双鉴别器盲超分重建方法研究

图像超分变率重建方法在公共安全检测、卫星成像、医学和照片恢复等方面有着十分重要的用途。该文对基于生成对抗网络的超分辨率重建方法进行研究,提出一种基于纯合成数据训练的真实世界盲超分算法(RealESRGAN)的UNet3+双鉴别器Real-ESRGAN方法(Double Unet3+Real-ESRGAN, DU3-Real-ESRGAN)。首先,在鉴别器中引入UNet3+结构,从全尺度捕捉细粒度的细节和粗粒度的语义。其次,采用双鉴别器结构,一个鉴别器学习图像纹理细节,另一个鉴别器关注图像边缘,实现图像信息互补。在Set5, Set14, BSD100和Urban100数据集上,与多种基于生成对抗网络的超分重建方法相比,除Set5数据集外,DU3-Real-ESRGAN方法在峰值信噪比(PSNR)、结构相似性(SSIM)和无参图像考评价指标(NIQE)都优于其他方法,产生了更直观逼真的高分辨率图像。

基于CNN的图像超分辨率重建与人脸识别算法研究

基于人工智能的车联网技术对于缓解交通拥堵具有重要的意义和价值。针对雨天、阴天和光线不好情况下人脸识别匹配度会大大降低的问题,结合深度学习算法、图像超分技术等来提高图像识别的时效性和精确性,实现了在复杂场景中快速准确地对人脸进行检测和识别。此项技术不仅能够改变人们的出行方式,带来更加智能化的交通体验,同时也将交通带向更加智能化的方向。

基于复合神经网络提升亚米级卫星影像质量

低能见度情况下,大气粒子对太阳辐射的散射和吸收效应,降低了卫星影像像质和空间分辨率,传统图像处理方法和现在普遍应用的深度学习算法无法同时提升图像像质和空间分辨率。为了改变该现状,文章提出了基于网格去雾网络(GridDehazeNet)和真实超分辨率生成对抗网络(Real-ESRGAN)组合的复合神经网络。首先采用GridDehazeNet卷积神经网络架构提升卫星影像的清晰度和对比度,再利用Real-ESRGAN增强型超分辨率生成对抗网络以提升卫星影像空间分辨率;最后利用Worldview-3多光谱图像对不同算法进行了测试,并对比不同算法的测试效果。结果表明:该复合神经网络在改善图像像质和分辨率方面效果显著,其中清晰度提高了39.11倍,对比度提高了3倍,信息熵值提高了34%;且同时避免了传统算法所带来过度增强和噪声问题,对小目标物的识别和解译的准确率有显著提高。