本发明涉及一种图像超分辨率重建方法、系统及计算机存储介质，其方法包括以下步骤，S1，将原始图像重塑为固定大小尺寸的图像，得到原始高分辨率图像，将原始高分辨率图像进行插值下采样，得到低分辨率图像；S2，基于生成网络对低分辨率图像进行基于边缘增强的超分辨率重建，得到超分辨率图像；S3，基于判别网络和原始高分辨率图像对超分辨率图像进行真伪判别。本发明其将单一的低分辨图像通过边缘细节信息增强表达，在原始超分辨率重建生成网络中加入边缘增强融合网络提高了图像超分辨率重建性能，获得更清晰的重建图像；另外，判别网络也可以提升边缘增强生成对抗网络的重建性能。
📄 201910687010X
📂 G06T3_40
👤 武汉工程大学
📅 2019-07-29
本发明提出一种基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法，所提供的超分辨率重建网络由三个子网络组成，即核估计子网络、Bicubic下采样图像空间对齐子网络和图像重建子网络。传统的盲图像超分辨率重建网络一般包含两个子网络：核估计子网络和图像重建子网络。这类方法通过核估计子网络获得模糊核的估计，然后直接把模糊核信息输入到图像重建子网络中，使得模糊核的估计误差直接传递到图像重建过程中，影响了重建图像的质量。而本发明则是把估计核信息输入到Bicubic下采样图像空间对齐子网络中，让低分辨率图像先映射到Bicubic下采样图像空间中，获得Bicubic下采样LR图像，因此图像重建子网络可以采用任意传非盲超分辨率重建网络。
📄 2023105391015
📂 G06T3_4053
👤 闽江大学
📅 2023-05-15
本发明提出一种基于参考图的多匹配搜索和超分辨率重建方法，以参考图的多匹配搜索和超分辨率重建网络作为基于参考图像的超分辨率重建的深度网络，将低分辨率图像输入到参考图的多匹配搜索和超分辨率重建网络，重建网络输出高分辨率图像。该方法能够重建出有着更好纹理细节的高分辨率图像。
📄 2022107989175
📂 G06F16_583
👤 闽江学院
📅 2022-07-08
本发明公开了一种注意力机制增强的图像超分辨率重建方法，包括构建卷积神经网络、训练神经网络、首部特征抽取模块对原始图像进行特征抽取、各个滤性特征抽取模块依次进行特征提取操作、将后级特征图输入上采样模块，上采样模块重建并输出分辨率大于原始图像的重建图像等步骤。两个空间校准模块互相配合互补，使得滤性特征抽取模块对不同类型的特征信息都具有比较精准的抽取能力；多个滤性特征抽取模块沿着网络的深度方向首尾连接，最终达到过滤消除不同层级中重复图像信息的效果，后级特征图中保留更多的有效图像信息，有利于在高分辨率图像中重建出高频细节特征。
📄 2022108123841
📂 G06T3_40
👤 四川轻化工大学
📅 2022-07-11
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
柿子坊 · 知识产权运营
柿子坊知识产权运营平台