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
本发明公开了一种基于稳定扩散的真实世界图像超分辨率方法，涉及图像超分辨率技术领域，具体通过构建并训练增强先验引导扩散模型实现；所述增强先验引导扩散模型实现真实世界图像超分辨率的过程为：预处理模块根据低分辨率图像生成预处理图像，分割模块根据预处理图像生成对应的分割掩码图像，注意力融合模块根据预处理图像和分割掩码图像的潜在特征生成融合潜在特征；语义提示提取器从预处理图像提取高质量语义提示词输入去噪主干网络；控制网络基于融合潜在特征对去噪主干网络进行特征调制；去噪主干网络输出高分辨率图像。本发明在真实世界图像超分辨率任务上更注重图像高频细节和结构层次，保证了复原图像的真实性与一致性。
📄 2024114139460
📂 G06T3_4053
👤 华侨大学
📅 2024-10-11
本发明公开了一种基于SRCNN补充模块的超分辨率重建方法，属于计算机视觉技术领域，方法包括：对数据集进行预处理，通过双三次线性插值的方法获取低分辨率图像；将低分辨率图像和对应原始的高分辨率图像进行分块处理；将分块处理后的图像块取其亮度通道作为重建模型输入数据；构建重建模型，初始化模型参数，确定均方差误差作为损失函数；输入训练集中的低分辨率图像得到重建图像，利用Adam优化器更新模型参数，经过迭代计算获得训练好的重建模型；将低分辨率图像输入到训练好的重建模型中获得高分辨率图像。本发明能够将置0的信息补充到模型中去，能够提高模型的性能，经过三层卷积操作后能够得到重建后的高分辨图像。
📄 202210589659X
📂 G06T3_4053
👤 燕山大学
📅 2022-05-26
本发明提供一种深度图像引导式超分辨率重建网络模型，包括梯度特征提取模块、深度特征提取模块、特征融合模块、扩散模块。本发明能够保留和融合与深度特征域相似的彩色图像特征，从而可以避免彩色图像纹理过度转移的负面影响，提高重建图像的质量；通过特征融合模块中，能够保证融合梯度特征和融合深度特征的深度融合，从而避免特征融合的不充分所产生的负面影响；此外，本发明利用扩散模块强大的数据分布模拟能力以及在引导信息的引导下，能够保证生成高分辨率的目标深度图像，使目标深度图像与真实图相似，从而减轻高分辨率深度图像生成的不确定性。
📄 2024109858399
📂 G06T3_4053
👤 华东交通大学
📅 2024-07-23
本发明提供了一种基于注意力机制的数字高程模型的超分辨率重建系统，利用高分辨率的光学遥感图像作为额外数据来引导高分辨率DEM的重建，光学遥感图像能够提供丰富的上下文信息，例如地表覆盖、表面纹理和空间模式，这些信息可以与DEM形成互补，此外，本发明通过结合深度学习中的注意力机制，能够从海量数据中学习复杂的空间模式和上下文信息，注意力机制能够自适应地聚焦于光学遥感图像中对于提升DEM质量最为关键的区域，从而实现更精确的高程信息预测和插值，能够提高DEM的分辨率，还能增强重建的准确性与可靠性。
📄 2025107868282
📂 G06T3_4053
👤 华东交通大学
📅 2025-06-13
本发明公开了一种多阶段渐进式图像超分辨率方法，包括：使用多尺度特征提取模块提取待重建的图像特征，并引入通道注意力模块，对不同通道特征赋予权重，从而增强重要通道特征的表现能力；采用残差特征融合机制，充分利用图像上下文特征的关联性，得到第一阶段中的重建图像；使用精细化模块，对第一阶段中得到的重建图像进行优化，从而得到更为精细的重建图像；采用损失函数进行训练，进一步提升模型的超分辨率效果。本发明方法有效提高了图像超分辨率重建的效果，在主观视觉和客观评价指标方面都获得了更好的效果。
📄 2021108589495
📂 G06T3_4053
👤 华侨大学
📅 2021-07-28
柿子坊 · 知识产权运营
柿子坊知识产权运营平台