本发明涉及一种时变体数据的空间超分辨率重建模型及其训练方法，模型包括依次连接的第一卷积层、基础模块、第一上采样模块、第二卷积层、第一InstanceNorm层、第一LeakyReLU激活函数层、第三卷积层、第一Sigmoid激活函数层；基础模块包括N个依次连接的基础单元，相邻两基础单元之间创建有低分辨率体数据的跳跃连接以及高分辨率体数据的跳跃连接；基础单元包括通道注意力层、空间注意力层、第二InstanceNorm层、第二上采样模块、下采样模块、第二LeakyReLU激活函数层，通道注意力层、空间注意力层、第二InstanceNorm层依次连接，第二上采样模块、下采样模块、第二InstanceNorm层依次连接，第二InstanceNorm层与第二LeakyReLU激活函数层连接。本发明考虑时变体数据时序变化信息对模型进行训练，以得到超分辨率重建效果好的模型。
📄 2022108056508
📂 G06T3_4053
👤 浙江工业大学
📅 2022-07-08
本发明涉及一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法，通过将待重建图像分为训练数据集与测试数据集并分别进行增强和预处理，构建拉普拉斯金字塔结构的团网络并输入训练数据集进行训练，将测试数据集输入到训练好的拉普拉斯金字塔结构的团网络中，逐级重建超分辨率图像。本发明采用拉普拉斯金字塔结构，通过渐进式重建高分辨率图像的方式，逐步地优化重建结果，更好解决超分辨率图像重建，将残差学习应用到网络中，减少网络参数，避免网络复杂度增加引起的梯度爆炸等问题，在每个构建模块中，任意两个卷积层之间既有前向又有反馈连接，层间信息交替更新，使层间信息流和反馈机制最大化，层间连接更加密集，提取到更多细节的特征。
📄 2018113310767
📂 G06T3_40
👤 浙江工业大学
📅 2018-11-09
本发明涉及一种自适应超分辨率观测实验系统及其工作方法，本自适应超分辨率观测实验系统包括：处理器模块，与该处理器模块相连的复眼图像采集装置，以及用于放置岩片测试模型的芯片位；所述复眼图像采集装置适于拍摄岩片测试模型内多相流体的分布和流动状况的图像数据；本发明通过复眼图像采集装置能够在光线强度减弱时，两图像采集模块沿半圆形导轨相向运动靠拢，以收缩视域范围，以清晰拍摄岩片测试模型内多相流体的分布和流动状况，获得高清晰的图像数据，并且在光照强度增强的时候，两图像采集模块还能分开分别独立采集图像数据，两种工作方式即可实现自适应超分辨率的图像数据采集。
📄 2016106920209
📂 G01N21_85
👤 江苏理工学院
📅 2016-08-19
本发明公开了一种基于稀疏表示的红外图像超分辨率重建方法，步骤包括：步骤1、字典的训练，包括样本集的提取和子字典的训练，样本集的提取包括图像预处理和图像分块；子字典的训练包括样本块的聚类、子字典的训练；步骤2、重建高分辨率图像。本发明的方法，采用基于相关系数的自适应k‑means聚类算法将大量的训练样本集进行分类，然后针对每一个子类训练一个对应的高低分辨率字典对，字典对的大小则根据该类所含样本个数自适应决定，最终获得多个高低分辨率子字典对，通过计算待重建的图像样本块与每一个子类聚类中心的相关系数来选择子字典进行重建；该方法保证了红外图像超分辨率重建结果，重建速度显著提高。
📄 2017101532790
📂 G06T3_40
👤 西安理工大学
📅 2017-03-15
本发明涉及一种基于感知损失的光场图像角度超分辨率重建方法，属于光场成像领域。该方法将预训练模型提取的图像高维特征的均方差作为损失函数，通过构建一个由四个残差块组成的网络模型，学习观测图像与目标视角图像之间的非线性映射关系，从而重建出新视角图像。本发明通过引入表达高维特征的感知损失，可以更好地保持超分辨率重建后新视角图像的纹理细节，拥有更好的视觉效果。
📄 2018101290368
📂 G06T5_00
👤 长春禹诚科技技术有限责任公司
📅 2018-02-08
本发明公开了一种基于并行残差网络的低分辨率细胞超分辨率重建方法。该方法包含：数据集获取，训练集的增强与预处理，训练集的特征提取，超分辨率重建。数据集获取是通过将一张含有多个细胞的图像，分割成多张含有单个细胞的图像。数据集增强的方法是旋转增加数据集数量的方法，预处理是将分割后的高分辨率细胞通过降采样得到低分辨率细胞图像。训练集的特征提取是基于残差块的串联网络和并联卷积网络的结合。超分辨率重建采用的是亚分辨率卷积层。经过测试，本网络对低分辨率（10*10到30*30）的细胞图像细节恢复较完整。
📄 2020105098389
📂 G06T3_40
👤 杭州电子科技大学
📅 2020-06-05
本发明公开了一种基于条件扩散模型的偏振图像超分辨率方法，包括以下步骤：步骤一、搭建主动成像系统，拍摄目标物清晰的高分辨率偏振图像；步骤二、使用双三次下采样的插值方法将目标物的高分辨率图像退化为低分辨率图像；根据扩散模型生成图像的思想，结合低频信息提取模块和高频信息提取模块，以及残差卷积模块和自注意力机制模块构建了条件扩散网络模型，建立数据集，充分利用图像的偏振信息，对网络进行训练使其能够根据输入的低分辨率偏振图像和服从标准正态分布的噪声图像输出高分辨率图像，使用该条件扩散模型对低分辨率图像进行超分可以取得良好的增强效果，且在多种环境下都能够保持稳定的性能。
📄 2024117209662
📂 G06T3_4053
👤 浙江理工大学
📅 2024-11-28
本发明提供了一种基于注意力机制的数字高程模型的超分辨率重建系统，利用高分辨率的光学遥感图像作为额外数据来引导高分辨率DEM的重建，光学遥感图像能够提供丰富的上下文信息，例如地表覆盖、表面纹理和空间模式，这些信息可以与DEM形成互补，此外，本发明通过结合深度学习中的注意力机制，能够从海量数据中学习复杂的空间模式和上下文信息，注意力机制能够自适应地聚焦于光学遥感图像中对于提升DEM质量最为关键的区域，从而实现更精确的高程信息预测和插值，能够提高DEM的分辨率，还能增强重建的准确性与可靠性。
📄 2025107868282
📂 G06T3_4053
👤 华东交通大学
📅 2025-06-13
本发明公开了一种基于反馈机制的单图像超分辨率重建系统及方法，本发明采用了反馈机制，通过浅层特征提取模块、第一深层特征提取模块、第一重建模块形成低分辨率图像的第一次迭代；通过特征精炼模块、第二深层特征提取模块、第二重建模块形成低分辨率图像的第二次迭代，本发明能够将第一次迭代提取的深层特征映射精炼第二次迭代的浅层特征映射，能够在不加深网络深度的情况下提取到低分辨率图像的更深层的特征，从而提升图像网络模型的训练效果。
📄 2020111391305
📂 G06T3_40
👤 长沙理工大学
📅 2020-10-22
本发明公开了一种医疗图像超分辨率重建方法及系统，构建一个蒸馏渐进式细化模块，逐步提取层次结构特征，并能够通过对比度感知注意力模块协作，逐步筛选出最有用的特征信息，这不仅能提取深层特征，还能保留图像高频部分，如边缘、结构等，最终经过组合式上采样模块，可将低分辨率医疗图像重建成边缘、细节信息清晰的超分辨率图像，能够提升医疗图像超分辨率效率（重建单张图像的时间约为38毫秒）。经过实验证明，本发明的基于多重特征蒸馏的医疗图像超分辨率方法，能够提升医疗超分辨率图像的质量和效率，图像的客观指标和重建时间都优于对比的方法，模型的参数量相对于对比模型少了6倍左右。
📄 2021101450975
📂 G06T3_40
👤 中南大学
📅 2021-02-03
本发明公开了一种面向海上船舶图像的多尺度超分辨率重建方法、终端设备，获取高分辨率海上船舶图像，利用所述高分辨率海上船舶图像合成低分辨率图像；使用低分辨率图像训练退化表征估计网络，获取所述低分辨率图像的退化表征向量；将所述低分辨率图像和所述退化表征向量作为重建模型的输入，训练所述重建模型，得到多尺度超分辨率重建模型。本发明可以在现实复杂场景中获得更为精准的退化表征估计，并改善退化图像的长尾分布问题，解决现有超分辨率方法在非特定场景下性能较差的问题，可以应对海上船舶图像超分辨率应用的多样复杂场景。
📄 2024115360094
📂 G06T3_4053
👤 中南大学
📅 2024-10-31
本发明针对胶囊内窥镜(CE)检测中因摄像头分辨率低和检查环境的限制无法获得结构、细节等特征清晰的图像，提出了一种基于多尺度残差的超分辨率重建方法用于胶囊内窥镜图像的超分辨率重建，超分辨率重建网络主要由两个部分组成，一部分是由浅层特征提取模块、多尺度残差特征提取模块(MRCB)和层次特征处理模块(HFCA)组成的特征提取部分，用于对输入的低分辨率图像(LR)进行不同尺度下信息的提取和利用，并在避免信息丢失的同时对特征信息赋予相应的权重，以便后续的上采样重建，另一部分是由亚像素层上采样方法和卷积层组成的图像重建模块，用于生成最终的超分辨率图像(SR)。
📄 2022105390751
📂 G06T11_00
👤 重庆邮电大学
📅 2022-05-18
柿子坊 · 知识产权运营
柿子坊知识产权运营平台