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
本发明提出了一种基于扩散模型的病理切片图像超分辨率方法，涉及图像超分辨率领域。该方法包括：获取病理切片图像，对病理切片图像分割，采用混合特征提取模块，通过结合全局注意力机制和局部卷积，提取病理切片图像的全局和局部特征，采用扩散变换器网络，通过结合扩散模型和ViT网络，在加噪与去噪过程中增强病理切片图像的特征，采用特征融合模块，利用多尺度卷积核和卷积注意力机制，生成病理切片超分辨率图像。
📄 2024114490885
📂 G06T3_4053
👤 济南大学
📅 2024-10-17
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通道融合自注意力机制的单幅图像超分辨率重建方法，基于通道融合自注意力机制的轻量级图像超分辨率网络，包括：浅层特征提取模块、通道融合自注意力模块、密集特征融合模块和图像重建模块。通道融合自注意力是本发明提出一种新的线性自注意力方法。传统的自注意力机制通过对图像空间相邻位置中的相似特征加权求和生成新的像素特征，而通道融合自注意力则是通过融合不同通道间的图像区域特征重新生成新的通道特征。另外，本发明的图像超分辨率网络通过通道融合自注意力和轻量级卷积模块，降低了网络的计算复杂度，使其具有足够的轻量级和灵活性。
📄 2022116446676
📂 G06T3_4076
👤 闽江学院
📅 2022-12-20
本发明公开了一种基于多维注意力融合网络的太赫兹图像超分辨率重建方法及系统，所述方法包括：步骤S1、使用太赫兹图像采集设备采集被检测人员的太赫兹图像组成太赫兹数据集；步骤S2、使用退化模型对所述太赫兹数据集进行特征退化，生成具有广泛退化特征的低分辨率图像训练数据集；步骤S3、基于多尺度融合和通道注意力机制构建多维注意力融合网络，并使用所述具有广泛退化特征的低分辨率图像训练数据集对所述多维注意力融合网络进行训练，得到训练好的多维注意力融合网络；步骤S4、将实时采集的太赫兹图像输入所述训练好的多维注意力融合网络中，得到太赫兹图像超分辨率重建图像。
📄 202510460102X
📂 G06T3_4053
👤 广东工业大学
📅 2025-04-14
本发明涉及水下成像技术领域，特别是涉及一种基于深度学习图像超分辨率重建的水下多光谱鬼成像系统，包括：光调制模块、多光谱光强数据采集模块、控制及图像重建模块，控制及图像重建模块分别与光调制模块、多光谱光强数据采集模块连接，控制及图像重建模块控制光调制模块调制照明光束后投射到目标物上，调制后的照明光束经目标物反射后被多光谱光强数据采集模块接收，多光谱光强数据采集模块将接收的反射光束发送到控制及图像重建模块，在控制及图像重建模块中经预训练的深度神经网络进行图像重建，输出超分辨率图像。本发明结合深度学习图像超分辨率重建算法提供水下多光谱鬼成像系统，提高了成像质量和分辨率。
📄 2025103795441
📂 G06T3_4053
👤 广东工业大学
📅 2025-03-28
本申请属于图像处理技术领域，公开了一种基于条件扩散概率模型的多模态图像融合与超分辨率方法，对多模态的源图像进行模糊处理和融合处理，得到模糊图像和真值融合图像，用以对包含多模态信息融合模块和迭代去噪模块的条件扩散概率模型进行训练，使条件扩散概率模型能够对多模态图像进行融合的同时完成迭代去噪，得到分辨率相对源图像更高的融合图像，并恢复源图像中被退化的细节和纹理信息，实用性较高。
📄 2024107471381
📂 G06T3_4053
👤 佛山大学
📅 2024-06-11
本发明提供了一种半参考型超分辨率重构图像质量评价模型的建立方法，首先分别对低分辨率图像以及高分辨率图像进行显著性检测，从而提取图像的显著性特征；其次将原图像与显著性特征相乘，并对相乘所得图像进行DWT变化，提取图像中的高频信息，并计算出高分辨率图像相对于低分辨率图像的信息增益；然后采用LBP算子提取低分辨率图像和高分辨率图像的纹理特征，并结合图像显著特征，通过直方图来比较低分辨率和高分辨率图像的纹理相似度；最终结合步骤二得到的信息增益和步骤三得到的纹理相似度，构建半参考型超分辨率重构图像质量评价模型。
📄 201811213803X
📂 G06T3_40
👤 江苏商贸职业学院
📅 2018-10-17
已申报项目
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
本发明公开了一种提高图像分辨率的方法，所述方法包括：获取低分辨率图像的特征信息并进行卷积操作得到浅层特征信息；将所述浅层特征信息和反馈特征信息进行增强信息多重蒸馏模块(EIMDB)得到中层特征信息；将所述中层特征信息进行信息多重蒸馏模块(IMDB)得到深层特征信息；根据所述浅层特征信息、中层特征信息和所述深层特征信息得到所述反馈特征信息；根据所述中层特征信息、深层特征信息和所述低分辨率图像的特征信息得到低分辨率图像重建后的超分辨率图片信息。本发明还公开一种提高图像分辨率的系统、装置及存储介质。本发明旨在提高低分辨率图片的重建效果的同时进一步减少参数量和计算量。
📄 2021108848428
📂 G06T3_40
👤 长沙理工大学
📅 2021-08-03
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
本发明公开了一种基于标准化流的图像压缩感知重构方法和系统，该方法提出一种特殊的可逆深度神经网络构成的重构模块，采用逐层升维的形式，创新性地将压缩感知图像重构分解为若干个固定重构子网和可变重构子网，增加了网络的可解释性。在训练阶段，利用标准化流和多层监督的训练方式，通过构建多特征损失函数，将采样过程中丢失的信息映射为符合标准正态分布的高频信息和低频信息上，重构时再从标准正态分布上随机采样，结合测量值，利用网络的可逆性重构出图像块，提高了重构质量。本发明方法适用于采样端资源受限、对重构质量要求高，对实时性要求高的图像传感系统。
📄 2022104697705
📂 G06T3_40
👤 南京邮电大学
📅 2022-04-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台