公开(公告)号：CN112699844B

公开(公告)日：2023-06-20

申请号：CN202110043244.8

申请日：2021-01-13

Applicant: 华南理工大学

Inventor： 严伊彤 ,  刘闯闯 ,  金龙存 ,  彭新一

IPC: G06T3/40 ,  G06V10/774 ,  G06V10/776 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/048

Abstract: 本发明公开了一种基于多尺度残差层级密连接网络的图像超分辨率方法。所述方法包括以下步骤：制作训练数据集、验证数据集；建立多尺度残差层级密连接网络模型；初始化多尺度残差层级密连接网络模型，确定损失函数，选取优化器，设置训练的参数；训练多尺度残差层级密连接网络模型，每个epoch使用验证集来测试模型的性能，得到训练好的多尺度残差层级密连接网络模型；获取测试数据集，将测试数据集输入训练好的多尺度残差层级密连接网络模型中执行测试，生成超分辨率图像；计算生成的超分辨率图像与真实的高分辨率图像之间的峰值信噪比和结构相似度。

公开(公告)号：CN112699844A

公开(公告)日：2021-04-23

申请号：CN202110043244.8

申请日：2021-01-13

Applicant: 华南理工大学

Inventor： 严伊彤 ,  刘闯闯 ,  金龙存 ,  彭新一

IPC: G06K9/00 ,  G06F17/14 ,  G06F17/16

Abstract: 本发明公开了一种基于多尺度残差层级密连接网络的图像超分辨率方法。所述方法包括以下步骤：制作训练数据集、验证数据集；建立多尺度残差层级密连接网络模型；初始化多尺度残差层级密连接网络模型，确定损失函数，选取优化器，设置训练的参数；训练多尺度残差层级密连接网络模型，每个epoch使用验证集来测试模型的性能，得到训练好的多尺度残差层级密连接网络模型；获取测试数据集，将测试数据集输入训练好的多尺度残差层级密连接网络模型中执行测试，生成超分辨率图像；计算生成的超分辨率图像与真实的高分辨率图像之间的峰值信噪比和结构相似度。

公开(公告)号：CN111583109B

公开(公告)日：2024-02-13

申请号：CN202010329481.6

申请日：2020-04-23

Applicant: 华南理工大学

Inventor： 刘闯闯 ,  严伊彤 ,  金龙存 ,  彭新一

IPC: G06T3/4053 ,  G06T3/4046 ,  G06N3/045 ,  G06N3/084 ,  G06N3/082 ,  G06V10/774

Abstract: 本发明公开了基于生成对抗网络的图像超分辨率方法。所述方法包括以下步骤：获取训练数据集、验证数据集；构建图像超分辨率模型，包括生成网络模型和判别网络模型；初始化建立的生成网络模型和判别网络模型的权重，初始化网络模型，选取优化器，设置网络训练的参数；使用损失函数来同时训练生成网络模型和判别网络模型，直到生成网络和判别网络达到纳什平衡；获取测试数据集并输入到训练好的生成网络模型，生成超分辨率图像；计算生成的超分辨率图像与真实的高分辨率图像之间的峰值信噪比，计算生成图像的图像重建质量的评价指标，评估图像的重建质量。本发明通过优化网络结构来提升网络重建超分辨率图像的性能，解决图像超分辨率问题。

公开(公告)号：CN111583109A

公开(公告)日：2020-08-25

申请号：CN202010329481.6

申请日：2020-04-23

Applicant: 华南理工大学

Inventor： 刘闯闯 ,  严伊彤 ,  金龙存 ,  彭新一

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公开了基于生成对抗网络的图像超分辨率方法。所述方法包括以下步骤：获取训练数据集、验证数据集；构建图像超分辨率模型，包括生成网络模型和判别网络模型；初始化建立的生成网络模型和判别网络模型的权重，初始化网络模型，选取优化器，设置网络训练的参数；使用损失函数来同时训练生成网络模型和判别网络模型，直到生成网络和判别网络达到纳什平衡；获取测试数据集并输入到训练好的生成网络模型，生成超分辨率图像；计算生成的超分辨率图像与真实的高分辨率图像之间的峰值信噪比，计算生成图像的图像重建质量的评价指标，评估图像的重建质量。本发明通过优化网络结构来提升网络重建超分辨率图像的性能，解决图像超分辨率问题。