-
公开(公告)号：CN109978762B
公开(公告)日：2023-06-16
申请号：CN201910144539.7
申请日：2019-02-27
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于条件生成对抗网络的超分辨率重建方法，具体为：利用公开的超分辨率图像数据集，制作低分辨率图像和对应高分辨率图像训练集；构建条件生成对抗网络模型，在生成器网络中使用密集残差块，在生成网络模型的末端，用亚像素上采样方法实现超分辨率图像重建；把训练图像集输入到条件生成对抗网络中进行模型训练，通过感知损失函数让训练模型收敛；对图像测试集进行下采样处理，获得低分辨率测试图像；把低分辨率测试图像输入到条件对抗网络模型中，获得高质量的高分辨率图像。本发明可以很好的解决传统生成对抗网络生成的超分辨图像看似清晰、评估指标极低的问题，同时通过密集残差网络缓解梯度消失和高频信息丢失的问题。
-
公开(公告)号：CN110136063B
公开(公告)日：2023-06-23
申请号：CN201910392719.7
申请日：2019-05-13
Applicant: 南京信息工程大学
IPC: G06T3/40 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于条件生成对抗网络的单幅图像超分辨率重建方法。在生成对抗网络的判别器网络中加入判别条件，即原始真实图像。在生成器网络中加入深度残差学习模块来实现高频信息的学习和缓解梯度消失的问题。将需要重建的单张低分辨率图像输入至预先训练好的条件生成对抗网络中，进行超分辨率重建，得到重建的高分辨率图像；所述条件生成对抗网络模型的学习步骤包括：将高低分辨率训练集输入到条件生成对抗网络模型中，并使用预先训练好的模型参数作为该次训练的初始化参数，通过损失函数来判断整个网络的收敛情况，当损失函数收敛时，得到最终训练好的条件生成对抗网络模型，并保存模型参数。
-
公开(公告)号：CN110136063A
公开(公告)日：2019-08-16
申请号：CN201910392719.7
申请日：2019-05-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于条件生成对抗网络的单幅图像超分辨率重建方法。在生成对抗网络的判别器网络中加入判别条件，即原始真实图像。在生成器网络中加入深度残差学习模块来实现高频信息的学习和缓解梯度消失的问题。将需要重建的单张低分辨率图像输入至预先训练好的条件生成对抗网络中，进行超分辨率重建，得到重建的高分辨率图像；所述条件生成对抗网络模型的学习步骤包括：将高低分辨率训练集输入到条件生成对抗网络模型中，并使用预先训练好的模型参数作为该次训练的初始化参数，通过损失函数来判断整个网络的收敛情况，当损失函数收敛时，得到最终训练好的条件生成对抗网络模型，并保存模型参数。
-
公开(公告)号：CN109978762A
公开(公告)日：2019-07-05
申请号：CN201910144539.7
申请日：2019-02-27
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于条件生成对抗网络的超分辨率重建方法，具体为：利用公开的超分辨率图像数据集，制作低分辨率图像和对应高分辨率图像训练集；构建条件生成对抗网络模型，在生成器网络中使用密集残差块，在生成网络模型的末端，用亚像素上采样方法实现超分辨率图像重建；把训练图像集输入到条件生成对抗网络中进行模型训练，通过感知损失函数让训练模型收敛；对图像测试集进行下采样处理，获得低分辨率测试图像；把低分辨率测试图像输入到条件对抗网络模型中，获得高质量的高分辨率图像。本发明可以很好的解决传统生成对抗网络生成的超分辨图像看似清晰、评估指标极低的问题，同时通过密集残差网络缓解梯度消失和高频信息丢失的问题。
-
-
-
Search Results
4
records
(took 0.03 seconds)
