EDSR的2/5。

摘要： 恶劣环境下的低质图像会严重影响基于视觉的位移测量效果。图像超分辨率重建有望能改善图像质量、突出目标特征以提高测量精度和可靠性,进而应用于视觉测量场景。故提出了一种关注细节特征的图像超分辨率重建算法,该算法设计了一个角点增强支路,并通过角点损失函数进行约束实现对角点信息的增强,此外增加边缘损失函数提升边缘的重建效果。实验结果表明,该算法在客观评价指标上表现优异,视觉效果上取得了更加清晰的纹理细节,设计的验证实验证明,该算法重建的边缘与角点更加准确,对目标定位有一定帮助,适用于视觉测量应用场景。

摘要： 本文提出一种基于插值的图像超分辨率处理算法,该算法主要由三部分组成.首先,提出一种针对图像边缘的插值放大算法,得到的图像经过边缘增强后,图像边缘清晰,无锯齿现象.其次,利用机器学习建立决策树模型,利用这个模型计算像素的权值,使图像边缘过渡更加自然.最后,针对彩色图像边缘增强后易出现偏色的现象,提出饱和度补偿算法,使彩色图像边缘处的颜色保真较好.本文算法运算简单,快速,易于硬件化进行实时显示,且放大后的图像边缘清晰,色彩保真较好.

摘要： 随着视频播放器性能的不断提升,观看高清视频已经成为人们日常的需求.然而,很多现实中的视频采集设备,例如手机,所获取的视频都是低分辨率的,无法直接在高清设备上进行播放.对于多帧超分辨率,如何高效地对时间相关性进行建模成为至关重要的问题.考虑到循环神经网络在处理长时间信息关联方面有很强的能力,故采取循环神经网络来对视频中的时间相关性进行建模.同时,为了保持视频的空间结构信息以及降低计算复杂度,将传统循环神经网络中的全连接关系替换为权重共享的卷积连接,提出了一个双向全卷积的循环网络模型来对视频进行超分辨率,在视频超分辨率上取得很好的精度和很快的速度.

摘要： 目前，我国大多数主力油田已经进入勘探开发中后期，面临的勘探目标越来越小，地质情况越来越复杂，常规地震资料的分辨率已经远远不能满足油田精细勘探开发的需求。而具有高分辨率的地震资料，可以用来进行有效的反演和地质解释，为实现精细油藏描述奠定坚实的基础。提出了一种基于字典学习和稀疏表示的地震资料超分辨率方法(DLSR).该方法利用测井数据,结合正演褶积模型得到部分采样间隔更小,频带更宽的高分辨率地震合成记录,然后结合其所在测井位置采集到的低分辨率地震数据,采用稀疏字典学习方法学习二者间的匹配模式,即测井位置的合成高分辨率地震数据与实际低分辨率地震数据之间的关联关系;此后,该方法将学得的关联关系应用到无井位置的实际低分辨率地震数据的分析中,重构出更高分辨率的、更低采样间隔的合成地震数据.理论模型测试表明,相比普通的插值方法,该超分辨率方法显著地提高了资料的分辨率,具有一定的可靠性和实用性.

摘要： 提高天气雷达的分辨率有助于更精细的探测中尺度气旋和龙卷风等天气过程,可以采用径向重叠和加窗技术改善天气雷达对这类天气过程的探测精度.传统天气雷达反射率分辨率为1km和1°,平均速度和谱宽数据分辨率为250m和1°的,利用径向重叠和加窗技术将其分别提高到250m和0.5°的反射率数据,分辨率为250m和0.5°.本文基于X波段的天气雷达回波I/Q数据,利用类似WSR-88D类似的超分辨率数据技术,通过MATLAB工具完成了对天气雷达I/Q数据采用超分辨率处理技术,并与未采用超分辨率技术的数据进行对比.试验数据表明采用超分辨率技术后的雷达数据更能展现回波的精细特征.

摘要： 利用低分辨率的图像序列来估计高分辨率图像的方法称为超分辨率图像重建,逐步成为当前科研热点.本文通过POCS视频图像重建算法为例,阐述了超分辨率的概念、应用场合及基本策略和分类,并对超分辨率的重构方法和前景进行了展望.

摘要： 图像超分辨率重建技术是指利用单帧或多帧降质低分辨率图像重建出清晰的高分辨率图像,该技术在军事侦察、卫星遥感、医疗诊断、安全监控等领域有重要意义.本文从图像降质模型出发,在研究传统MAP算法的基础上通过引入L1范数保真项和BTV正则项,提高算法的噪声鲁棒性,同时更好地保持重建图像的边缘.实验结果表明,这是一种性能更加优越的图像超分辨率重建算法.

摘要： 为了弥补EPI成像法在高场情况下易受磁场不均匀和化学位移影响的不足,以色列Frydman小组提出了单扫描空间编码成像方法.单扫描空间编码方法需要通过求解一个线性方程组来进行图像的超分辨率重建,该线性方程组的系数矩阵由编码过程决定.根据系数矩阵对称正定且主要能量集中在主对角线等特点，利用奇异值分解(SVD)法构造出预处理矩阵。预处理矩阵能够极大地降低系数矩阵的条件数，消除高条件数在求解过程中引入的噪声。

摘要： 为了提高成像的空间分辨率和信噪比,将超快速MRI技术与图像超分辨率(SR)重建技术相结合展现出重要的应用前景.本文将稀疏性作为先验约束，应用待重建图像的同类图像构造高分辨率字典Dh和低分辨率字典Dl，采用数据学习算法对高、低分辨率进行耦合训练，实现单幅MR图像的SR重建。该方法能够清晰地重建出图像的提高分辨率的同时抑制了伪影的产生。

摘要： 本文根据单扫描空间编码原理，运用部分解码的方法对老鼠心脏进行小视野(rFOV)成像，再结合一种超分辨率算法获得了老鼠心脏的高分辨率磁共振像。结果表明采用空间编码方法可以获得高分辨的磁共振成像。对大鼠心脏进行小视野成像，不仅大大缩短了一次激励的实验时间，而且提升了其分辨率。

摘要： 利用可见光图像与红外图像之间存在的互补性和相关性,提出一种基于多传感器的红外图像超分辨方法.首先,利用自适应边缘检测算法提取红外图像边缘,并根据红外图像边缘与可见光图像对应区域的相关程度将红外图像边缘分为相关边缘和非相关边缘;然后,采用二次关系模型对相关边缘区域进行建模,通过该模型利用可见光信息估计红外图像的高频信息;最后,利用迭代反向投影法(IBP)对估计的高分辨率红外图像进行优化获得最终的高分辨率红外图像.实验结果表明,本文算法获得的小区图像,十字路口图像和道路图像的峰值信噪比(PSNR)分别比Choi算法高2.9dB,1.44dB和1.11dB.另外,利用本文算法复原的红外图像具有更好的视觉效果,更逼真、更接近于原始高分辨率图像,复原出的高分辨率红外图像无论在主观效果上还是在客观评价指标上都取得了较好的结果.

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： 本发明公开了基于超分辨率风格迁移网络的遥感影像超分辨率重建方法，包括以下步骤：构建超分辨率风格迁移网络模型；所述超分辨率风格迁移网络模型包括生成部分和判别部分；所述生成部分由超分辨率重建网络SSR和U‑net网络连接而成；利用训练集交替训练所述生成部分和判别部分，得到训练完成的超分辨率风格迁移网络模型；将低分辨率的遥感影像输入至所述训练完成的超分辨率风格迁移网络模型，得到超分辨率遥感影像。本发明克服了传统超分辨率网络模型泛化能力差和重建影像纹理细节丢失等缺点，能够生成清晰度和纹理特征更加接近真实高分辨率遥感图像的重建影像。

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： 本发明公开了一种基于孪生超分辨率网络的压缩视频超分辨率方法及系统，将待处理低分辨率视频输入本实施例的孪生超分辨率网络，获得超分辨率视频；训练时本发明将原始高质量视频进行M‑JPEG格式的压缩。然后将压缩版本和非压缩版本两类数据输入到孪生超分辨率网络中。最后从四个方面约束孪生超分辨率网络的训练，两类视频经编码器提取到的特征应该尽可能靠近；两类视频的超分结果和真实值共同构成了一个三元组，三元组内元素互为正样本；负样本则是压缩数据与传统降质之间的残差超分的结果。通过这样对比学习的方式，孪生超分辨率网络能够最大限度地学习到对压缩视频超分需要的特征参数，获得更精细的超分辨率重建结果。

摘要： 本发明公开了基于超分辨率风格迁移网络的遥感影像超分辨率重建方法，包括以下步骤：构建超分辨率风格迁移网络模型；所述超分辨率风格迁移网络模型包括生成部分和判别部分；所述生成部分由超分辨率重建网络SSR和U‑net网络连接而成；利用训练集交替训练所述生成部分和判别部分，得到训练完成的超分辨率风格迁移网络模型；将低分辨率的遥感影像输入至所述训练完成的超分辨率风格迁移网络模型，得到超分辨率遥感影像。本发明克服了传统超分辨率网络模型泛化能力差和重建影像纹理细节丢失等缺点，能够生成清晰度和纹理特征更加接近真实高分辨率遥感图像的重建影像。

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： 用于反馈和改进超分辨率成像的准确度的系统、方法和计算机可读媒介。在一些实施例中，可以使用显微镜检查系统的低分辨率物镜获得样品的低分辨率图像。可使用超分辨率图像模拟，根据样品的低分辨率图像生成样品的至少一部分的超分辨率图像。随后，可以基于超分辨率图像与使用模拟图像分类器识别的一个或更多个相关样品的至少一部分的一个或更多个实际扫描的高分辨率图像之间的一个或更多个等价程度来识别超分辨率图像的准确度评估。基于超分辨率图像的准确度评估，可以确定是否进一步处理超分辨率图像。如果确定进一步处理超分辨率图像，则可进一步处理超分辨率图像。

摘要： 本发明公开了一种全知型视频超分辨率网络、视频超分辨率重建方法及系统，全知型视频超分辨率网络，由先驱网络和后继网络两个子网络组成；本发明首先选取若干视频数据作为训练样本，从每个视频帧中相同的位置截取图像作为高分辨率学习目标，将其下采样r倍，得到低分辨率图像，作为网络的输入；然后根据全知型视频超分辨率框架的类型，将低分辨率帧依前向(局部全知型)或是后向(全局全知型)输入先驱网络，生成所有低分辨率帧对应的隐状态和高分辨率结构信息；接着将低分辨率帧，以及步骤2中得到的隐状态依前向输入后继网络，进一步生成隐状态和高分辨率细节信息；最后将高分辨率结构信息和细节信息相加，得到最终重建的高分辨率视频帧。