搜索到9897 篇“ 超分辨重建 “的相关文章
基于非对称信息蒸馏网络的轻量级图像超 分辨 重建 2025年 超 分辨 率重建 领域表现出卓越性能,然而现有的许多相关方法的模型参数量较多,无法应用至计算资源较低的设备。为缓解上述问题,提出一个轻量级的非对称信息蒸馏网络(AIDN)模型。首先,输入原始图像及其边缘图像以提取有效的特征信息;其次,设计一个非对称信息蒸馏块对提取到的特征进行非线性映射学习;再次,使用上采样模块重建 多个残差图像后,将这些残差图像经过注意力机制融合成一个残差图像;最后,将融合的残差图像与输入图像的插值相加后得到超 分图像。在Set14、Urban100和Manga109数据集上的实验结果表明,相较于空间自适应特征调制网络(SAFMN),AIDN模型的4倍超 分峰值信噪比(PSNR)值分别提升了0.03 dB、0.14 dB和0.06 dB,说明了AIDN模型在模型参数量和模型性能之间取得了更好的平衡。关键词：图像超分辨率 一种三维磁共振影像超 分辨 重建 方法电子设备和储存介质 超 分辨 重建 方法电子设备和储存介质，包括以下步骤：数据获取：获取低分辨 率的3D MRI图像作为输入数据；图像预处理：对输入的低分辨 率图像进行预处理；特征提取：从低分辨 率图像中提取特征；方法选择...一种基于细节恢复的遥感图像超 分辨 重建 方法及系统 超 分辨 重建 方法及系统。方法，包括获取遥感图像；构建生成对抗网络模型，包括生成器和判别器；对生成器和判断器进行模型训练；利用生成器对遥感图像进行特征提取，...一种基于二阶传播和网格连接的脑MRI图像超 分辨 重建 方法 超 分辨 重建 方法，包括：将脑MRI图像分解为若干个低分辨 率切片，提取低分辨 率切片的特征得到浅层特征图；将浅层特征图与相邻的连续两个低分辨 率切片的相关特...融合注意力机制的遥感影像超 分辨 重建 研究 2025年 分辨 率较低。为了获取包含更多高频感知信息与纹理细节信息的遥感图像,提出一种基于改进SRGAN的遥感影像重建 算法。算法首先采用长短跳连接来替换传统SRGAN的批量归一化层(Batch Normalization, BN),实现高低层直接特征融合;其次,引入自注意力机制,利用全局特征信息对图像重建 ,提升算法重建 质量、丰富其纹理细节。此外,引入L1损失和利用显著目标检测网络得到的显著性损失对算法的损失函数进行优化。改进的重建 算法在自制卫星遥感影像数据集的实验中,峰值信噪比(PSNR)、结构相似度(SSIM)和图像感知相似度(LPIPS)3个性能评价指标相较于原算法均有所改善,其中LPIPS相比原始算法降低了2.4%,重建 图像的细节部分更加清晰,整体表现出较好的鲁棒性和综合性能。关键词：遥感图像 超分辨率重建 基于条件先验Swin Transformer的人脸图像超 分辨 重建 2025年 超 分辨 模型未对人脸图像进行预处理导致最终超 分辨 结果不佳的问题,文中提出了基于条件先验Swin Transformer的人脸图像超 分辨 重建 方法。该方法利用人脸解析图融合Swin Transformer模型对人脸图像进行预处理,使用条件先验对人脸超 分问题进行优化,采用人脸解析图Parsing Map进行约束从而得到更有价值的先验信息。在深层特征提取阶段,将通道空间注意力机制融合Swin Transformer模块对特征组调整进行速度与精度的平衡。实验结果表明,所提方法在测试集上的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)为32.21 dB,相较于现有模型具有一定提升。实验证明改进模型更适用于人脸,所生成结果更清晰、更真实,能够还原出更多人脸图像纹理细节。关键词：TRANSFORMER 一种基于注意力机制的分焦面偏振图像超 分辨 重建 方法 超 分辨 重建 方法。属于光学图像处理技术领域，具体涉及分焦面偏振图像超 分辨 重建 技术领域。所述方法包括如下步骤：S1、利用分焦面偏振探测器采集图像构建图像数据集；S2、构建超 分辨 率神经网络模型...一种基于注意力机制的分焦面偏振图像超 分辨 重建 方法 超 分辨 重建 方法。属于光学图像处理技术领域，具体涉及分焦面偏振图像超 分辨 重建 技术领域。所述方法包括如下步骤：S1、利用分焦面偏振探测器采集图像构建图像数据集；S2、构建超 分辨 率神经网络模型...一种遥感图像超 分辨 重建 方法 超 分领域，具体涉及一种遥感图像超 分辨 重建 方法；该方法包括：采集高质量高分辨 的遥感图像数据集，对遥感图像进行裁剪和下采样操作，得到低分辨 图像；随机生成噪声并根据噪声生成噪声图像；采用条件截断噪声生成器对...用于单帧图像超 分辨 重建 的自监督图像扩散模型 被引量：1 2025年 超 分辨 重建 任务中已经取得了显著突破。它们成功的关键在于依赖大量成对的低分辨 率和高分辨 率图像来训练超 分辨 模型。然而,众所周知,获取如此大量一一对应的真实高-低分辨 率图像对是一个具有挑战性的任务。且基于仿真图像对训练的模型在面对具有与训练集退化类型不同的图像时往往表现不佳。在本文中,我们提出了用于单帧图像超 分辨 重建 的自监督图像扩散模型(Self-supervised Diffusion Model for Single Image Super-resolution,SSDM-SR)来突破数据集的限制,从而避免这些问题。该方法基于扩散模型来学习单帧图像内的信息分布,并为待超 分辨 重建 的图像训练一个小型的特定图像扩散模型。训练数据集仅从待超 分辨 图像本身中提取,因此SSDM-SR可以适应不同的输入图像。另外,该方法引入了坐标信息以帮助构建出图像的整体框架,从而使模型收敛更快。在多个公开基准数据集和具有未知退化核的数据集上的实验表明,SSDM-SR不仅在图像失真度方面优于近期先进的有监督和无监督图像超 分辨 重建 方法,并且能生成具有更高感知质量的图像。在真实世界低分辨 率图像上,它也生成了视觉上令人满意且无明显伪影的结果。
相关作者
朱福珍 作品数：71 被引量：197 H指数：7 供职机构：黑龙江大学电子工程学院 研究主题：遥感图像 超分辨重建 网络 超分辨率 超分辨 张凯兵 作品数：71 被引量：244 H指数：9 供职机构：西安工程大学电子信息学院 研究主题：图像 超分辨重建 超分辨方法 字典学习 超分辨 巫红 作品数：17 被引量：93 H指数：5 供职机构：黑龙江大学电子工程学院 研究主题：遥感图像 超分辨重建 无模型控制方法 字典学习 网络 刘慧 作品数：26 被引量：111 H指数：7 供职机构：山东财经大学计算机科学与技术学院 研究主题：图像 超分辨重建 肺结节 聚类 医学图像 徐军 作品数：7 被引量：12 H指数：2 供职机构：山东财经大学 研究主题：超分辨重建 超分辨 反卷积 医学CT图像 神经网络
