公开(公告)号：CN111062872B

公开(公告)日：2021-02-05

申请号：CN201911302745.2

申请日：2019-12-17

Applicant: 暨南大学

Inventor： 李展 ,  黄维健 ,  钟子意 ,  陈志涛 ,  陆晋晖 ,  刘唱

IPC: G06T3/40 ,  G06T7/13 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。

公开(公告)号：CN113240580A

公开(公告)日：2021-08-10

申请号：CN202110380519.7

申请日：2021-04-09

Applicant: 暨南大学

Inventor： 李展 ,  钟子意 ,  陆晋晖 ,  陈彦全 ,  曾健梁

IPC: G06T3/40 ,  G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。

公开(公告)号：CN113240580B

公开(公告)日：2022-12-27

申请号：CN202110380519.7

申请日：2021-04-09

Applicant: 暨南大学

Inventor： 李展 ,  钟子意 ,  陆晋晖 ,  陈彦全 ,  曾健梁

IPC: G06T3/40 ,  G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。

公开(公告)号：CN111062872A

公开(公告)日：2020-04-24

申请号：CN201911302745.2

申请日：2019-12-17

Applicant: 暨南大学

Inventor： 李展 ,  黄维健 ,  钟子意 ,  陈志涛 ,  陆晋晖 ,  刘唱

IPC: G06T3/40 ,  G06T7/13 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。

公开(公告)号：CN112734649A

公开(公告)日：2021-04-30

申请号：CN202110012919.2

申请日：2021-01-06

Applicant: 暨南大学

Inventor： 李展 ,  陈彦全 ,  陈曦 ,  汤皓箐 ,  温梓博 ,  钟子意 ,  康志清 ,  甄洛生

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于轻量级神经网络的图像退化方法，包括以下步骤：获取数据集并进行预处理，得到输入图像；构建轻量级神经网络图像退化模型；将输入图像输入到轻量级神经网络图像退化模型得到退化图像，计算得到内容损失函数；将输入图像和退化图像通过神经网络模型提取特征值，进而计算感知损失函数；结合得到损失函数，根据损失函数训练该模型，得到训练后的轻量级神经网络图像退化模型；输入待退化的图像得到最终的退化图像；本发明提出了包括残差块的神经网络模型，在避免生成伪造纹理信息的同时减少了网络的参数量，使得生成的图像避免了主观因素的干预，不用人为去预测模型和参数，更加接近真实的图像退化效果。