-
公开(公告)号：CN119579415A
公开(公告)日：2025-03-07
申请号：CN202510106199.4
申请日：2025-01-23
Applicant: 华侨大学
IPC: G06T3/4076 , G06N3/0464 , G06T3/4046 , G06T5/60 , G06T5/70 , G06T5/77
Abstract: 本发明公开了一种基于残差预测的扩散模型的人脸图像超分辨率方法及装置，涉及图像超分辨率领域，包括：获取待重建的低分辨率图像；构建基于残差预测的扩散模型和条件噪声预测器并训练，得到经训练的扩散模型和经训练的条件噪声预测器；从标准高斯分布中采样高斯噪声作为残差噪声图像，将待重建的低分辨率图像、每一步的残差噪声图像和对应步长输入到经训练的条件噪声预测器，预测得到每一步的预测噪声，并通过经训练的扩散模型中的反向去噪网络迭代执行T步的去噪过程，得到复原残差图像；将复原残差图像与上采样的待重建的低分辨率图像相加，得到复原高分辨率图像。本发明解决了现有的图像超分辨率方法的生成过程复杂且对细节的恢复有限的问题。
-
公开(公告)号：CN118229532B
公开(公告)日：2024-10-22
申请号：CN202410626959.X
申请日：2024-05-21
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06T5/60
Abstract: 本发明公开了一种基于复合Transformer的图像超分辨率方法及系统，涉及图像超分辨率领域，方法包括：构建基于复合Transformer的图像超分辨率网络；利用图像超分辨率网络实现对于低分辨率图像的超分辨率重建，输出对应的高分辨率图像；所述图像超分辨率网络包括浅层特征提取模块、深层特征提取模块和图像重建模块，其中，深层特征提取模块包括若干残差组，残差组包括空间多头注意力和通道组注意力层组成的残差复合Transformer以及整合自注意力和卷积前馈网络组成的整合Transformer。本发明通过残差组在空间和通道维度上聚合特征，减少通道数量从而不会丢失空间信息，重建高质量的高分辨率图像。
-
公开(公告)号：CN118229532A
公开(公告)日：2024-06-21
申请号：CN202410626959.X
申请日：2024-05-21
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06T5/60
Abstract: 本发明公开了一种基于复合Transformer的图像超分辨率方法及系统，涉及图像超分辨率领域，方法包括以下步骤：构建基于复合Transformer的图像超分辨率网络；利用基于复合Transformer的图像超分辨率网络实现对于低分辨率图像的超分辨率重建，输出对应的高分辨率图像；所述基于复合Transformer的图像超分辨率网络包括依次连接的浅层特征提取模块、深层特征提取模块和图像重建模块，其中，深层特征提取模块包括若干依次连接的残差组，每个残差组包括残差复合Transformer和整合Transformer，残差复合Transformer包括空间多头注意力和通道组注意力层，整合Transformer包括整合自注意力和卷积前馈网络。本发明通过残差复合Transformer在空间和通道维度上聚合特征；通过整合Transformer减少通道数量而不会丢失空间信息，重建高质量的高分辨率图像。
-
公开(公告)号：CN119359547B
公开(公告)日：2025-05-02
申请号：CN202411936474.7
申请日：2024-12-26
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/0495 , G06T3/4046
Abstract: 本发明设计图像处理技术领域，公开了一种基于特征蒸馏和层间信息交互的轻量级图像超分辨率方法，包括以下步骤：构建动态非对称蒸馏模块和层间全维信息交互模块；基于动态非对称蒸馏模块和层间全维信息交互模块构建轻量级图像超分辨率网络；利用所述轻量级图像超分辨率网络实现图像超分辨率；其中，所述轻量级图像超分辨率网络利用卷积层对输入的低分辨率图像进行浅层特征提取，利用动态非对称蒸馏模块和层间全维信息交互模块对浅层特征进行深层特征提取，利用卷积层和上采样对深层特征进行图像重建，得到高分辨率图像。本发明以更轻量、更有效的方式提取关键特征，从而实现在提升重建效果的同时，最小化计算开销和参数量。
-
Patent Agency Ranking
公开(公告)号：CN118396988B
公开(公告)日：2024-10-22
申请号：CN202410824677.0
申请日：2024-06-25
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/006 , G06N3/0499 , G06N3/08 , G06V10/40 , G06V10/764
Abstract: 本发明公开了一种基于改进Alex网络的CT图像肾结石检测方法，涉及医院图像处理技术领域其特征在于，包括以下步骤：构建CT图像肾结石检测模型，所述CT图像肾结石检测模型包括依次连接的特征提取模块和分类器；所述特征提取模块采用Alex网络，所述分类器采用萤火虫群优化ELM网络，所述萤火虫群优化ELM网络采用萤火虫群算法加速ELM网络的运算过程；使用批量归一化技术训练CT图像肾结石检测模型；利用训练好的CT图像肾结石检测模型对输入的CT图像进行肾结石检测。本发明采用批量归一化提高AlexNet的训练速度，采用萤火虫群优化算法来优化ELM网络初始参数，提高训练的收敛速度和性能，最终提升了肾结石检测的速度和精度。
-
公开(公告)号：CN118396988A
公开(公告)日：2024-07-26
申请号：CN202410824677.0
申请日：2024-06-25
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/006 , G06N3/0499 , G06N3/08 , G06V10/40 , G06V10/764
Abstract: 本发明公开了一种基于改进Alex网络的CT图像肾结石检测方法，涉及医院图像处理技术领域其特征在于，包括以下步骤：构建CT图像肾结石检测模型，所述CT图像肾结石检测模型包括依次连接的特征提取模块和分类器；所述特征提取模块采用Alex网络，所述分类器采用萤火虫群优化ELM网络，所述萤火虫群优化ELM网络采用萤火虫群算法加速ELM网络的运算过程；使用批量归一化技术训练CT图像肾结石检测模型；利用训练好的CT图像肾结石检测模型对输入的CT图像进行肾结石检测。本发明采用批量归一化提高AlexNet的训练速度，采用萤火虫群优化算法来优化ELM网络初始参数，提高训练的收敛速度和性能，最终提升了肾结石检测的速度和精度。
-
公开(公告)号：CN119599875B
公开(公告)日：2025-04-11
申请号：CN202510138336.2
申请日：2025-02-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/08 , G06T3/4038 , G06T3/4046 , G06T5/60 , G06T5/73
Abstract: 本发明公开了一种面向局部运动模糊的图像超分辨率方法及装置，涉及图像处理领域，包括：获取待重建的低分辨率图像并输入到经训练的图像超分辨率模型，低分辨率图像输入到图像选择模块，得到图像分组标签，图像分组标签包括正标签和负标签，正标签与模糊图像块相对应，负标签与其他图像块相对应；根据图像分组标签分别将正标签相对应的模糊图像块以及负标签相对应的其他图像块输入到正标签特征提取分支和负标签特征提取分支，得到正标签特征和负标签特征，正标签特征和负标签特征经过拼接层进行拼接，得到图像特征；图像特征经过图像重建模块，重建得到对应的高分辨率图像。本发明解决了局部运动模糊图像在超分辨率重建中性能差和效率低的问题。
-
公开(公告)号：CN119599875A
公开(公告)日：2025-03-11
申请号：CN202510138336.2
申请日：2025-02-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/08 , G06T3/4038 , G06T3/4046 , G06T5/60 , G06T5/73
Abstract: 本发明公开了一种面向局部运动模糊的图像超分辨率方法及装置，涉及图像处理领域，包括：获取待重建的低分辨率图像并输入到经训练的图像超分辨率模型，低分辨率图像输入到图像选择模块，得到图像分组标签，图像分组标签包括正标签和负标签，正标签与模糊图像块相对应，负标签与其他图像块相对应；根据图像分组标签分别将正标签相对应的模糊图像块以及负标签相对应的其他图像块输入到正标签特征提取分支和负标签特征提取分支，得到正标签特征和负标签特征，正标签特征和负标签特征经过拼接层进行拼接，得到图像特征；图像特征经过图像重建模块，重建得到对应的高分辨率图像。本发明解决了局部运动模糊图像在超分辨率重建中性能差和效率低的问题。
-
公开(公告)号：CN119359547A
公开(公告)日：2025-01-24
申请号：CN202411936474.7
申请日：2024-12-26
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/0495 , G06T3/4046
Abstract: 本发明设计图像处理技术领域，公开了一种基于特征蒸馏和层间信息交互的轻量级图像超分辨率方法，包括以下步骤：构建动态非对称蒸馏模块和层间全维信息交互模块；基于动态非对称蒸馏模块和层间全维信息交互模块构建轻量级图像超分辨率网络；利用所述轻量级图像超分辨率网络实现图像超分辨率；其中，所述轻量级图像超分辨率网络利用卷积层对输入的低分辨率图像进行浅层特征提取，利用动态非对称蒸馏模块和层间全维信息交互模块对浅层特征进行深层特征提取，利用卷积层和上采样对深层特征进行图像重建，得到高分辨率图像。本发明以更轻量、更有效的方式提取关键特征，从而实现在提升重建效果的同时，最小化计算开销和参数量。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
