公开(公告)号：CN112950464A

公开(公告)日：2021-06-11

申请号：CN202110099913.3

申请日：2021-01-25

Applicant: 西安电子科技大学

Inventor： 王楠楠 ,  姜馨蕊 ,  杨曦 ,  辛经纬 ,  李柯宇 ,  朱明瑞 ,  李洁 ,  高新波

IPC: G06T3/40

Abstract: 本发明公开了一种不包含正则化层的二值超分辨率重建方法，包括：对低分辨率图像进行数据分布处理，获得处理后图像；将所述处理后图像输入二值深度神经网络模型进行特征提取，获得重构后的图像；对所述重构后的图像进行数据分布处理，获得最终重建后的超分图像；利用梯度下降算法迭代更新所述二值深度神经网络模型的参数，直至达到收敛。本发明的方法，通过一种有效的二值化训练机制，允许神经网络在不包含正则化层时取得较优异的网络性能，从而使网络以较低的计算复杂度获得更加优异的超分辨率图像重建效果。

公开(公告)号：CN115311136A

公开(公告)日：2022-11-08

申请号：CN202210765221.2

申请日：2022-06-30

Applicant: 西安电子科技大学

Inventor： 王楠楠 ,  李柯宇 ,  辛经纬

IPC: G06T3/40 ,  G06T5/20 ,  G06V10/44 ,  G06V10/46 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于局部均值二值量化的图像超分辨率方法，所述图像超分辨率方法包括：获取待重建的低分辨率图像；将所述待重建的低分辨率图像输入至训练好的超分网络中，得到最终的高分辨图像，其中，所述超分网络包括特征提取模块、特征转化模块和图像重构模块，所述特征转化模块的权重和激活均进行二值量化处理。本发明相比全精度的超分网络模型，本发明中提出的二值网络可以大幅低降低超分模型的计算量以及参数量，有利于超分网络在边缘设备上的部署以及实时地应用。

公开(公告)号：CN112950464B

公开(公告)日：2023-09-01

申请号：CN202110099913.3

申请日：2021-01-25

Applicant: 西安电子科技大学

Inventor： 王楠楠 ,  姜馨蕊 ,  杨曦 ,  辛经纬 ,  李柯宇 ,  朱明瑞 ,  李洁 ,  高新波

IPC: G06T3/40

Abstract: 本发明公开了一种不包含正则化层的二值超分辨率重建方法，包括：对低分辨率图像进行数据分布处理，获得处理后图像；将所述处理后图像输入二值深度神经网络模型进行特征提取，获得重构后的图像；对所述重构后的图像进行数据分布处理，获得最终重建后的超分图像；利用梯度下降算法迭代更新所述二值深度神经网络模型的参数，直至达到收敛。本发明的方法，通过一种有效的二值化训练机制，允许神经网络在不包含正则化层时取得较优异的网络性能，从而使网络以较低的计算复杂度获得更加优异的超分辨率图像重建效果。