基于双路引导更新的光场图像超分网络

基于双平面模型的四维光场表示形式,光场相机以牺牲图像空间分辨率为代价,实现了三维场景空间信息和角度信息的同步记录。为了提高光场图像的空间分辨率,本文搭建了基于双路引导更新机制的光场图像超分辨率重建网络。网络前端以不同形式的图像阵列为输入,构建残差串并联卷积实现了空间、角度信息解耦合。针对解耦合后的空间、角度信息,设计了双路引导更新模块,采用逐级增强、融合、再增强的方式,完成空间信息与角度信息的交互引导迭代更新。最后将逐级更新后的角度信息送入简化后的残差特征蒸馏模块,实现数据重建。对比实验表明,所提网络在有效控制复杂度的基础上,获得了更好的超分性能。

     

融合多尺度特征的光场图像超分辨率方法

光场相机作为新一代的成像设备,能够同时捕获光线的空间位置和入射角度,然而其记录的光场存在空间分辨率和角度分辨率之间的制约关系,尤其子孔径图像有限的空间分辨率在一定程度上限制了光场相机的应用场景。因此本文提出了一种融合多尺度特征的光场图像超分辨网络,以获取更高空间分辨率的光场子孔径图像。该基于深度学习的网络框架分为三大模块：多尺度特征提取模块、全局特征融合模块和上采样模块。网络首先通过多尺度特征提取模块学习4D光场中固有的结构特征,然后采用融合模块对多尺度特征进行融合与增强,最后使用上采样模块实现对光场的超分辨率。在合成光场数据集和真实光场数据集上的实验结果表明,该方法在视觉评估和评价指标上均优于现有算法。另外本文将超分辨后的光场图像用于深度估计,实验结果展示出光场图像空间超分辨率能够增强深度估计结果的准确性。     

超表面的矢量光场调控

矢量光场由于其独特的光场分布特性,在许多领域都得到了广泛且深入的研究与应用。传统光场调控手段受限于材料的光学特性及物理尺寸,难以实现灵活高效的动态操控功能。超表面凭借其亚波长结构设计所带来的额外自由度,突破了上述局限,使得对矢量光场的振幅、相位、偏振态乃至传播方向等的独立调控成为可能。本文结合国内外矢量光场领域的基础理论及最新进展,系统地阐述了矢量光场的基本原理及其数学模型,重点介绍了目前超表面生成矢量光场的方法,以及这种矢量光场在聚焦、轨道角动量检测、高精度定位等方面应用的具体案例与创新成果。

     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

光滑逼近超完备稀疏表示的图像超分辨率重构

为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的三倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。     

彩色图像多尺度引导的深度图像超分辨率重建

为获得更优的深度图像超分辨率重建结果,本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导,有益于恢复图像细节信息。在对LR深度图像提取特征的过程中,构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征,然后将每一个MRFRB输出的特征连接、融合,得到全局融合特征。最后,通过亚像素卷积层和全局融合特征,得到HR深度图像。实验结果表明,该算法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。     

正则化恢复联合稀疏表示的图像超分辨率重构

为改善强降质图像的分辨率水平,提出了一种正则化恢复联合稀疏表示的单帧图像超分辨率重构框架。为同时放大图像并抑制模糊及噪声,首先根据退化估计正则化平衡极小问题的逼近项和先验项,然后基于初步的锐利清晰图像和预先建立的图像超完备稀疏表示字典实现边缘保持的图像分辨率放大。正则化恢复的输出改善了传统学习法图像超分辨中低频分量的双立方插值版本,同时对降质的有效抑制降低了字典原子对退化信息的依赖性。实验结果表明,本方法可对模糊含噪的低分辨率图像实现有效的超分辨率重构。     

多路径递归网络结构的单帧图像超分辨率重建

卷积神经网络在单帧图像超分辨率重建任务中取得了巨大成功,但是其重建模型多是基于单链结构,层间联系较弱且不能充分利用网络提取的分层特征。针对这些问题,本文设计了一种多路径递归的网络结构(MRCN)。通过使用多路径结构来加强层之间的联系,实现特征的有效利用并且提取丰富的高频成分,同时使用递归结构降低训练难度。此外,通过引入特征融合的操作使得在重建的过程中可以充分利用各层提取的特征,并且自适应的选择有效特征。在常用的基准测试集上进行了大量实验表明,MRCN比现有的方法在重建效果上具有明显提升。     

低分辨率多描述编码图像的超分辨率重构

图像的高质量、低帧率传输有较广泛的应用.由于传输信道的不可靠、易丢包或误码等固有特性使传输图像降质甚至无法正常译码.本文对原图像亚采样后进行低分辨率多描述编码以增强传输鲁棒性,接收端再采用多幅解码图像超分辨率重构,可在相同信道条件下得到2～3 dB的PSNR增益.并且可以结合目前几乎所有的图像多描述编码技术和超分辨率重构算法,有很强的应用和推广价值.     

级联金字塔结构的深度图超分辨率重建

由于成像设备的限制,深度图往往分辨率较低。对低分辨率深度图进行上采样时,通常会造成深度图的边缘模糊。当上采样因子较大时,这种问题尤为明显。本文提出金字塔密集残差网络,实现深度图超分辨率重建。整个网络以残差网络为主框架,采用级联的金字塔结构对深度图分阶段上采样。在每一阶段,采用简化的密集连接块获取图像的高频残差信息,尤其是底层的边缘信息,同时残差结构中的跳跃连接分支获取图像的低频信息。网络直接以原始低分辨率深度图作为输入,以亚像素卷积层进行上采样操作,减少了运算复杂度。实验结果表明,该方法有效地解决了图像深度边缘的模糊问题,在定性和定量评价上优于现有方法。     

OCT图像多教师知识蒸馏超分辨率重建

光学相干断层成像(OCT)广泛应用于眼科诊断与辅助治疗,但其成像质量不可避免地受到散斑噪声和运动伪影影响。本文提出了一种针对OCT超分辨率任务的多教师知识蒸馏网络MK-OCT,使用不同优势的教师网络训练平衡、轻量级和高效的学生网络。MK-OCT中高效通道蒸馏方法ECD的使用也使得模型能够更好地保留视网膜图像的纹理信息,满足临床需要。实验结果表明,与经典超分辨率网络相比,本文所提模型在重建精度和感知质量两个方面均表现优异,模型尺寸更小,计算量更少。

     

基于通道注意力与迁移学习的红外图像超分辨率重建算法

针对现有红外图像分辨率低、质量不高的问题,提出了基于通道注意力与迁移学习的红外图像超分辨率重建方法.该方法设计了一个深度卷积神经网络,融入通道注意力机制来增强网络的学习能力,并且使用残差学习方式来减轻梯度爆炸或消失问题,加速网络的收敛.考虑到高质量的红外图像难以采集、数目不足的情况,将网络的训练分成两步:第一步使用自然...     

改进的密集连接网络遥感图像超分辨重建

遥感图像超分辨增加了遥感图像的细节信息,在遥感图像处理中有重要的地位。为了进一步提高遥感图像超分辨的重建效果,本文提出一种改进的密集连接网络遥感图像超分辨重建算法。首先对基于残差网络的深度超分辨算法(VDSR)进行改进,结合密集连接网络(DenseNet),将残差网络中的残差块替换成密集块,并且添加一组密集层与瓶颈层,实现DenseNet网络结构的改进,同时,修改网络激活函数为PReLU函数,网络训练采用L1损失函数。为了使网络在遥感图像上具有更好的效果,训练网络时,数据集全部采用遥感图像作为训练样本。当训练的epoch达到了大约35次时网络已经收敛。实验结果表明,与VDSR算法相比,本文改进的算法对遥感图像的效果更优,峰值信噪比(PSNR)平均增加了1.05 dB,结构相似度(SSIM)平均增加了0.042。     

变分贝叶斯框架中的多帧图像盲超分辨

多帧图像超分辨理论是通过融合多帧低分辨率图像的信息来重构高空间分辨率图像。准确估计低分辨率图像的模糊核是进行有效信息融合的先决条件。传统超分辨方法通常假设模糊核已知且采用固定的高斯滤波模糊核,并且模型参数需要费时的手动调整。本文在变分贝叶斯框架下获得相应的超分辨算法,该算法对高分辨率图像、模糊核和模型参数同时进行最优估计。对比实验表明,模糊核自适应估计的盲超分辨方法总体性能优于现有的变分贝叶斯框架下的图像超分辨方法,特别是在高信噪比场景,推荐方法优势更加明显。     

基于多尺度稠密卷积网络的单图像超分辨率重建

目的针对已有网络对于卷积特征图利用率低下,从而导致高倍数图像重建质量不高的情况,提出一种多尺度稠密卷积网络(SRMD)。方法对SRDenseNet的稠密连接模块进行改进,去除批规范化层,参考已有网络,设计多尺度特征提取层和1×1的信息整合层,从而构成多尺度稠密卷积模块。SRMD通过一个多尺度特征提取层堆叠64个底层特征图,再由8个多尺度稠密卷积模块经过稠密连接堆叠1024个特征图,最后通过信息整合和子像素卷积模块输出超分辨率重建图像。结果在Set5,Set14,B100和U100数据集上进行测试,SRMD重建图像的峰值信噪比分别为30.1570,26.9952,25.7860, 23.4821 dB,结构相似性分别为0.8813,0.7758,0.7243,0.7452。结论与已有网络相比,SRMD与DRCN,VDSR表现相当,优于SRDenseNet和BiCubic方法。     

基于稀疏表示的车牌图像超分辨率算法研究

介绍一种应用于车牌图像的稀疏表示超分辨率算法,依据稀疏表示理论,自然图像在合适的过完备字典下总存在稀疏的表示,为输入的低分辨率图像寻找一个稀疏表示,用稀疏系数来生成高分辨率输出图像。通过对低分辨率和高分辨率图像补丁的联合训练生成字典,该字典提供低分辨率图像补丁的稀疏表示,用来生成高分辨率图像补丁。     

基于视觉对比度特性的红外图像超分辨率重建

针对现有超分辨率算法重建后的红外图像存在对比度差、信噪比低、视觉效果模糊的缺点,提出一种基于视觉对比度特性的红外图像超分辨率重建算法。该算法首先利用人眼在不同灰度级的分辨能力不同,通过引入红外图像对比度这一先验信息重建红外图像,其次构建一噪声度量因子以区分图像目标与噪声,然后对目标边缘进行增强,噪声进行滤除。实验结果表明:经过改进算法重建的超分辨率红外图像对比度提高了2倍,噪声得到了有效抑制,视觉效果明显改善。     

基于变分贝叶斯多图像超分辨的平面复眼空间分辨率增强

平面复眼成像系统利用多个子孔径对场景进行成像,由于子孔径大小和图像传感器空间采样率的限制,各子孔径图像质量较差。如何融合多个子孔径图像来获得高分辨率图像是亟需解决的问题。多图像超分辨理论利用多幅具有互补信息的图像来重构高空间分辨率图像,然而现有理论通常采用过于简化的运动模型,这种简化的运动模型对平面复眼成像并不完全适用。若直接把现有多图像超分辨理论用于平面复眼分辨率增强,不准确的相对运动估计将降低图像分辨率增强性能。针对这些问题,本文在变分贝叶斯框架下改进了现有多图像超分辨理论中的运动模型,并把导出的联合估计算法用于平面复眼分辨率增强。仿真数据实验和真实复眼数据实验验证了推荐方法的正确性和有效性。