一种基于多注意力残差特征融合的医学图像超分辨率重建方法，联合了通道注意力机制和空间注意力机制两个模块，让网络对输入图片的特征进行加权重处理，从而解决输入特征被平等处理而导致网络表征能力不足的问题；提出了残差注意力特征融合模块(RAFF)，将神经网络中局部的特征进行融合，再加上全局的特征融合，可以更充分地利用整个网络中的局部残差特征，从而解决深度神经网络过深而网络学习能力不足的问题。本发明有效地对医学图像进行超分辨率重建，可以提高较深的超分辨率网络的图像超分重建性能。
📄 2021106360354
📂 G06T3_40
👤 浙江工业大学
📅 2021-06-08
一种基于改进生成对抗网络的图像超分辨率重建方法，包括如下步骤：1)收集大量2k像素高质量图片，从中截取大量HR块，通过4倍下采样的方式得到对应的LR块，以此构建训练数据集。2)建立生成对抗网络模型，生成器网络G采用残差网络，条件判别器D同样采用残差网络。3)用相对判别器的思想改进生成对抗网络的训练损失函数，并在生成器损失函数中加入内容损失，在判别器损失函数中加入基于假数据的梯度惩罚项，再使用处理好的的训练数据集并采用Adam优化器对网络进行对抗训练，直到其收敛。4)由训练好的生成器网络完成对低像素图像的4倍超分辨率重建。
📄 2019103047430
📂 G06T3_40
👤 浙江工业大学
📅 2019-04-16
本发明涉及一种基于递归局部合成网络的单幅图像超分辨率重建方法。该方法通过训练一个深度网络学习图像训练数据库中多个低分辨率图像和高分辨率图像之间的对应关系，泛化到图像测试数据库，从而实现对测试数据的重建。该方法的创新点有两个：首先，该方法提出了一种优化了的残差网络单元，与传统的残差单元比较，优化了的残差网络单元网络层数少，参数减少一半，非线性拟合能力更高；其次，本方法还提出了递归局部合成网络模块，使得局部合成网络模块可以递归定义，即一个局部合成网络模块中又包含若干个局部合成网络模块。本发明提供的网络结构可以通过多个浅层特征学习到更为有效和紧凑的高层特征，从而重建出更加清晰的高分辨率图像。
📄 2019105732600
📂 G06T3_40
👤 闽江学院
📅 2019-06-28
本发明提供一种基于跨尺度注意力网络的图像超分辨率重建系统及方法，包括浅层特征提取模块、多尺度残差模块和重建模块；浅层特征提取模块用于提取低分辨率图像的浅层特征；多尺度残差模块包括若干个级联的高阶跨尺度注意力组、一个特征融合模块和一个全局残差加法器；高阶跨尺度注意力组与特征融合模块以级联方式连接，同时各个高阶跨尺度注意力组以其前一个高阶跨尺度注意力组的输入特征和输出特征作为输入。通过构建的图像超分辨率重建系统学习多尺度特征在跨尺度及尺度内的通道相关性，并根据相关性调整注意力权重，实现了多尺度特征的自适应调整，从而提高网络对特征的辨析学习能力，进而提高了图像超分辨率重建质量。
📄 2021102518176
📂 G06T3_40
👤 西华大学
📅 2021-03-08
本发明公开一种基于宽度神经网络的图像超分辨率重建方法及系统，所述方法首先获取训练集图像和低分辨率图像；其次根据所述训练集图像构建宽度神经网络模型；然后采用正则化的相关熵准则训练所述宽度神经网络模型，获得宽度神经网络模型的参数；所述参数包括目标函数和输出层权值；最后根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。本发明利用正则化的相关熵准则训练宽度神经网络模型，利用已训练的宽度神经网络模型对低分辨率图像进行超分辨率重建，构建的宽度神经网络模型结构简单、易于训练，图像重建时间短，提高了实际应用性。
📄 2019109341659
📂 G06T3_40
👤 燕山大学
📅 2019-09-29
本发明提出一种基于空洞残差稠密卷积的图像超分辨率重建方法及系统，包括构建包括特征提取层、非线性映射层和图像重建层的图像重建网络；非线性映射层包括由若干个依次稠密连接的空洞卷积层和标准卷积层组成的空洞残差稠密模块；将预处理后的待重建图像输入图像重建网络，待重建图像经过特征提取以及与高分辨率图像的映射，图像重建网络输出高分辨率图像。使用稠密连接的空洞卷积层和标准卷积层组成的残差结构，相比标准卷积层能够提取更多的图像的语境信息并且能够提高特征信息的重复利用率，增加前面卷积层提取的特征信息对最后图像重建的贡献率，充分利用图像的特征信息，降低网络的训练难度，实现图像重建的质量和效率的提高。
📄 2022102098047
📂 G06T3_4053
👤 暨南大学
📅 2022-03-03
本发明公开了一种基于深度学习的轻量级图像超分辨率重建方法，其实施方案为：1)获取训练数据集；2)扩充训练数据集；3)构建多尺度特征挑选网络；4)构建损失函数；5)训练模型；6)图像超分辨率重建。本发明构建的多尺度特征挑选网络，通过构建多尺度特征挑选模块来提取丰富的多尺度特征，增强网络的表达能力，提升图像超分辨率重建性能。为了提高网络的自适应能力，在多尺度特征挑选模块中，设计多尺度特征融合模块用于融合不同尺度的特征并动态调整感受野范围。相比其他基于深度学习的轻量级图像超分辨率重建方法，本发明能以相对较少的参数获得较为准确的图像超分辨率重建结果，易于部署在现实场景的移动设备中。
📄 2022107368964
📂 G06T3_4053
👤 中南大学
📅 2022-06-27
本发明公开了一种基于卷积神经网络的图像超分辨率重建方法，属于人工智能和图像处理技术领域，包括获取需要提升分辨率的初级图像，获取超分辨率重建卷积神经网络，初步卷积层接收初级图像作为输入，将初步特征图输入深层特征映射单元，使各个整合式特征提制模块依次对特征图进行征提取操作，图像重构单元对综合特征图进行超分辨率重建等步骤。本发明在两个注意力机制中均设置了平均池化、最大池化和中值池化来感知图像中的重要信息，并通过设置特征整合单元，将前级空间调制模块中的部分调制信息输入后级通道调制模块中，使得后级通道调制模块同时具备空间方向和通道方向的视野，网络具有重建效果好，鲁棒性强等优点。
📄 2022107321510
📂 G06T3_40
👤 威海职业学院(威海市技术学院)
📅 2022-06-27
本实施例公开一种图像超分辨率重建方法及装置、存储介质，该图像超分辨率重建方法可以包括：根据待重建原始图像进行数据生成处理，得到中间图像和第一彩色图像；根据中间图像和第一彩色图像，对待重建原始图像进行图像超分辨率重建，获得重建后的图像。
📄 2019100989929
📂 G06T3_40
👤 深圳市商汤科技有限公司
📅 2019-01-31
柿子坊 · 知识产权运营
柿子坊知识产权运营平台