-
公开(公告)号：CN111105354A
公开(公告)日：2020-05-05
申请号：CN201911349902.5
申请日：2019-12-24
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
Abstract: 本发明公开了一种基于多源深度残差网络的深度图像超分辨率方法及装置，属于深度图像超分辨率领域。由于彩色图像拥有丰富的纹理信息，本发明利用纹理信息丰富的彩色图像引导深度图像进行重建。因为残差信息代表图像的高频信息，因此本发明首先将高分辨率图像下采样至目标低分辨率图像，并且在双分支网络中分别提取输入的低分辨率彩色图像和深度图像的残差信息，然后将提取到的彩色图像和深度图像的残差信息在融合网络中进行融合，最后利用融合后的残差信息和输入的低分辨率深度图像对高分辨率深度图像进行重建。通过本发明提升了网络的重建性能，使得重建后的深度图像有较高质量的纹理信息。
-
公开(公告)号：CN110930309A
公开(公告)日：2020-03-27
申请号：CN201911140189.3
申请日：2019-11-20
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
Inventor： 卢涛 , 王宇 , 张彦铎 , 姚全锋 , 杨泳 , 吴昊 , 石子慧 , 石仝彤 , 陈冲 , 许若波 , 周强 , 郝晓慧 , 魏博识 , 郎秀娟 , 吴志豪 , 王彬 , 陈中婷 , 王布凡 , 刘奥琦 , 陈润斌
Abstract: 本发明公开了一种基于多视图纹理学习的人脸超分辨率方法及装置，属于人脸图像超分辨率领域，该方法包括：首先将高分辨率人脸图像对下采样至目标低分辨率人脸图像对，将目标低分辨率人脸图像对进行分块操作，分出相互重叠的图像块后，使用残差池化模块网络提取脸部纹理多尺度特征。然后，将提取的脸部多尺度特征发送到纹理注意力模块，以通过计算注意图来融合补偿纹理信息，收集最相似的特征，以更有效的提高SR性能。最后，通过特征融合来更新目标视图图像的特征图以产生高分辨率结果。本发明所提出的网络优于其他最新的人脸图像超分辨率算法，能生成更高质量的人脸图像。
-
公开(公告)号：CN110580680A
公开(公告)日：2019-12-17
申请号：CN201910849721.2
申请日：2019-09-09
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
IPC: G06T3/40
Abstract: 本发明公开了一种基于组合学习的人脸超分辨率方法及装置，属于人脸图像超分辨率领域，该方法包括：对下采样得到的低分辨率人脸图像进行组件分割；将低分辨率人脸图像和分割后的人脸组件图像块进行分块操作，分出相互重叠的图像块；将图像块输入各组件生成对抗网络产生高分辨率组件图像块，由上采样后的低分辨率人脸背景图像生成高分辨率人脸背景图像；通过融合网络提取高分辨率图像块特征及人脸背景图像组件特征；将两种特征进行融合后，重建得到目标人脸组件图像块；通过人脸组件在人脸图像中的坐标点，将目标人脸组件图像块对应合并至高分辨率人脸背景图像中，形成高分辨率人脸图像。本发明可以提高网络的重建性能，产生更高质量的人脸图像。
-
公开(公告)号：CN109886869A
公开(公告)日：2019-06-14
申请号：CN201811199243.7
申请日：2018-10-15
Applicant: 武汉工程大学
Abstract: 本发明公开了一种基于上下文信息的非线性拓展的人脸超分辨率方法，该方法首先通过上下文块对上下文信息进行抽样，以丰富人脸图像表示的先验信息，并在正则化目标函数时利用设置阈值对上下文字典进行降维，然后利用高斯核函数将原始数据转化为核空间，通过协作表示建立高低分辨率图像之间的非线性关系，最后采用上下文残差学习重建出待测图像。本方法通过高斯核函数建立高低分辨率图像之间的非线性映射，并将高维特征空间中的非线性问题表示为线性问题。此外，它还使用上下文残差学习来获得更准确的图像表示的先验信息，提高了重建的性能。
-
-
-
Search Results
14
records
(took 0.016 seconds)
