公开(公告)号：CN113628108B

公开(公告)日：2023-10-27

申请号：CN202110755689.9

申请日：2021-07-05

Applicant: 上海交通大学

Inventor： 张小云 ,  黄一轩 ,  乔宇 ,  董超 ,  张娅 ,  王延峰

IPC: G06T3/40 ,  G06V10/77 ,  G06V10/772 ,  G06V10/82 ,  G06V10/766 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于离散表示学习的图像超分辨率方法和系统、终端，所述方法包括：分别创建低分辨率以及高分辨率的离散字典；将低分辨率图像输入卷积神经网络得到提取的图像特征，并参照低分辨率离散字典，将图像特征转换为离散表示；将基于低分辨率字典的离散表示通过自回归网络，映射成基于高分辨率字典的离散表示；将离散表示参照高分辨率字典，转换为高分辨率图像特征，再通过卷积神经网络，进行反卷积的操作，生成输入低分辨率图像对应的高分辨率图像。本发明能够利用低清高清数据对来分别建立低分辨率以及高分辨率离散字典，将输入的低分辨率图像通过这两个字典变为对应的高分辨率图像，提升图像的清晰度。

公开(公告)号：CN114529455A

公开(公告)日：2022-05-24

申请号：CN202210148649.2

申请日：2022-02-18

Applicant: 上海交通大学

Inventor： 张小云 ,  黄一轩 ,  张娅 ,  王延峰

IPC: G06T3/40 ,  G06T7/33 ,  G06V10/54 ,  G06V10/75 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供基于任务解耦的有参图像超分辨率方法，包括：生成输入图像的超分辨率，将输入图像通过深度卷积网络提取特征，生成缺乏细节纹理的高分辨率图像；提取参考图像的纹理，将输入的参考图像通过深度卷积网络提取特征，与高分辨率图像进行特征对齐，提取参考图像中的细节纹理信息；迁移纹理到输出图像，计算输入图像和参考图像的相似程度，将细节纹理信息依照相似程度迁移到高分辨率图像，生成带有高频纹理细节的高分辨率图像。本发明将有参超分解耦为两个任务，分别为输入图像的超分辨率任务和针对参考图像的纹理迁移任务，对输入图像以及参考图像分别进行处理，在消除无关参考图像负面影响的同时，可以对内容相关的参考图像利用更加充分。

公开(公告)号：CN113628108A

公开(公告)日：2021-11-09

申请号：CN202110755689.9

申请日：2021-07-05

Applicant: 上海交通大学

Inventor： 张小云 ,  黄一轩 ,  乔宇 ,  董超 ,  张娅 ,  王延峰

IPC: G06T3/40 ,  G06K9/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于离散表示学习的图像超分辨率方法和系统、终端，所述方法包括：分别创建低分辨率以及高分辨率的离散字典；将低分辨率图像输入卷积神经网络得到提取的图像特征，并参照低分辨率离散字典，将图像特征转换为离散表示；将基于低分辨率字典的离散表示通过自回归网络，映射成基于高分辨率字典的离散表示；将离散表示参照高分辨率字典，转换为高分辨率图像特征，再通过卷积神经网络，进行反卷积的操作，生成输入低分辨率图像对应的高分辨率图像。本发明能够利用低清高清数据对来分别建立低分辨率以及高分辨率离散字典，将输入的低分辨率图像通过这两个字典变为对应的高分辨率图像，提升图像的清晰度。