公开(公告)号：CN118644396A

公开(公告)日：2024-09-13

申请号：CN202411110931.7

申请日：2024-08-14

申请人： 荣耀终端有限公司

发明人： 黄雅婷

IPC分类号： G06T3/4076 ,  G06N3/0464 ,  G06N3/0455

摘要： 本申请涉及图像处理技术领域，公开了一种图像处理方法、设备、存储介质及程序产品。其中，图像处理方法包括：当通过神经网络模型调整图像的分辨率时，若神经网络模型中的N个下采样层所能接收的输入分辨率依次为L0、L1、L2…Lk…LN‑1，则电子设备在对分辨率为X的图像进行预处理时，可以将图像分辨率由X预处理至与X相近的输入分辨率Lk‑1（k≥1）。将具有分辨率Lk‑1的图像数据输入到对应的第k个下采样层中，依次加载运行下采样层k、下采样层k+1…下采样层N、以及其它解码器部分等模块，从而得到具有目标分辨率的目标图像。如此，在将图像分辨率调整至目标分辨率的同时，还可以节省电子设备运行神经网络模型时的计算资源和存储资源。

公开(公告)号：CN118608389A

公开(公告)日：2024-09-06

申请号：CN202410651306.7

申请日：2024-05-24

申请人： 四川新视创伟超高清科技有限公司

发明人： 宋小民 ,  刘征 ,  虞建 ,  李怡 ,  姚玉立 ,  吴成志 ,  付瑜 ,  殷作铭 ,  孙博 ,  常智林 ,  李齐梦

IPC分类号： G06T3/4076 ,  G06T3/4046 ,  G06T3/4007 ,  G06N3/0464 ,  G06N3/08 ,  G06T5/50 ,  G06T5/60

摘要： 本发明提供一种实时动态超分辨率图像重建方法及其重建系统，属于图像重建技术领域，通过元学习轻量化模型的构建，显著降低了计算成本，使得图像重建过程更加高效，混合注意力机制的引入有效提升了特征提取的精确性，通过对不同尺度下的特征进行加权和融合，使得重建图像能够保留更多的细节信息，深度卷积网络的应用，进一步增强了特征图的表达能力，为后续的上采样和细节恢复提供了更为丰富的信息，最终，双三次插值方法与深度细化网络的结合，不仅实现了图像尺寸的快速放大，还确保了图像在放大过程中细节的损失最小化，从而显著提升了重建图像的整体质量。

公开(公告)号：CN118505511A

公开(公告)日：2024-08-16

申请号：CN202310098150.X

申请日：2023-02-10

申请人： 湖北工业大学

发明人： 王云艳 ,  李传虎

IPC分类号： G06T3/4076 ,  G06V10/42 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0475 ,  G06N3/094

摘要： 本发明公开了基于改进生成对抗网络的图像超分辨率重建方法及系统，该方法包括采用包含高、低分辨率图像的样本集训练生成对抗网络，其中生成对抗网络包括生成网络和判别网络；以及采用训练完毕的生成网络进行图像超分辨率重建；所述生成网络包括顺次连接的特征预提取模块，残差网络和高分辨率重建模块；所述残差网络包括若干级联的残差模块，所述残差模块包括残差块、全局注意力模块和通道自注意力模块。本申请可构建特征通道间的关联性，且增大有用特征，对含高频信息的通道赋予更大权重，可充分提取图像边缘信息，使重建后图像边缘效果更佳；并且训练过程更稳定。

公开(公告)号：CN118485574A

公开(公告)日：2024-08-13

申请号：CN202410340588.9

申请日：2024-03-25

申请人： 南京航空航天大学

发明人： 高攀 ,  刘庆国 ,  庄晨怡 ,  秦杰

IPC分类号： G06T3/4076 ,  G06T3/4046 ,  G06T5/70 ,  G06T5/60 ,  G06N3/0464

摘要： 本发明公开了一种基于扩散模型和注意力机制的盲图像超分辨率重建方法，在第一阶段训练，将低分辨率图像和高分辨率图像对作为输入对内容感知退化编码器和超分辨率重建网络进行训练；在第二阶段训练，将低分辨率图像作为输入对LR编码器和扩散模型的去噪网络进行训练，将扩散模型生成的内容感知退化先验替换第一阶段中的内容感知退化先验，然后对超分辨率重建网络进行微调，最终对低分辨率图像完成重建。本发明能够利用扩散模型生成一个内容感知退化先验用于指导基于注意力机制的超分辨率重建网络的重建，对超分辨率重建网络采用双路聚合的方式进行更健壮的特征提取，从而更好地利用内容感知退化先验产生更好的重建结果。

公开(公告)号：CN118297808B

公开(公告)日：2024-08-13

申请号：CN202410725173.3

申请日：2024-06-06

申请人： 山东大学

发明人： 张欣欣 ,  李冰婷 ,  王强昌 ,  宫永顺 ,  尹义龙

IPC分类号： G06T3/4076 ,  G06T3/4046 ,  G06T7/55 ,  G06N3/0464

摘要： 本发明涉及图像超分辨重建技术领域，公开了基于视差引导的双目图像超分辨重建方法及系统，其中方法，包括：获取待重建的低分辨率双目图像；将待重建的低分辨率双目图像，输入到训练后的双目图像超分辨率重建模型中，得到重建后的高分辨率双目图像；模型用于在空间维度上和通道维度上提取两个图像的视图内特征，在左右视图之间传递互补信息，将视差图与RGB图像进行跨模态融合，实现视图内和跨视图信息的交互融合；在图像重建的过程中，捕获双目视差信息，基于双目视差信息实现左右视图的匹配，通过在左右视图之间传播和整合视差信息，实现图像重建。有助于网络更准确地恢复图像中的纹理和细节，从而提高重建图像的质量。

公开(公告)号：CN118446901A

公开(公告)日：2024-08-06

申请号：CN202410709439.5

申请日：2024-06-03

申请人： 大连海事大学

发明人： 陈荣 ,  汪桐 ,  乔四海 ,  安明 ,  张振铎

IPC分类号： G06T3/4076 ,  G06T3/4046 ,  G06N3/09 ,  G06N3/084 ,  G06N3/0464 ,  G06V10/56 ,  G06V10/74 ,  G06V10/82

摘要： 本发明提供一种双分支监督学习的偏振图像超分辨率重建方法，包括以下步骤：输入为四张不同偏振角度的低分辨率偏振图像；分别进行颜色分支设计及偏振分支设计；将颜色分支及的偏振分支相加得到输出。本发明考虑了偏振图像之间的相似性差异性，使用两条分支分别来恢复偏振图像的颜色信息和偏振信息，兼顾了输出图像的视觉效果和偏振保真度，为其他计算机视觉任务提供高质量的图像，有鲜明的应用价值和学术价值。

公开(公告)号：CN110675321B

公开(公告)日：2024-08-06

申请号：CN201910920959.X

申请日：2019-09-26

申请人： 兰州理工大学

发明人： 宋昭漾 ,  赵小强 ,  惠永永 ,  徐铸业 ,  刘舒宁 ,  张和慧 ,  姚红娟

IPC分类号： G06T3/4076 ,  G06T3/4023 ,  G06T3/4046 ,  G06N3/0464 ,  G06N3/084

摘要： 本发明提供了一种基于渐进式的深度残差网络的超分辨率图像重建方法，主要包括如下步骤：(1)选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；(2)将得到的训练数据集图像进行下采样处理；(3)将原始训练数据集图像和步骤2低分辨率图像分别裁剪成图像块；(4)将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；(5)搭建渐进式的深度残差网络；(6)训练渐进式的深度残差网络；(7)将低分辨率图像输入到上述渐进式的深度残差网络模型中，输出得到重建后的高分辨率图像。

公开(公告)号：CN118414629A

公开(公告)日：2024-07-30

申请号：CN202280082759.1

申请日：2022-10-11

申请人： 微软技术许可有限责任公司

发明人： R·K·普里塞 ,  M·布莱耶 ,  C·D·埃德蒙兹

IPC分类号： G06T3/4076

摘要： 公开了用于从较低分辨率稀疏颜色输入图像生成高分辨率全颜色输出图像的技术。相机生成图像。该相机的传感器具有稀疏拜耳图案。当该相机生成图像时，获取每个图像的IMU数据。该IMU数据指示在该相机生成每个图像时该相机所处的对应姿态。这些图像和该IMU数据被馈送到运动模型，该运动模型对这些图像执行时间过滤，并且使用该IMU数据来生成仅红色图像、仅绿色图像、仅蓝色图像和单色图像。对颜色图像进行上采样以匹配单色图像的分辨率。通过组合该上采样图像和该单色图像来生成高分辨率输出颜色图像。

公开(公告)号：CN112308781B

公开(公告)日：2024-07-30

申请号：CN202011332696.X

申请日：2020-11-23

申请人： 中国科学院深圳先进技术研究院

发明人： 何悦之 ,  姚靖 ,  郑炜

IPC分类号： G06T3/4046 ,  G06T3/4076 ,  G06N3/0464 ,  G06N3/084

摘要： 本发明涉及图像处理的技术领域，公开了一种基于深度学习的单幅图像三维超分辨率重构方法，包括以下步骤：S01：输入单幅原始图像；S02：初始化用于重构高分辨率图像的神经网络；S03：将原始图像简单变换后生成第一训练图像；S04：通过第一训练图像生成低分辨率的第二训练图像；S05：将第一训练图像和第二训练图像输入神经网络进行训练，估算训练的损失，优化神经网络；S06：若未满足训练终止条件，则重复步骤S03‑S05进行迭代训练；若满足训练终止条件，则输入原始图像至训练完成后的神经网络，输出重构后的高分辨率图像。本发明通过有针对性的为单幅原始图像通过神经网络进行迭代训练，重构出符合要求的高分辨率图像。

公开(公告)号：CN113658040B

公开(公告)日：2024-07-16

申请号：CN202110794066.2

申请日：2021-07-14

申请人： 北京海百川科技有限公司

发明人： 张九龙 ,  马仲杰 ,  屈小娥

IPC分类号： G06T3/4076 ,  G06T9/00 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于先验信息和注意力融合机制的人脸超分辨方法，构建训练集和测试集；将训练集输入到粗略超分辨网络中进行处理得到ISR1；将ISR1分别输入到编码器网络和先验信息提取网络中得到特征图f和解析图p；将特征图f和解析图p输入到特征融合网络中融合得到fFusion；将fFusion输入到解码器网络中解码得到最终结果ISR；构建联合损失函数，不断迭代使损失函数最小化，经过训练生成超分辨网络模型；本发明解决了人脸先验信息使用不充分的问题，利用注意力机制融合特征图和解析图，分别对不同的面部组件对应的解析图和特征图进行融合，增加了解析图对于人脸图像超分辨的指导作用，提高了重建效率，加强了重建效果。