摘要：针对现有基于深度学习的超分辨率方法存在参数冗余以及难以学习到全局上下文信息、重建图像高频特征能力欠佳的问题,提出一种基于感受野优化与渐进特征融合的超分辨率网络(RPSRnet),其在单幅图像重建方面实现了较高的性能。该网络采用像素注意力机制与大感受野卷积相结合的方式,设计两条渐进路径将输入表征为不同层次的特征抽象,增强网络捕获上下文信息的能力,同时减少了网络参数冗余。通过分层卷积和多重感受野分支,在保持轻量卷积的前提下,于分层的多路径上学习不同尺度的融合特征,增强网络重建边缘细节和复杂纹理特征的能力。实验结果表明:相比于先进算法,所提算法在基准测试集Set5上的峰值信噪比达到32.47 dB,在测试集Set14上达到28.81 dB,优于现有的先进算法,且网络参数更少,实现了9%的参数缩减,从而验证了算法的有效性。

摘要：针对图像传感器像素尺寸接近物理极限,难以进一步提高的问题,提出片上编码超分辨率图像传感器。不同于计算视觉中的图像超分辨率任务,片上编码超分技术通过引入光学调控,提供了较为完备的理论依据与数学约束,更加适用于遥感、医学影像等对可解释性和置信度要求较高的领域。首先,构建了面向动态场景的波分复用测量模型和二维空间的三维空间表征与编解码方法。更进一步,基于有限等距性质理论证明了片上静态随机编码板的透过率在50%时,信息采样效率最大。最后,设计了CCD器件的专用编码电路组件,通过电子学验证的方式在室内和室外场景验证了片上编码超分辨率图像传感的可行性和有效性。

摘要：为解决生成对抗网络训练过程中因损失简单加权导致的图像感知质量下降问题,提出损失自适应调整的生成对抗超分辨率网络(LA-GAN).首先,该方法设计通过计算角点分布的相关强度大小,区分规则纹理区域与不规则纹理区域.其次,基于不同区域,设计了区域自适应生成对抗学习框架.在该框架中,网络只在不规则纹理区域中进行对抗学习,提高感知质量.此外,基于下采样图像和图像块相似性的重组图像取代训练集中的高分辨率图像,实现平均绝对损失在不规则纹理区域弱约束网络,在规则纹理区域强约束网络,保证图像信号保真度.最后,通过实验证明经过优化的网络在信号保真度和感知质量方面皆有提升.

摘要：针对现有的基于深度学习的高光谱图像超分辨率重建方法无法通用于不同波段的高光谱图像以及缺乏可解释性等问题.提出一种融合光谱子空间映射和模型引导的高光谱图像超分辨率算法.首先,使用光谱子空间分解将原始图像映射到低维空间中,既可以增加光谱间的相关性又可以去除不同波段高光谱图像对网络的限制.其次,使用小波变换将稀疏矩阵分解为高频特征和低频特征,挖掘图像中的纹理和结构等高频信息.再者,以超分辨率重建模型为指导,将ADMM分解后的子模型优化展开为深度网络的形式,增加了深度网络设计的可解释性.最终,使用逆小波变换后将重建的系数矩阵映射到原始的全谱空间中.实验表明,提出的方法在定量指标和主观视觉方面均表现优异.

摘要：针对遥感图像分辨率低于传统图像且受到复杂退化过程的影响,传统生成对抗网络会生成不真实的特征,导致出现伪影和大量虚假、尖锐的边缘等问题。提出了一种基于边缘提取和增强的遥感图像超分辨率网络EEEGAN。该网络首先采用了边缘提取算法TEED以提取图像边缘。其次设计了双重注意力机制TAM以获取图像丰富的空间和通道信息。同时提出了一种基本块RRDJB以扩大模型的处理能力,并引入下采样网络SPD进一步减少细节损失。在RSOD数据集的基础上,根据退化模型对数据集进行了不同的数据退化处理。结果表明文中所提出的模型,在不同的退化条件下,与目前的主流图像超分辨率模型相比,指标均有所提升。文中的方法相对于真实增强图像超分辨率对抗网络在退化条件I的样本上SSIM提升了0.034,PSNR提升了1.329 8 dB。图像在重建后,边缘细节的视觉效果更好。并且,在DIOR和HRSC2016数据集上均取得了良好的泛化效果。

摘要：遥感高光谱图像超分辨率(remote sensing hyperspectral image single super-resolution,HSISR)任务近年来已取得可观进展,其中使用深度卷积神经网络(convolutional neural network,CNN)技术的方法得到广泛运用.然而,大多数基于CNN的超分辨模型往往会忽略遥感高光谱图像的光谱结构,同时由于卷积网络受卷积核大小限制,长距离的特征依赖关系被忽略,进而影响了重建的精度.为了解决这些问题,本文提出了一个基于分组ConvLSTM和Transformer的双分支遥感高光谱图像超分辨率网络(dual-branch remote sensing hyperspectral image super-resolution network based on grouped ConvLSTM and Transformer,DGCTNet),该方法结合了Transformer捕捉长距离依赖关系和卷积长短时记忆网络(ConvLSTM)对提取序列性特征的优势,在提取空间特征的同时保持了光谱的有序性,增强了重建图像的效果.此外,DGCTNet还设计了边缘学习网络,将边缘信息扩散到图像空间中.同时为重新校准光谱响应,加入提出的双组级通道注意力机制(dual-group level channel self-attention,DSA).在Houston数据集上的实验表明,DGCTNet方法在定量评价指标和多种场景下的视觉质量上,都优于当前最先进的对比模型.

摘要：为了解决视频监控中噪声对人脸超分辨率恢复的影响,提出了基于自适应滤波的视频监控人脸超分辨率恢复方法。在计算自适应滤波权值后采用自适应滤波处理低分辨率图像,获取超分辨率近似图像。根据人脸特征空间坐标变换示意图检测人脸图像边缘信息。根据边缘信息将重建解限制在一个闭凸集中,获得最优解。根据最优解和反向投影获取人脸属性集,得到人脸超分辨率图像块行数和列数后,加权求和得到恢复后的超分辨率图像。实验结果表明,该方法峰值信噪比最大数值为46 dB,恢复结果清晰无噪点,说明该方法的人脸超分辨率恢复效果较好。

摘要：多字典学习的图像超分辨率重建过程中常见的K均值聚类、高斯混合模型聚类等方法会导致图像的重建质量欠佳且不稳定,针对这一问题提出一种新的基于层次聚类的图像超分辨率重建算法;首先对样本图像块提取特征并进行层次聚类,经改进的主成分分析方法训练得到K个字典,然后将测试图像裁切成若干图像块,并分别自适应匹配最合适的字典进行图像块重建,最后对整幅图像进行优化,以实现全局重建。结果表明:所提算法具有较高的可行性,能有效改善图像的重建质量;与传统算法相比,所提算法重建图像的峰值信噪比和结构相似度均有所增大。

摘要：针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高,本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先,采用重参数化方法设计了一种残差局部特征模块,以有效地提取图像局部特征;同时考虑到图像内部出现的相似特征,设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力,并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能;最后,在上采样模块前使用多层特征融合模块聚合所有的深度特征,以产生更全面的特征表示。在UC Merced遥感数据集上进行测试,该算法在遥感图像3倍超分辨率下的参数量为539 K,峰值信噪比为30.01 dB,结构相似性为0.8449,模型的推理时间为0.010 s;而HSENet算法的参数量为5470 K,峰值信噪比为30.00 dB,结构相似性为0.8420,模型的推理时间为0.059 s。实验结果表明,该算法相比HSENet算法,参数量更少,运行速度较快,且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试,该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势,表明该算法的泛化能力较强。

摘要：为提高超分辨率时延估计的抗噪性能,提出了基于全相位窄带滤波的超分辨率时延估计算法.在陷波器设计方法基础上,设计出中心频点可精确控制的具有类点通传输特性的窄带滤波器,然后用该滤波器对存在时延关系的两路采样序列进行滤波处理,再依照传统相位差时延估计法,即可获得高精度时延估计.仿真实验表明:相比于基于信号重心插值的超分辨率时延估计法,该方法信噪比范围要高出10,dB,具有广阔的工程应用前景.