基于权值的自适应正则化超分辨率算法

不精确的配准参数会使图像重建结果不理想。为此,提出一种基于权值的自适应正则化超分辨率算法。自适应局部区域权值根据该区域的可靠性进行自适应运算,利用分水岭分割将参考图像分成不同区域,由此提升重建质量。对真实视频序列的实验结果证明该算法有效。

毫米波焦平面阵列图像的一种超分辨率算法

给出一种直接修改点扩展函数矩阵的特征值，能大大提高毫米波图像分辨率的高速图像恢复新算法，仿真和实际的图像处理结果都证明了这一算法效果良好．

改进SRGAN的图像超分辨率算法

SRGAN算法虽然具有许多优点,但也存在图像重建效果不够好、参数数量庞大、激活函数表现较差等问题。为此,本文提出一种基于SRGAN的图像超分辨率算法SRGAN-E。该算法首先删除BN层,提高图形的重建效果;再在原生成器模型中加入一维卷积注意力机制,使得图像在重建过程中更加关注上下文信息并减少网络模型中生成器的参数;将SRGAN算法鉴别器模型中的LeakyReLU函数改为Mish函数,以提升鉴别器的性能。实验结果表明:对比SRGAN算法,改进后的SRGAN-E算法在4个测试集上PSNR的平均值增加了0.345,SSIM的平均值增加了0.009;SRGAN-E算法的生成器参数数量与SRGAN算法相比,减少了1 388个。SRGAN-E算法不但提高了图像的重建效果而且还减少了模型参数。

基于张量投票的图像超分辨率算法

张量投票算法在提取图像主观轮廓上具有良好的效果。文章提出了一种基于张量投票的图像超分辨率算法。首先,用二维张量矩阵存储低分辨率图像各像素点所处的位置特征信息,并利用稀疏张量投票将特征信息进行加强,再使用稠密张量投票产生高分辨率图像对应的二维张量矩阵,此张量矩阵包含了视觉特性强的边缘信息,最后利用该边缘信息指导高分辨率图像的重构。实验结果表明,该方法得到的高分辨率图像信噪比高、视觉效果好。

基于张量投票的图像超分辨率算法

张量投票算法在提取图像主观轮廓上具有良好的效果,本文提出了一种基于张量投票的图像超分辨率算法。首先用二维张量矩阵存储低分辨率图像各像素点所处的位置特征信息,并利用稀疏张量投票将特征信息进行加强,再使用稠密张量投票产生高分辨率图像对应的二维张量矩阵,此张量矩阵包含了视觉特性强的边缘信息,最后利用该边缘信息指导高分辨率图像的重构。实验结果表明,该方法得到的高分辨率图像信噪比高、视觉效果好。

基于深度残差神经网络的红外图像超分辨率重构算法

提出了一种基于深度残差神经网络的红外灰度图像超分辨率重构算法。首先使用残差卷积模块增加网络深度提高了网络的学习能力,使得卷积层在学习过程中能够利用到更多的邻域信息对于复杂场景有更好的学习能力。然后使用跳跃连接方式增加高频信息传输以实现对于图像细节的增强。实验结果表明,该网络能够有效地丰富重构图像的细节,重构图像中的目标轮廓有明显改善。

基于帧间跨越光流的视频超分辨率重建网络

面对运动幅度较大的复杂场景,当前的视频超分辨率(VSR)算法在处理长序列时无法充分利用不同距离的帧间信息,难以精确地恢复遮挡、边界和多细节区域。为解决上述问题,提出一种基于帧间跨越光流机制的VSR模型。首先,通过密集残差块(RDB)提取低分辨率视频帧(LR)的浅层特征;其次,通过光流空间金字塔网络(SPyNet)以不同时间长度的跨越光流对视频帧进行运动估计和运动补偿,并通过RDB对帧间信息进行深层特征提取与矫正;最后,融合浅层特征与深层特征,并通过上采样得到高分辨率视频帧(HR)。在REDS4公开数据集上的实验结果表明,所提模型与经典的非显式运动补偿的动态上采样滤波器视频超分辨率网络(DUF-VSR)相比,峰值信噪比(PSNR)和结构相似性(SSIM)分别提升了1.07 dB和0.06。验证了所提模型可有效提高视频图像重建的质量。

OSMAR2000基于MUSIC的超分辨率海洋表面流算法

为了解决 OSMAR2 0 0 0以小天线阵实现中远距离的海洋表面流探测 ,同时实现高的角分辨率的问题 ,提出了 OSMAR2 0 0 0基于 MUSIC的超分辨率海洋表面流算法 .该算法首先通过预处理从海洋回波中分离包含海流信息的一阶回波 ,然后针对其中可分辨的每一个 Doppler频移 (对应海洋表面径向流速 )上的信号 ,采用MU SIC算法求其多个存在方位 .阐述了 MU SIC算法应用于高频地波雷达海洋表面流遥感的理论基础。

OSMAR2000超分辨率海流算法中空间信号源数的确定

针对传统方法无法确定一阶海洋回波中 Doppler频移信号的空间信号源数的问题 ,提出了一种 OS-MAR2 0 0 0超分辨率海洋表面流算法所需的空间信号源数的确定方法 。

基于DBF的超分辨率方位分割算法的初步研究

针对高频地波雷达海洋环境遥感技术中的角分辨率问题 ,提出了基于数字波束形成 DBF(DigitalBeam Foming)的方位分割 DD(Direction- sub Dividing)算法 .该算法将待测海域分割成小的方位元 /海元 ,以 DBF方式实现接收波束扫描 ,获得陈列在不同指向的接收波束下海洋回波的多个接收值 ,再通过奇异值分解得到最小二乘意义上每个海元的后向散射回波 ,进而实现方位超分辨率的海洋环境参数的提取 .文中阐述了算法的基本思想 ,给出了部分模拟结果 。

利用图像掩膜优化基于生成对抗网络的图像超分辨率模型

深度学习在一定程度上解决了从低分辨率图像中恢复出高分辨率图像这一图像超分辨率问题。目前基于生成对抗网络(generative adversarial network,GAN)的方法可以从超分辨率数据集中学习低/高分辨率图像映射关系,从而生成具有真实纹理细节的超分辨率图像。然而,基于GAN的图像超分辨率模型训练通常不稳定,其结果往往带有纹理扭曲和噪声等问题,提出了采用掩膜(mask)模块以辅助对抗网络训练。在网络训练过程中,掩膜模块根据生成网络输出的超分辨率结果和原始高分辨率图像,计算得到相应观感质量信息,并进一步辅助对抗网络训练。在实验中对3个最近提出的基于GAN的图像超分辨率模型进行修改,引入掩膜模块,修改后的模型在超分辨率图像输出的观感和真实感量化指标上均有明显地提升。掩膜模块的优点是可以进一步提升基于GAN的图像超分辨率网络输出的超分辨率图像观感质量,并仅需对生成对抗网络训练框架进行修改,因此适用于多数基于GAN的图像超分辨率模型的进一步优化。

基于局部自相似性的视频图像超分辨率算法

针对视频图像的特点,提出基于局部自相似性的视频图像超分辨率算法。该算法不依赖自然图像数据库作为样本块的图像来源,而是利用局部自相似性,通过在相关坐标邻域中搜索子图像块以实现高频补偿。设计上采样和下采样滤波器,以实现对高频补偿后的图像进行滤波从而产生最终的样本块,采用逐级放大、分多步组合达到视频图像的放大,从而实现了视频图像超分辨率算法。实验结果表明,对于视频序列图像,在主观视觉效果和均方根误差(root mean square error,RMSE)、结构自相似性算子(structural similarity index measurement,SSIM)等方面,算法能显著地提高其分辨率,取得很好的效果。同时,对视频图像利用局部自相似性方法,减少了图像块的检索时间,降低了算法运算量。

基于POCS-MPMAP合成算法的超分辨率图像复原(英文)

阐述了凸集投影理论 (POCS)和基于Markov约束的Poisson MAP超分辨率图像复原算法 (MPMAP) 为了能获得更大的带宽扩展和更好的复原图像 ,把POCS理论与MPMAP算法结合在一起 ,提出基于POCS MPMAP的合成超分辨率图像复原算法

一种自适应毫米波被动成像的超分辨率算法

针对目前毫米波被动成像的图像分辨率很低的问题,提出了一种新的有效的超分辨率算法。通过改进维纳滤波方法,对毫米波图像进行低频分量恢复,将得到的低频分量代替通带内频谱分量,充分利用了图像中的信息,使之具有自适应功能。将改进的维纳滤波的优点和正则最大实验概率(MAP)超分辨率算法外推高频分量的优点相结合,通过正则MAP算法迭代获得外推高频分量,对图像的傅里叶变换作频域校正,再求图像的逆变换,对其作进一步校正,逐次进行上述过程,直到达到提高图像的分辨率的目的。对提出新的自适应超分辨率算法进行了多次实验验证。结果表明,提出的新算法能够增强图像的分辨率,收敛速度快,峰值信噪比高,并且视觉效果优越于维纳滤波和正则MAP算法。实验结果证明了所提出方法的有效性。

多尺度卷积神经网络的图像超分辨率重建算法

为利用多尺度信息重建超分辨率图像,提出多尺度卷积神经网络的图像超分辨率重建算法。算法利用不同尺度的卷积核提取图像特征,为图像重建提供不同大小的邻域信息;用瓶颈层融合多尺度特征图,增强网络非线性表示能力,降低中间层输出的维数,提高图像的超分辨率重建性能。多个测试集上的实验结果表明,多尺度卷积神经网络算法优于现有的单幅图像超分辨率方法。

基于多尺度反向投影的图像超分辨率重建算法

为解决当前主流图像超分辨率重建算法对低分辨率图像中细节信息利用不够充分的问题,提出一种基于多尺度反向投影的图像超分辨率重建算法。使用多个不同尺度的卷积核从浅层特征提取层中提取出不同维度的特征信息,输入到反向投影模块后,交替使用升采样和降采样来优化高分辨率和低分辨率图像的投影误差,同时运用残差学习的思想将升采样和降采样阶段提取到的特征使用级联的方式进行连接,从而提升图像的重建效果。实验结果表明,在Set5、Set14和Urban100数据集上,与Bicubic、SRCNN、ESPCN、VDSR和LapSRN 5种主流算法相比,该算法的峰值信噪比和结构相似性均有所提高。

群稀疏高斯洛伦兹混合先验超分辨率重建

为了得到置信度更高的超分辨率先验模型,实现重建结果在噪声和细节之间的平衡,建立了基于混合稀疏表达框架下的高斯⎯洛伦兹混合先验模型。研究了该先验模型在超分算法中的应用优势和具体的应用方案。首先,根据先验信息的类型介绍了一些超分辨率算法的优势和问题。接着,提出对图像不同分量的统计特点进行单独建模的应用方法。然后,在分析了混合稀疏框架、高斯吉布斯先验和洛伦兹先验的基础上,说明了基于群稀疏框架下的高斯⎯洛伦兹混合先验的超分辨率算法。最后,介绍了具体实现环节和最终迭代方案。实验结果表明,本文基本完成了在重建过程中保持细节的同时抑制噪声的改进目标,可以用于更多复杂环境的超分辨率重建要求。

基于结构稀疏化的红外图像超分辨率重建算法

本文在稀疏编码的基础上,对红外图像特性进行分析,提出了一种基于结构稀疏化的红外图像超分辨率重建算法。该算法将稀疏作为先验知识,通过对稀疏进行结构化编组,学习字典中高能量的区域,通过纹理代价函数和结构代价函数来实现图像的超分辨率重建。实验结果表明,本文算法较传统的稀疏编码方法在PSNR方面提高4-5dB,重建后的图像更加清晰,背景层次感更强。

基于AI及超高分辨率的智能跟踪系统在虚拟演播室中的应用--以U-Studio中的实现方式为例

本文介绍了智能跟踪系统在虚拟演播室技术中的作用和优势,并以U-Studio中的实现方式为例,介绍了一种功能强大、操作简易的智能跟踪系统的实现方案。

基于自学习邻居嵌入的超分辨率特征选择（英文）

给出一些特征提取方法,来提取低分辨率(LR)空间中的块特征,并测试它们选择高分辨率(HR)块的能力。针对邻域嵌入(NE)与训练集的高度相关性,采用自学习方法来生成训练集。部分LR特征可以获得更高质量的HR块,这些HR块与理想的HR块非常相似。自学习实验结果表明,利用所提取的特征可以得到不同的HR重建结果。部分特征提取方法效果好、效率高,所获特征可为基于NE的超分辨率(SR)算法所用,并能解决一对多的不适定问题。