检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

面向真实场景的单图像超分辨率重建研究

面向真实场景的单图像超分辨率重建研究

作者：冉进业西南大学

学位级别：硕士

单图像超分辨率重建作为底层计算机视觉任务中的一项关键性技术,旨在将一幅低分辨率的图像重建为其对应的具有丰富纹理细节的高分辨率图像,在地理遥感、医学成像、视频重建、目标检测等众多领域有着广泛的应用前景和重要的研究价值。图... 详细信息

单图像超分辨率重建作为底层计算机视觉任务中的一项关键性技术,旨在将一幅低分辨率的图像重建为其对应的具有丰富纹理细节的高分辨率图像,在地理遥感、医学成像、视频重建、目标检测等众多领域有着广泛的应用前景和重要的研究价值。图像的超分辨率重建本质上是一个不适定性问题,因为一张低分辨率图像总是可以由无数多张不同的高分辨率图像退化而来,因此如何合理地约束低分辨率图像到高分辨率图像的重建过程就成为了图像超分辨率重建领域的核心研究问题。近年来,随着基于数据驱动的深度学习技术的蓬勃发展以及其在图像重建类任务中的广泛应用,超分辨率重建算法在多个公开的基准数据集上取得了非凡的图像超分辨率重建性能,然而这些算法的实际应用还面临着多个方面的问题,亟待解决。一方面,超分辨率重建算法的图像重建性能通常和超分辨重建算法的模型规模相关,大多数主流的超分辨率重建算法为了获得更好的图像超分辨重建性能,都致力于探究更深更广的神经网络模型结构而忽略了算法的轻量化问题,这就限制了超分辨率重建算法在一些资源受限场景中的应用,比如边缘设备等;另一方面,当前大多数超分辨率重建算法都是使用双三次下采样算法生成的理想数据集进行训练和测试的,虽然这些基准数据集上的评价指标能够相对客观准确地反映不同超分辨率重建算法的图像重建性能,但是这些基于特定退化模式数据集研究的超分辨率重建算法面临着算法图像重建性能随着图像数据下采样方式变化而显著下降的问题。更进一步地,真实场景下图像的退化模式是复杂且难以模拟的,这就使得基于理想数据集研究的超分辨重建算法很难用来解决真实场景下图像的超分辨率重建问题。本文着眼于现有真实场景下超分辨率重建任务的痛点和难点,从低分辨率图像中自相似性信息的挖掘和退化模式信息的估计两个方面展开研究,其主要工作和贡献点有以下几个方面:(1)为了在实现算法轻量化的同时兼顾其图像超分辨率重建性能,本文提出了一种基于Transformer和小波变换的轻量化超分辨率重建网络。首先,针对标准Transformer在像素级重建任务中面临的计算负载较大的问题,本文提出了一个轻量化Transformer骨干网络,其中包括经过轻量化设计的高效Transformer编码器和全局相似性匹配模块。其核心是利用Transformer的建模机制高效挖掘和利用图像中的局部和全局自相似性信息,降低图像超分辨率重建过程中的不适定性,在模型参数量和模型性能之间取得更好的权衡。其次,为了保证基于Transformer的模型能在有限的数据下成功的归纳偏置,本文提出利用平稳小波变换对图像特征进行表征,同时为了保证小波系数的结构特征和通道冗余度,提出了基于非对称卷积的小波系数增强骨干网络。通过与其他先进算法在多个公开基准数据集上进行对比分析,验证了所提出的基于Transformer和小波变换的超分辨率重建网络的有效性和优越性。(2)本文提出了一种面向真实场景图像的超分辨率重建和退化模式估计迭代协同建模框架,进一步的将基于双三次下采样理想数据集构建的超分辨率重建算法推广到其他具有复杂退化模式的真实场景图像超分辨率重建任务中。该框架主要包含图像超分辨率重建主干网络、基于对比学习的图像退化模式估计网络和基于注意力机制的信息融合模块,其中退化模式估计网络采用对比学习的方法自监督的获取低分辨率图像中的高维退化特征,信息融合模块将高维退化特征和超分辨率主干网络特征进行融合。该框架主要解决了图像退化特征获取困难以及利用效率低下的问题,自适应的学习图像特征和退化模式的关联性,提高了相关算法在真实场景下的图像超分辨率重建性能。同时为了客观评价框架在真实场景图像中的超分辨率重建性能,本文构建了一个真实场景的遥感影像超分辨率重建数据集,然后在此数据集上对所提出的建模框架进行了细致公平的对比评估分析,验证了面向真实场景图像的超分辨率重建和退化模式估计迭代协同建模框架在真实场景图像超分辨率重建任务中的有效性。

关键词： Transformer 单图像超分辨率注意力机制真实场景遥感影像

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于单图像超分辨率的约束随机森林算法

计算机工程与设计 2017年第4期38卷 970-975页

作者：刘晙河南工学院计算机科学与技术系河南郑州451191

为解决现有单图像超分辨率算法对不同类型图像鲁棒性不强的问题,提出一种基于多模糊核约束的随机森林算法。结合多模糊核扩展随机森林训练阶段的输入特征向量,由低分辨率图像块和对应的模糊核组合生成输入特征变量;将多模糊核引入到决... 详细信息

为解决现有单图像超分辨率算法对不同类型图像鲁棒性不强的问题,提出一种基于多模糊核约束的随机森林算法。结合多模糊核扩展随机森林训练阶段的输入特征向量,由低分辨率图像块和对应的模糊核组合生成输入特征变量;将多模糊核引入到决策树构建的质量测度函数中,用于约束决策树构建时的结点划分,使生成的叶结点更纯;采用多模糊核对叶结点的回归模型进行约束,降低决策树的预测误差。仿真结果表明,与主流的基于学习的单图像超分辨率算法相比,该算法对不同图像的鲁棒性更强,采用该方法重建的超分辨率图像的峰值信噪比更高。

关键词：随机森林单图像超分辨率决策树回归机器学习模糊核

在线全文

学校读者我要写书评

暂无评论

基于稀疏贝叶斯估计的单图像超分辨率算法

计算机应用研究 2019年第2期36卷 626-629页

作者：袁桂霞周先春江苏开放大学信息与机电工程学院南京210017 南京信息工程大学电子与信息工程学院南京210044

针对现有超分辨率方法对不同低分辨率图像的超分辨率效果差异较大的问题,提出了一种基于稀疏贝叶斯估计的单图像超分辨率方法。该方法将单图像超分辨率问题看做是回归问题,采用Kronecker脉冲函数作为回归基函数,综合利用图像的局部信息... 详细信息

针对现有超分辨率方法对不同低分辨率图像的超分辨率效果差异较大的问题,提出了一种基于稀疏贝叶斯估计的单图像超分辨率方法。该方法将单图像超分辨率问题看做是回归问题,采用Kronecker脉冲函数作为回归基函数,综合利用图像的局部信息和全局信息寻找特定预测的最优稀疏解决方案,采用贝叶斯方法估计权重,据此重构超分辨率图像。实验结果表明,采用该方法对14幅测试图像运行单图像超分辨率算法,得到的平均峰值信噪比高、方差小、耗时少,证实了该方法的超分辨率效果好、适应性强,且运算效率高。

关键词：单图像超分辨率超分辨率贝叶斯估计回归稀疏表示

基于多级残差注意力特征融合网络的单图像超分辨率研究

在线全文

学校读者我要写书评

暂无评论

基于多级残差注意力特征融合网络的单图像超分辨率研究

作者：张新霞温州大学

学位级别：硕士

在现实生活中,人们对电子图像的质量要求越来越高,即获得高分辨率(HR)图像。所谓的HR图像,简单的说就是相同的尺度下容纳的像素的密度大,拥有丰富的细节信息。图像超分辨(SR)是指通过某些技术性手段,例如硬件或者软件等方法,从一系列LR... 详细信息

在现实生活中,人们对电子图像的质量要求越来越高,即获得高分辨率(HR)图像。所谓的HR图像,简单的说就是相同的尺度下容纳的像素的密度大,拥有丰富的细节信息。图像超分辨(SR)是指通过某些技术性手段,例如硬件或者软件等方法,从一系列LR图像中恢复出对应的HR图像。图像超分辨在交通、安防、医疗等行业都有着广泛地应用,所以对图像超分辨率的研究,提高图像的像素密度,以便获取更多的图像细节具有重要的理论研究意义和现实应用价值。最近我们发现深度卷积神经网络在提升超分辨率重构的性能方面有较好的作用。但是,在标准的卷积神经网络(CNNs)中,每一层神经元被人工设定为固定的接受域,而视觉皮层神经元的感受野的大小是受刺激调节的,构建神经网络的时候这一点很少被考虑到;另外,在超分辨模型的学习过程中,会经过一次或者多次的上采样操作,每次上采样都会损失一定的局部表面信息,而现有的方法大多只关注高层特征而忽略低层特征所包含的信息,造成图像伪影,影响超分辨的质量。针对上述问题,本论文主要完成了下面三项工作。1、在多级特征融合网络(MLFFN)中提出了一个新的残差组,在残差组中加入选择核卷积(SKConv),提取不同尺度接收域的特征信息,缓解标准卷积带来的固定接收域问题;提出了一个多级特征融合模块,来融合多级特征的外观信息,将低层特征与高层特征选择性的融合,通过学习多级特征之间的互补信息,提升超分辨的效果。2、针对MLFFN改进,提出了多尺度残差注意力特征融合模块(MRAF),考虑到多尺度特征的全局和局部依赖关系,从而提取更丰富的多尺度特征,进一步缓解固定接收域带来的弊端。

关键词：单图像超分辨率多级特征融合网络多尺度残差注意力特征融合卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

联合局部及非局部先验的单图像超分辨率算法

联合局部及非局部先验的单图像超分辨率算法

作者：李天亦广西大学

学位级别：硕士

作为图像处理领域中的基本问题,超分辨率(Super-Resolution,SR)技术在许多实际场景有着广泛的运用,特别是在医学成像、遥感成像和影音娱乐等领域。图像SR技术能够在不升级现有采集设备的情况下,提高采集图像分辨率,改善图像画面质量。... 详细信息

作为图像处理领域中的基本问题,超分辨率(Super-Resolution,SR)技术在许多实际场景有着广泛的运用,特别是在医学成像、遥感成像和影音娱乐等领域。图像SR技术能够在不升级现有采集设备的情况下,提高采集图像分辨率,改善图像画面质量。因此单图像SR问题本身的研究具有重要的实际意义。在传统的图像超分辨率技术中,通过对低分辨率(Low Resolution,LR)图像进行插值来获得高分辨图像(High Resolution,HR)。由于复杂度较低,基于插值的SR方法得到了广泛应用,但该方法效果不佳,生成的图像较为模糊。基于重建的SR方法是一类受到广泛关注的方法,相对而言具备较好的效果。此类方法的性能主要依赖于对图像先验信息的运用,但是,多数方法没有有效利用图像局部与非局部的先验信息,导致最终效果不佳。为了解决上述问题,本文研究了两个联合运用局部及非局部先验信息的图像SR算法:(1)提出了一种基于非局部全变分(Non-local Total Variation,NLTV)模型和引导核回归(Steering Kernel Regression,SKR)模型的图像超分辨率算法。首先,通过传统的核回归方法获得原始的回归核估计;然后利用SKR算法中局部协方差矩阵影响回归核的思路,获得图像在局部区域的趋势,并根据这一趋势进行自适应的NLTV相似块搜索;最后,使用自适应图像块计算自适应形状的NLTV系数,并通过求解最优化问题得到最终结果。实验结果表明,本文提出的算法具有较好的超分辨率效果,与现有算法相比,提出的算法在主、客观质量上均具有较好的优势。(2)在构建ASNLTV模型的过程中,同时也提出了复杂度较低的自适应形状的非局部均值(Non-Local Means,NLM)模型。本文联合SKR及NLM算法构建出一个联合局部非局部先验的图像超分辨率算法。一方面,类似于第一种算法,采用SKR模型来优化NLM模型,形成自适应形状NLM模型(Adaptive-Shape Non-Local Means,ASNLM),从而更为准确地运用图像内的非局部相似性;另一方面,采用ASNLM模型优化SKR模型,从而形成优化的非局部 SKR 模型(Improved Non-Local Steering Kernel Regression,I-NLSKR)。通过求解联合ASNLM及I-NLSKR约束的优化问题,获取高质量的重建结果。

关键词：单图像超分辨率引导核回归非局部均值非局部全变分局部先验非局部先验

基于动态分组卷积的轻量级单图像超分辨率方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态分组卷积的轻量级单图像超分辨率方法研究

作者：傅经邦华南理工大学

学位级别：硕士

近年来,随着经济社会的发展,人们对高分辨率图像的需求越来越大,但硬件技术发展无法匹配需求的增长速度。为此,软件技术的补充,即单图像超分辨率重构方法（下简称图像超分方法）,显得尤为重要。图像超分方法具有众多方向,按照算法类型... 详细信息

近年来,随着经济社会的发展,人们对高分辨率图像的需求越来越大,但硬件技术发展无法匹配需求的增长速度。为此,软件技术的补充,即单图像超分辨率重构方法（下简称图像超分方法）,显得尤为重要。图像超分方法具有众多方向,按照算法类型可分为基于插值的图像超分方法、基于重建的图像超分方法和基于学习的单图像超分方法。其中,基于学习的图像超分方法又分为了基于传统特征学习的图像超分方法以及基于深度学习的图像超分方法。由于基于深度学习的图像超分方法减轻了人工特征的设计工作,方便了研究工作开展,同时具有强大的模型拟合能力,成为了当前图像超分辨率领域的热门方向。然而,大多数基于深度学习的图像超分模型规模庞大,存在应用性不强、可解释性差、可扩展性弱等问题,限制了相关方法的推广以及应用落地。因此,减轻图像超分模型的规模是当前相关研究的主流方向。本文以图像超分辨率模型轻量化为主线,基于动态分组卷积（dynamic group convolution,DGC）方法来解决上述存在的问题,具体如下:针对模型应用性不强和可扩展性弱的问题,本文结合了最新的动态卷积技术和分组卷积技术,提出了一种适用于深度学习模型的方法——动态分组卷积。该方法优化了模型计算资源开销和增强了性能表现,特别是在Urban100数据集上PSNR提高了0.17d B;针对基于DGC方法超分模型性能不足的问题,本文将DGC方法中的Softmax函数改进为Squash函数,全面优化了DGC方法的模型性能表现;针对模型可解释性差的问题,本文基于DGC方法搭建了轻量级图像超分模型——动态分组卷积超分辨率网络（dynamic group convolution super-resolution network,DGCSR）,通过分组数和卷积核数目不同组合探索出DGCSR模型的设计原则,得到最优架构。在多个公开数据集上不同放大倍数的对比实验结果表明,基于DGC方法的DGCSR模型的表现接近甚至超过现存大多数基于深度学习的轻量级模型,同时具有良好的性能和友好的计算资源开销,是一个简洁有效的轻量级图像超分辨率模型。

关键词：单图像超分辨率深度学习轻量级动态卷积分组卷积

基于字典学习与协作表达的单图像超分辨率技术

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于字典学习与协作表达的单图像超分辨率技术

作者：田旭广西大学

学位级别：硕士

图像超分辨率（Super-Resolution,SR）方法是利用各种信号处理手段将给定的低分辨率图像中恢复出对应的高分辨率图像的技术。因此在诸如遥感测绘、医学成像、军事侦察、安保监控等特别需要高分辨率图像的数字成像领域中,图像超分辨率技... 详细信息

图像超分辨率（Super-Resolution,SR）方法是利用各种信号处理手段将给定的低分辨率图像中恢复出对应的高分辨率图像的技术。因此在诸如遥感测绘、医学成像、军事侦察、安保监控等特别需要高分辨率图像的数字成像领域中,图像超分辨率技术具有广泛的实用价值。在传统的基于外部字典的单图像SR算法中,往往只依赖外部图像集训练单一字典对高分辨率图像进行重建,既没有有效利用训练图像的残差信息,也没有考虑待重建图像自身的先验知识,因此当外部图像类型与待重建图像类型不匹配时,可能导致重建图像出现伪影、失真等情况。而传统的基于自相似性的单图像SR算法,往往只采用输入图像自身构建自适应字典,由于自学习字典表达能力有限,因此在重建时可能会出现高频信息不足、边缘模糊、细节丢失等问题。针对以上问题,本文提出了两种基于字典学习与协作表达的单图像SR算法:（1）针对传统的单图像SR算法重建的高分辨率图像只依赖单一字典对进行重建,导致的伪影、失真等问题。为了提高重建图像质量,提出了一种基于多层残差字典及协作表达的单图像SR算法。在训练阶段使用协作表达的方法重建训练样本,训练多层残差字典,构建相应的投影矩阵,在测试阶段通过计算好的投影矩阵逐层恢复出残差信息,实现更有效的超分辨率重建,获得更好的主客观效果。（2）针对基于外部字典的SR算法待重建图像与训练图像类型不匹配的问题,以及基于自相似性的SR算法高频信息不足的问题,提出了一种基于联合外部学习与自学习的单图像SR算法。在训练阶段,通过处理外部HR图像训练库,提取外部HR图像提供的外来先验信息,训练外部字典,利用协作表达的思想计算外部字典投影矩阵;在重建阶段,根据输入LR图像训练自学习字典与相应投影矩阵。在SR过程中将外部字典与自学习字典合并,利用内、外两部分的先验信息更有效的恢复出重建图像所丢失的高频信息。

关键词：单图像超分辨率字典学习稀疏表示协作表达

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多级轴向加性网络的轻量级单图超分辨率

应用数学进展 2024年第4期13卷 1842-1852页

作者：邹观哲黄可言南京邮电大学理学院江苏南京

信息技术发展日新月异,视觉信息的质量广受重视,图像超分辨率技术正因此经过了长久的迭代。但作为一个不适定问题,这项技术仍将是一个长久的难题。随着自注意力机制的出现及引入,传统卷积神经网络方法逐渐在性能上落后。然而,包含自注... 详细信息

信息技术发展日新月异,视觉信息的质量广受重视,图像超分辨率技术正因此经过了长久的迭代。但作为一个不适定问题,这项技术仍将是一个长久的难题。随着自注意力机制的出现及引入,传统卷积神经网络方法逐渐在性能上落后。然而,包含自注意力的方法通常计算成本高昂,或是只能为节约计算成本在性能上妥协。因此,本文提出了一种多级轴向加性网络,很好地平衡了性能与成本。具体来说,我们首先设计了一种多级轴向注意力模块,在注意力机制内实现了轴向窗口的模式。然后,我们提出了一种高效的加性注意力,使注意力计算免于矩阵乘法运算。同时,我们还构建了一个轻量级的超分辨率网络MLAAN。最后,我们在五个基准数据集上评估了所提出的MLAAN的效果。在与SOTA方法的对比中,MLAAN在参数量较少的前提下体现了优越的超分辨率性能。

关键词：单图像超分辨率轻量级网络多级轴向加性网络(MLAAN) 多级轴向注意力模块(MLAAB)

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

区域感知实时人像超分辨率重建网络

北京航空航天大学学报 2024年第2期50卷 588-595页

作者：龚柯存周梦琳唐东明西南民族大学国家民族事务委员会计算机系统重点实验室成都610041 西南民族大学计算机科学与工程学院成都610041 成都信息工程大学软件工程学院成都610225

在人像超分辨率重建领域,传统方法通常将整幅图像进行统一处理,导致效率低下。为降低模型的推理时延,提出了一种实时超分辨率重建模型RASR。该模型利用门控单元处理低分辨率图像,识别出人像边缘区域;采用分区重建策略,使用不同尺寸的子... 详细信息

在人像超分辨率重建领域,传统方法通常将整幅图像进行统一处理,导致效率低下。为降低模型的推理时延,提出了一种实时超分辨率重建模型RASR。该模型利用门控单元处理低分辨率图像,识别出人像边缘区域;采用分区重建策略,使用不同尺寸的子模型分别针对包含或不包含人像边缘的区域进行重建。实验结果表明:与现有方法相比,RASR模型在4倍上采样重建场景下的推理时延降低了88%,能够更有效地重建高分辨率人像图像。

关键词：区域感知单图像超分辨率门控单元通道划分块深度学习

同方期刊数据库