-
公开(公告)号：CN117422614B
公开(公告)日：2024-03-12
申请号：CN202311745925.4
申请日：2023-12-19
Applicant: 华侨大学 , 厦门松霖科技股份有限公司
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44
Abstract: 本发明公开了一种基于混合特征交互Transformer的单帧图像超分辨率方法及装置，涉及图像处理领域，包括：获取待重建的低分辨率图像；构建基于混合特征交互Transformer的单帧图像超分辨率模型并训练，得到经训练的单帧图像超分辨率模型，单帧图像超分辨率模型包括依次连接的浅层特征提取单元、深层特征提取单元和上采样重建单元，深层特征提取单元包括依次连接的P个混合特征交互Transformer模块；将低分辨率图像输入经训练的单帧图像超分辨率模型，通过浅层特征提取单元提取浅层特征，将浅层特征输入深层特征提取单元提取得到深层特征，将深层特征输入上采样重建单元，重建得到高分辨率重建图像，解决Transformer的SR方法忽略不同维度的特征之间的潜在关联性，影响重建性能的问题。
-
公开(公告)号：CN117422614A
公开(公告)日：2024-01-19
申请号：CN202311745925.4
申请日：2023-12-19
Applicant: 华侨大学 , 厦门松霖科技股份有限公司
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44
Abstract: 本发明公开了一种基于混合特征交互Transformer的单帧图像超分辨率方法及装置，涉及图像处理领域，包括：获取待重建的低分辨率图像；构建基于混合特征交互Transformer的单帧图像超分辨率模型并训练，得到经训练的单帧图像超分辨率模型，单帧图像超分辨率模型包括依次连接的浅层特征提取单元、深层特征提取单元和上采样重建单元，深层特征提取单元包括依次连接的P个混合特征交互Transformer模块；将低分辨率图像输入经训练的单帧图像超分辨率模型，通过浅层特征提取单元提取浅层特征，将浅层特征输入深层特征提取单元提取得到深层特征，将深层特征输入上采样重建单元，重建得到高分辨率重建图像，解决Transformer的SR方法忽略不同维度的特征之间的潜在关联性，影响重建性能的问题。
-
公开(公告)号：CN119180752B
公开(公告)日：2025-02-25
申请号：CN202411678685.5
申请日：2024-11-22
Applicant: 华侨大学 , 厦门松霖科技股份有限公司
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T3/4046
Abstract: 本发明公开了一种基于高效频域Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：构建基于高效频域Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型，图像超分辨率模型包括第一卷积层、亚像素卷积层、第二卷积层以及若干个高效频域Transformer模块；获取待重建的低分配率图像和上采样因子并输入经训练的图像超分辨率模型，先经过第一卷积层，得到第一卷积层的输出特征，第一卷积层的输出特征依次经过若干个高效频域Transformer模块，将最后一个高效频域Transformer模块的输出特征与第一卷积层的输出特征相加，得到第二相加结果，第二相加结果依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像。本发明克服现有Transformer方法计算复杂度过高的问题。
-
公开(公告)号：CN119180752A
公开(公告)日：2024-12-24
申请号：CN202411678685.5
申请日：2024-11-22
Applicant: 华侨大学 , 厦门松霖科技股份有限公司
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T3/4046
Abstract: 本发明公开了一种基于高效频域Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：构建基于高效频域Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型，图像超分辨率模型包括第一卷积层、亚像素卷积层、第二卷积层以及若干个高效频域Transformer模块；获取待重建的低分配率图像和上采样因子并输入经训练的图像超分辨率模型，先经过第一卷积层，得到第一卷积层的输出特征，第一卷积层的输出特征依次经过若干个高效频域Transformer模块，将最后一个高效频域Transformer模块的输出特征与第一卷积层的输出特征相加，得到第二相加结果，第二相加结果依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像。本发明克服现有Transformer方法计算复杂度过高的问题。
-
公开(公告)号：CN117218005B
公开(公告)日：2024-03-01
申请号：CN202311476526.2
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T5/73 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 本发明涉及图像超分辨率的技术领域，公开了一种基于全距离特征聚合的单帧图像超分辨率方法及系统，包括以下步骤：利用通道上采样卷积层，将输入的低分辨率图像转换为通道数为C的浅层特征图；对浅层特征图进行短距离、中距离和长距离的特征提取，并聚合成为全距离特征图；利用基于亚像素卷积的通道下采样卷积层，将全距离特征图的通道数由C下采样至输入的低分辨率图像的通道数。本发明提供的超分辨率方法克服了原有经典超分辨率模型提取的特征信息尺度单一的问题，充分利用多尺度特征信息以
-
Patent Agency Ranking
公开(公告)号：CN117173025B
公开(公告)日：2024-03-01
申请号：CN202311437434.3
申请日：2023-11-01
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44 , G06V10/80
Abstract: 本发明公开了基于跨层混合注意力Transformer的单帧图像超分辨率方法及系统，涉及图像超分辨率领域，方法包括：提取低分辨率图像的浅层特征；采用多级混合注意力模块对浅层特征进行多次深层特征提取，保留每一级混合注意力模块的输出作为中间特征图，最后一级混合注意力模块的输出作为第一关联特征；捕捉各级中间特征图的多尺度上下文信息，得到第二关联特征；捕捉各级中间特征图之间的通道依赖关系，得到第三关联特征；对第一关联特征、第二关联特征和第三关联特征进行特征融合，得到深层全局特征；对深层全局特征进行上采样，得到重建的高分辨率图像。本发明提升了超分辨率中的图像信息利用率和细节重建能力，增强了全局特征表达能力。
-
公开(公告)号：CN118967453A
公开(公告)日：2024-11-15
申请号：CN202411448384.3
申请日：2024-10-17
Applicant: 华侨大学
IPC: G06T3/4076 , G06N3/048 , G06T3/4046 , G06T3/4084
Abstract: 本发明涉及图像超分辨率技术领域，公开了一种基于梯度一致感知的空频域特征混合图像超分辨率方法，包括：构建空频域特征混合图像超分辨率网络，包括超分辨率分支和回归分支，超分辨率分支采用空频域特征混合模块对低分辨率图像提取不同尺度的混合特征，回归分支基于混合特征获得全分辨率图像，并基于不同尺度的混合特征重建低分辨率梯度图，所述低分辨率梯度图用于构建梯度一致感知学习损失函数，以训练所述空频域特征混合图像超分辨率网络。本发明全局挖掘可利用的高频信息，并对高分辨率梯度图以及重建的低分辨率梯度图施加一阶束缚，从而探索层次特征之间的全局依赖关系。
-
公开(公告)号：CN113160271B
公开(公告)日：2023-10-31
申请号：CN202110276732.3
申请日：2021-03-15
Applicant: 华侨大学
Abstract: 本发明提出了一种融合相关滤波和粒子滤波的高精度红外目标跟踪方法，将Lp范数引入LRST跟踪器，构建跟踪器最小化模型Lp‑LRST；利用DSST跟踪器估计出目标的位置和尺度，同时计算PSR值来衡量跟踪结果的可信度；若PSR大于或等于设定阈值，则根据DSST跟踪器当前帧确定的目标位置和尺度来执行Lp‑LRST跟踪器，否则由Lp‑LRST跟踪器根据上一帧的目标状态来重新确定目标位置；若PSR大于或等于设定阈值，则更新DSST跟踪器的模板，反之，停止更新；当粒子的模板相似度低于设定阈值时，更新Lp‑LRST跟踪器的模板，反之，停止更新；将获得的目标位置和尺度传递给下一帧的DSST跟踪器；重复直到跟踪结束。本发明提供的方法能够实现提升红外目标跟踪的准确性和鲁棒性。
-
公开(公告)号：CN114066727A
公开(公告)日：2022-02-18
申请号：CN202110858949.5
申请日：2021-07-28
Applicant: 华侨大学
Abstract: 本发明公开了一种多阶段渐进式图像超分辨率方法，包括：使用多尺度特征提取模块提取待重建的图像特征，并引入通道注意力模块，对不同通道特征赋予权重，从而增强重要通道特征的表现能力；采用残差特征融合机制，充分利用图像上下文特征的关联性，得到第一阶段中的重建图像；使用精细化模块，对第一阶段中得到的重建图像进行优化，从而得到更为精细的重建图像；采用损失函数进行训练，进一步提升模型的超分辨率效果。本发明方法有效提高了图像超分辨率重建的效果，在主观视觉和客观评价指标方面都获得了更好的效果。
-
公开(公告)号：CN118967453B
公开(公告)日：2025-02-21
申请号：CN202411448384.3
申请日：2024-10-17
Applicant: 华侨大学
IPC: G06T3/4076 , G06N3/048 , G06T3/4046 , G06T3/4084
Abstract: 本发明涉及图像超分辨率技术领域，公开了一种基于梯度一致感知的空频域特征混合图像超分辨率方法，包括：构建空频域特征混合图像超分辨率网络，包括超分辨率分支和回归分支，超分辨率分支采用空频域特征混合模块对低分辨率图像提取不同尺度的混合特征，回归分支基于混合特征获得全分辨率图像，并基于不同尺度的混合特征重建低分辨率梯度图，所述低分辨率梯度图用于构建梯度一致感知学习损失函数，以训练所述空频域特征混合图像超分辨率网络。本发明全局挖掘可利用的高频信息，并对高分辨率梯度图以及重建的低分辨率梯度图施加一阶束缚，从而探索层次特征之间的全局依赖关系。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.025 seconds)
