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
本发明公开了一种图像超分辨率重建方法，包括：获取训练数据集并对训练数据集进行增广处理；构建图像超分辨率重建网络模型；通过增广处理后的训练数据集对构建好的图像超分辨率重建网络模型进行训练；将待重建的图像输入训练好的图像超分辨率重建网络模型得到重建的超分辨率图像，本发明在不改变成像系统硬件设备的前提下，能够有效提升获取图像的边缘清晰度。
📄 2022115299928
📂 G06T3_4053
👤 南京信息工程大学
📅 2022-11-30
一种基于类高斯模糊核的图像正则化超分辨重建方法，综合考虑畸变和扰动因素即现有模型与实际退化的匹配误差，采用类高斯函数模型对实际退化所造成的模糊效应进行建模，并以最小均方误差为准则对图像进行超分辨重建。本发明采用四个参量来具体描述客观的模糊过程会更加逼近于模糊的实际情况，通过理论分析及实验结果得到，该模型用于去模糊算法中，提高了图像重建的效果。
📄 202011391482X
📂 G06T3_4053
👤 浙江工业大学
📅 2020-12-02
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
本发明公开一种低剂量CT图像超分辨率去噪方法，包括：获取低剂量CT图像；基于生成式对抗网络构建训练系统，包括生成器和判别器，生成器包括特征提取模块、至少1个轻量高效像素注意力模块、至少1个多尺度细节上下文模块和融合模块，融合模块用于将去噪特征向量和上下文细节紧密联系的特征向量进行融合处理得到预测高剂量CT图像；构建训练系统的总损失函数，利用总损失函数对训练系统进行训练，训练结束时，确定参数的生成器组成CT图像超分辨率去噪模型；应用时，将低剂量CT图像输入至CT图像超分辨率去噪模型，经计算获得超分辨去噪的CT图像。利用所述方法能够抑制低剂量CT图像噪音，提高低剂量CT图像分辨率。
📄 2021104431088
📂 G06T3_4053
👤 浙江工业大学
📅 2021-04-23
本发明公开了一种基于多尺度生成对抗网络的低剂量CT肺部图像的同时超分辨率和去噪方法，包括：(1)收集高剂量CT肺部图像并退化成低剂量CT肺部图像，组成一个样本；(2)构建包含生成器和判别器的生成式对抗网络，其中，生成器包括依次连接的多尺度特征提取模块，卷积层、多个残差通道注意力模块、填充模块、残差模块以及上采样模块，判别器包括一系列的卷积层和BN模块；(3)利用样本训练所述生成式对抗网络优化网络参数，确定的网络参数与生成器组成超分辨率和去噪模型；(4)应用时，采集低剂量CT肺部图像，并输入至超分辨率和去噪模型中，经计算输出高剂量CT肺部图像。该方法提升了超分辨率成像质量和去噪效果。
📄 2020113232939
📂 G06T3_4053
👤 浙江工业大学
📅 2020-11-23
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
本发明属于傅里叶叠层成像技术领域，具体涉及一种基于人工神经网络的最小一乘的稀疏采样傅里叶叠层成像重建方法，该方法包括：采用傅里叶叠层成像设备对图像进行稀疏采样，得到一系列低分辨率的采集图像；建立傅里叶叠层成像正向模型，将采集低分辨率图像顺序输入正向模型，比较人工神经网络仿真生成图像和采集图像最小绝对偏差，求有解约束的最小一乘问题；利用误差反向传播训练和更新人工神经网络权重，得到重建高分辨率的相位恢复图像；本发明采用随机梯度下降优化方法对模型的损失函数进行优化，使得训练后的模型更精确，使得采样稀疏采样数据构建的高分辨率重建图清晰度更高。
📄 2021114485614
📂 G06T3_4053
👤 重庆邮电大学
📅 2021-11-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台