-
公开(公告)号：CN108921785B
公开(公告)日：2020-07-07
申请号：CN201810614929.1
申请日：2018-06-14
Applicant: 厦门大学
Abstract: 基于小波包的超分辨率重建方法，输入三通道彩色低分辨图，通过32个残差单元构成的深度神经网络输出高分辨图片的高频特征；将32个残差单元的输出再输入到另外一组32个残差单元构成的深度神经网络，再输出高分辨率图片的低频特征；利用小波包将高分辨图片的低频特征和高频特征合成为最终的高分辨率图片。网络结构更为简单，训练参数更少，从而可以构建出比之前方法更深的网络结构，而增加网络深度及特征通道数是提高模型的准确率的重要方法之一。小波包是用来将图片的高频细节和低频内容分开，利用各自独立的损失函数来控制的高频细节信息和低频图片内容在超分辨率重建中所占的比例，可控制出现过度的纹理细节，或者纹理缺失的情况。
-
公开(公告)号：CN108765297B
公开(公告)日：2020-07-17
申请号：CN201810619839.1
申请日：2018-06-14
Applicant: 厦门大学
IPC: G06T3/40
Abstract: 基于循环训练的超分辨率重建方法，涉及超分辨率图像重建。输入低分辨率图片，生成高分辨率图片，预训练图像放大生成器；输入高分辨率图片，生成低分辨率图片，预训练图像缩小生成器；连接图像放大生成器和图像缩小生成器，循环训练直至收敛。受到CycleGAN的启发，采用了一个对称的图像放大和缩小的网络结构，它由两个生成器组成，可以实现从低分辨率图片到高分辨率图片的循环生成，通过这种循环训练的方式对SR效果进行调优。
-
公开(公告)号：CN108921785A
公开(公告)日：2018-11-30
申请号：CN201810614929.1
申请日：2018-06-14
Applicant: 厦门大学
Abstract: 基于小波包的超分辨率重建方法，输入三通道彩色低分辨图，通过32个残差单元构成的深度神经网络输出高分辨图片的高频特征；将32个残差单元的输出再输入到另外一组32个残差单元构成的深度神经网络，再输出高分辨率图片的低频特征；利用小波包将高分辨图片的低频特征和高频特征合成为最终的高分辨率图片。网络结构更为简单，训练参数更少，从而可以构建出比之前方法更深的网络结构，而增加网络深度及特征通道数是提高模型的准确率的重要方法之一。小波包是用来将图片的高频细节和低频内容分开，利用各自独立的损失函数来控制的高频细节信息和低频图片内容在超分辨率重建中所占的比例，可控制出现过度的纹理细节，或者纹理缺失的情况。
-
公开(公告)号：CN108765297A
公开(公告)日：2018-11-06
申请号：CN201810619839.1
申请日：2018-06-14
Applicant: 厦门大学
IPC: G06T3/40
Abstract: 基于循环训练的超分辨率重建方法，涉及超分辨率图像重建。输入低分辨率图片，生成高分辨率图片，预训练图像放大生成器；输入高分辨率图片，生成低分辨率图片，预训练图像缩小生成器；连接图像放大生成器和图像缩小生成器，循环训练直至收敛。受到CycleGAN的启发，采用了一个对称的图像放大和缩小的网络结构，它由两个生成器组成，可以实现从低分辨率图片到高分辨率图片的循环生成，通过这种循环训练的方式对SR效果进行调优。
-
-
-
Search Results
4
records
(took 0.017 seconds)
