一种基于无监督超分辨率的三维指纹方法，包括如下步骤：1)设计无监督超分辨率网络模型；2)使用系统采集的条纹投影指纹图像，通过无监督超分辨率神经网络模型来提高条纹投影指纹图像的分辨率，利用超分辨率后的图像进行三维重建，得到指纹的三维结构。本发明设计了一个无监督神经网络能够解决单一低分辨率条纹投影指纹的超分辨率，同时也改善结构光采集到的条纹投影指纹边缘模糊现象，从而使三维重建后的指纹图像更加清晰，精度更高。
📄 2023106877247
📂 G06T17_00
👤 浙江工业大学
📅 2023-06-12
一种基于分数阶梯度插值的超分辨率方法，其步骤依次如下：①首先构建基于分数阶的梯度模板：对插值的中心点建立6个方向的分数阶梯度模板，对插值边缘点建立9个方向的分数阶梯度模板；②然后通过图像相似性准则选择最优分数阶值及插值梯度：采用梯度相似的最小能量函数确定最优的分数阶值；③然后通过最小能量函数构建超分辨率图像；④之后通过金字塔法构建多比例超分辨率图像：每层比例为2，对每4个低分辨率像素点，插值1个中心点和4个边缘点。本发明可得到最优梯度值，获得的高分辨率图像有更高的相似度及更加清晰的纹理细节，并且在大比例下有较好的鲁棒性。
📄 2017101527097
📂 G06T7_49
👤 沈阳理工大学
📅 2017-03-15
本发明公开了一种基于对偶图的图像超分辨率方法。本发明通过引进图模型来探索图像内部像素的拓扑特性和自相似性。提出了基于向量的行图模型和基于向量的列图模型，将每个像素看成是一个节点的图模型，而是通过构造相似块组从而将每一列或每一行看成是一个节点，节点间的距离计算即为列向量或行向量之间的欧氏距离。最终得到的超分辨率的表达式的正则项为对偶图，二次项为超分辨组与字典的乘积、待处理组之间的偏差。最后引入了图像正则化技术，将图像处理后的偏差进行一个回传正则化迭代，进一步对提出的方法进行优化。本发明将图模型延伸到了向量节点模式，并非单一的像素节点模式，并应用在了图像超分辨率领域。
📄 2018101223414
📂 G06T3_40
👤 杭州电子科技大学
📅 2018-02-07
本发明公开了一种基于空‑谱信息深度利用的高光谱遥感影像超分辨率方法，首先按照设定的采样间隔从输入的高光谱遥感影像中选取波段，对选取的波段进行超分辨率处理；然后利用光谱间的相关性对未被选择的波段进行插值，得到一幅完整的高光谱影像；最后对经插值得到的高光谱遥感影像与最初输入的低分辨率高光谱遥感影像进行内部的自融合，进一步利用未被选择的波段的空‑谱信息，实现输入影像中所包含的全部空谱信息的深度利用，从而得到最终的高分辨率影像。本发明解决了现有技术中存在的高光谱遥感影像空间分辨率低难以实现高精度分类及属性分析的问题。
📄 2019103566080
📂 G06T5_00
👤 西安理工大学
📅 2019-04-29
本发明提出一种基于精准核估计的交替优化图像盲超分辨率重建方法，该方法在网络头部采用模糊核估计模块，接着将估计器和恢复器交替迭代作为推理的过程，将低分辨率图像输入到网络中，网络输出对应的高分辨率图像以及对应的模糊核。使用该方法可以在未知图像的退化方式的情况下生成质量更高的图像。
📄 2022107448140
📂 G06T3_40
👤 闽江学院
📅 2022-06-28
本发明提供一种视差指导的双目超分辨率图像重建方法与系统，涉及计算机视觉双目超分辨率技术领域；方法包括：通过构建的视差指导双目超分辨率模型对输入的双目低分辨率图像进行去伪影处理，得到双目去伪影图像，对双目去伪影图像进行迭代去噪处理，得到双目超分辨率重建图像，并估计出双目超分辨率重建图像的双目估计视差，分别计算双目估计视差和双目超分辨率重建图像对应的损失值，根据不同的损失值对模型优化，以使用优化后的模型将目标双目低分辨率图像重建为目标双目超分辨率重建图像。通过视差损失和路径损失来约束模型，提高模型重建精度，以重建出高保真和聚集高频信息的双目高分辨率图像。
📄 202411734017X
📂 G06T7_593
👤 武汉工程大学
📅 2024-11-29
本发明公开了一种基于分层多尺度残差融合网络的人脸超分辨率方法及装置，属于人脸图像超分辨率领域，该方法包括：将高分辨率人脸图像下采样至目标低分辨率人脸图像，将目标低分辨率图像进行分块操作，分出相互重叠的图像块后，使用瓶颈注意力模块提取精细的脸部特征图；将提取的精细脸部特征图发送到多尺度残差模块，多尺度残差模块内使用不同卷积层提取特征信息，使用交叉的方式实现特征信息共享，多尺度残差模块外使用跳跃连接的方式实现多尺度特征信息融合，以更有效的提高SR性能；通过特征融合来更新目标低分辨率人脸图像的特征图以产生高分辨率结果。本发明所提出的网络优于其他最新的人脸图像超分辨率算法，能生成更高质量的人脸图像。
📄 2020107715528
📂 G06T3_40
👤 武汉工程大学
📅 2020-08-04
本发明公开了一种多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置，属于遥感卫星图像超分辨率领域，该方法包括：将下采样后的目标低分辨率图像通过深度残差网络进行特征提取，对提取出的特征图进行两次上采样操作，使其与原高分辨率卫星图像大小一致；由多尺度残差模块内使用不同卷积的残差块提取特征图特征信息，使用交叉的方式实现特征信息共享，残差模块外使用跳跃连接的方式实现多尺度特征信息融合；通过特征融合来更新目标低分辨率卫星图像的特征图以生成最终的高分辨率卫星图像；利用判别器对生成的高分辨率图像与原始的高分辨率图像进行对比。本发明所提出的网络优于其他最新的遥感卫星图像超分辨率算法，能生成更高质量的卫星图像。
📄 2021100351366
📂 G06T3_40
👤 武汉工程大学
📅 2021-01-12
本发明涉及图像处理领域，提出了一种双路Transformer图像超分辨率方法及系统，设计了一种双路Transformer网络，通过深度特征提取模块进行纹理细节信息的强化，其中双路特征融合子模块采用了两条Transformer分支支路来探索空间域的长程依赖，再将上下两个分支支路的输出特征进行融合，不仅实现了两个分支支路上的信息交互，增强了纹理细节信息的获取，而且还可以压缩通道，减少网络的参数量，全局特征融合子模块融合来自不同层级的特征信息以获取深层特征以有效结合了Transformer网络和卷积神经网络的优势，本发明提高了图像超分辨率对图像纹理细节的重建质量。
📄 202411407368X
📂 G06T3_4046
👤 江西师范大学
📅 2024-10-10
本发明实施例公开了一种遥感图像超分辨率方法、装置、设备及计算机可读存储介质。其中，方法包括基于SRGAN算法预先构建超分辨图像生成模型，将待提高分辨率的遥感图像输入至超分辨率图像生成模型中，以实现遥感图像超分辨率，超分辨图像生成模型包括生成器、判别器及网络层；生成器和判别器的损失函数为基于推土机距离所得；生成器为以高分辨率遥感图像为输入图像，训练残差卷积网络所得。本申请实现了快速、高效的进行遥感图像超分辨率，将推土机距离定义为损失函数，作为反映训练状态失指标，不仅降低训练难度，还有效提高模型训练稳定性、精度和准确度。
📄 2019101111517
📂 G06T3_40
👤 广东工业大学
📅 2019-02-12
柿子坊 · 知识产权运营
柿子坊知识产权运营平台