基于噪声分布特性的压缩视频超分辨率重建

该文通过对视频压缩过程进行建模,利用比特流中的量化信息和运动信息,建立了量化噪声和运动估计噪声模型,并考虑成像过程的加性噪声,总的噪声模型对不同的量化器可自适应调整。以Huber-Markov随机场作为图像的先验模型,用梯度下降法进行MAP超分辨率重建,对其特性进行了分析。仿真实验表明,该算法重建图像的主、客观质量较高。     

压缩视频超分辨率重建技术

超分辨率图像重建就是由低分辨率图像序列来估计高分辨率图像,而压缩视频的重建正成为当前研究的热点。本文首先分析了压缩视频重建的基础,建立了高、低分辨率图像间的关系,给出了量化噪声和运动矢量的模型;接着对目前最具有代表性的最大后验概率(MAP)算法、凸集投影(POCS)算法和迭代反向投影(IBP)算法进行了详细的阐述,并分别给出了实验结果;然后分析了运算的复杂度,介绍了几种实时化方法;最后针对目前存在的问题进行了展望,指出降质模型、运动估计、重建算法和实时应用将是今后研究的重点。     

基于超分辨率重建的强压缩深度伪造视频检测

经典的深度伪造(DeepFake)视频检测方法一般使用卷积神经网络进行检测,但在强压缩深度伪造换脸视频数据集上表现较差,并会对真实数据做出大量误检测.针对这个问题,该文提出一种基于超分辨率重建的强压缩深度伪造视频检测方法.该方法基于深度神经网络检测模型,通过融入超分辨率重建技术,恢复强压缩视频所损失的空间与时间信息,进而提升对强压缩视频的检测准确率.使用FaceForensics++及DFDC数据集进行实验,针对强压缩的深度伪造视频,该方法较ResNet50提高了单帧以及视频的测试准确率,有效缓解强压缩真实视频的误检测问题.     

基于超分辨率重建的强压缩深度伪造视频检测

经典的深度伪造(DeepFake)视频检测方法一般使用卷积神经网络进行检测,但在强压缩深度伪造换脸视频数据集上表现较差,并会对真实数据做出大量误检测。针对这个问题,该文提出一种基于超分辨率重建的强压缩深度伪造视频检测方法。该方法基于深度神经网络检测模型,通过融入超分辨率重建技术,恢复强压缩视频所损失的空间与时间信息,进而提升对强压缩视频的检测准确率。使用FaceForensics++及DFDC数据集进行实验,针对强压缩的深度伪造视频,该方法较ResNet50提高了单帧以及视频的测试准确率,有效缓解强压缩真实视频的误检测问题。     

基于一阶范数的视频超分辨率重建

讨论了视频成像的基本模型,并在此基础上提出了一种基于一阶范数的视频图像重建算法,该方法同时对高分辨率图像和运动矢量进行迭代估计,并采用一阶范数和Robers算子对于当前普遍的采用二阶范数项作为视频数据逼近项和归整项的方式进行了改进。实验结果表明,该算法在原图像受到椒盐噪声影响的情况下,重建效果要优于二阶方法,并且该方法在重建图象的边缘保持上也有相对比较好的效果。     

采用双网络结构的压缩视频超分辨率重建

在实际应用中,为了节省带宽和方便存储,图像和视频通常被下采样和压缩,而降质的图像与视频无法满足人们的实际需求。针对这一问题,采用了一种双网络结构的超分辨率重建方法,首先建立下采视频与压缩后的低分辨率视频的映射关系,然后建立质量增强的压缩视频与原始视频的映射关系,最终在输出端可以得到质量提升的视频帧。在网络中,采用密集残差块来提取压缩视频中丰富的局部分层特征,并结合全局残差学习恢复视频中的高频信息。在压缩环节,采用高性能视频编码来验证所提算法的有效性。实验结果表明,相比于主流的视频编码标准和先进的超分辨率重建算法,所提方法能有效提升编码视频的率失真性能。     

视频超分辨率重建技术综述

在获取视频过程中,有许多因素会导致视频质量的退化,使得视频的空间分辨率降低;而摄像机曝光时间和拍摄帧率又限制了视频的时间分辨率。视频超分辨率重建是一种能有效提高视频时间分辨率和空间分辨率的方法,已经在计算机视觉和图像处理等领域引起了广泛关注。详细阐述了视频超分辨率重建研究的概念和必要性,并较全面地回顾了超分辨率技术近年来的发展历程,对视频超分辨率重建中关键问题进行了较为深入的分析,指出了当今研究难点和今后的研究方向,对视频超分辨率重建的应用前景进行了展望。     

基于压缩感知的超分辨率图像重建

针对传统的超分辨率(SR)图像重建方法需要多幅亚 像素图像配准带来的配准误差以及高成本问题,本文将目前迅速发展的压缩感知(CS)理论 引入SR成像,利用大多数自然图像普遍具有的稀疏性,提出一种基于CS的单幅图像SR重建方 法, 不需要其它任何额外的信息采集,可以在单次拍摄条件下捕获的充分数据实现图像 的SR重建。模拟实验表明,本文提出的方法在重建效果和重建时间方面显著优于耦合字典学 习(CDT)方法,在主观视觉质量及其客观信噪比(SNR)度量 方面都具有优势,且实现方法较为简单,具有重要的应用前景。     

压缩图像的变换域凸集投影法超分辨率重建

在压缩格式中,视频序列被表示为运动矢量和传输系数的组合,而这些信息并没有被传统的超分辨率重建算法利用.在文中,直接利用量化间隔信息,采用凸集投影(P0CS)的方法,给出了一种基于运动补偿的,离散余弦(DCT)域的算法模型,重建一幅高分辨率图像.实验表明,该方法能得到比普通解码或空间域重建更好的效果.     

超分辨率图像重建技术

本文介绍了超分辨率图像重建的基本概念、应用场合和主要的重建方法，着重分析了压缩域中的超分辨率重建技术，并对未来的研究问题进行了展望。     

一种稳健的多视频时空超分辨率重建算法

为了提高视频序列的时间分辨率和空间分辨率,该文提出了一种基于一阶范数和时空总变分正则化方法的时空超分辨率视频重建算法。该算法利用同一场景的多个具有子像素空间位移偏差和子帧率时间偏差的低分辨率视频序列,重建得到一个高时空分辨率视频序列。在求解过程中不需要直接构造大型矩阵,大大降低了对内存的要求。实验结果表明该算法是有效的,且对成像模型估计误差具有一定的鲁棒性。     

基于针对性字典的压缩图像稀疏超分辨率重建

为了有效地重建压缩低分辨率图像,提出一种基于针对性字典的压缩图像稀疏超分辨率重建算法.首先,根据压缩低分辨率图像的形成特点,对训练库图像进行针对性的下采样压缩编码处理,进行超完备字典的训练;然后,通过训练所得的针对性字典对压缩低分辨率图像进行稀疏表示的超分辨率重建.为进一步恢复图像的高频信息,进行了针对性残差字典训练,并对图像进行高频信息补偿,得到稀疏重建后的图像主观效果更加突出,客观评价参数也得到较大提升.实验结果表明,该算法对压缩图像的超分辨率重建更具针对性,具有良好鲁棒性和高效性.     

超分辨率图像重构算法的研究

图像重构是数字图像处理的一个重要分支。文章在图像配准的基础之上，采用后向投影迭代算法对图像序列进行了高分辨率重构，并给出了其中详细的算法和实现过程。实验仿真结果表明该算法运算量小，收敛速度较快．具有良好重构效果。     

减少低比特率视频编码计算复杂性的一种新方法

提出了一种改进的预先判断视频编码中全零系数的判别准则,用于减少低比特率视频编码过程中的冗余计算及运动估计算法的计算复杂性.实验结果表明,对典型的可视电话视频序列(如Claire),有50%以上的亮度块被判别为全零系数块,运动估计的平均搜索次数也减少了30%以上.该方法可被用于减少软件编码器的运算量及其硬件电路的功耗.     

基于加权最小二乘滤波的视频序列超分辨率重建

该文构建了一种视频序列超分辨率重建框架,在此框架下,首先讨论基于正则化处理的单帧图像上行插值和反卷积,然后在详细研究运动补偿矩阵和权值矩阵的构成及其性质的基础上,提出基于加权最小二乘滤波的帧间数据融合算法。实验表明该算法的重建结果相当有效,具有一定的自适应性和鲁棒性。     

基于局部自回归模型的压缩感知视频图像递归重建算法

 结合预估和残差补偿的递归重建算法是一种有效的压缩感知视频图像重建算法.针对现有算法中'预估’精度不高的问题,本文基于视频序列中相邻图像的内容相似性和单幅图像的非局部自相似性,分析了相邻图像局部图像块的相似匹配性,并以此作为视频图像的相关性先验,提出了一种基于局部自回归模型的图像预估重建算法.预估算法中当前图像像素点的自回归参数由参考图像中相似图像块的灰度信息通过学习获得.实验结果表明,与同类算法相比,本文预估算法所对应的递归重建算法可获得更高质量的视频图像重建结果.     

基于压缩感知的随机噪声成像雷达

近年来提出的压缩感知(CS)理论指出可以从很少的采样点中以很大的概率准确重建原始的未知稀疏信号。该文将压缩感知与随机噪声雷达相结合,提出了基于压缩感知的随机噪声雷达,并给出了该雷达系统的基本原理框图,从理论上证明了基于压缩感知的随机噪声雷达的回波观测矩阵具有很好的等容性质,在目标场景稀疏或可以稀疏表示时,基于压缩感知的随机噪声雷达可以采集远小于常规随机噪声雷达成像所需的回波数据并能实现准确成像,最后通过仿真实验验证了该文的结论。     

噪声对大气痕量气体分布重建的影响

针对大气痕量气体浓度的二维分布重建中的噪声问题,采用数值模拟的方法研究了噪声对差分吸收光谱断层扫描技术重构大气痕量气体空间分布的影响,建立了噪声的模型,并研究了噪声对代数迭代重建算法(ART)和联合迭代重建算法(SIRT)两种重建算法的重建效果的影响,ART算法重建后,误差Ea 由0.1080降低到了0.0182; SIRT算法重建后误差Ea 由0.0476降低到了0.0102。结果表明,随着随机噪声的增加,重建图像变态程度越来越严重。由重建相对误差指标可以看出,随着信噪比的增加,重建相对误差越来越小。因此,在外场重建试验中应该尽量避免噪声。     

CVS中基于视频运动特征的多假设-双稀疏重构算法

针对目前视频压缩感知重构算法对不同特征的视频序列重构质量参差不齐的问题,结合双稀疏对轮廓、细节的高清晰重构以及多假设算法对高频噪声有效抑制的优点,本文提出一种基于视频运动特征的多假设-双稀疏重构算法（VF-MH-DSR）.基本思路是基于每个视频组（GOP）的运动特征,采取相应的多假设-双稀疏重构策略.首先给出一种观测域多维度参考帧的多假设重构算法（MD-MRF-MH）及其最优相似块个数设置方案;然后给出一种像素域多假设参考帧的重构算法（PD-MRF-MH）及一种高性能双匹配准则;最后介绍了视频信号运动特征判定方案及多假设-双稀疏重构的具体实现方案.仿真实验表明,本文所提多假设-双稀疏重构算法相对于目前较好的多假设预测重构算法2sMHR及组稀疏重构算法SSIM-InterF-GSR,重构性能平均提升了1.98dB和0.84dB.