申请/专利权人：厦门仟易网络科技有限公司

申请日：2021-08-24

公开（公告）日：2024-04-23

公开（公告）号：CN113888406B

主分类号：G06T3/4053

分类号：G06T3/4053;G06T3/4038;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.01.21#实质审查的生效;2022.01.04#公开

摘要：本发明公开的是一种通过深度学习的摄像头超分辨率方法，包括以下步骤：S1、通过摄像机用不同的分辨率采集到成对的真实高分辨率图像和低分辨率图像，称之为有标签数据；S2、通过收集公开数据，采集到大量不成对的高分辨率图像和低分辨率图像，称之为无标签数据；S3、将有标签数据和无标签数据的低分辨率图和高分辨率图像进行伪造；S4、将有标签数据中伪造后的图像输入有监督判别器进行学习；将无标签数据中伪造的图像输入无监督判别器进行学习；S5、有监督判别器同时输入高分辨率图像和低分辨率图像进行判别；S6、无监督判别器同时输入高分辨率图像和低分辨率图像进行判别。本发明使用真实图像进行训练，因此超分网络学习到的是真实的模糊核。

主权项：1.一种通过深度学习的摄像头超分辨率方法，其特征在于：包括以下步骤：S1、通过摄像机用不同的分辨率采集到成对的真实高分辨率图像和低分辨率图像，称之为有标签数据；S2、通过收集公开数据，采集到大量不成对的高分辨率图像和低分辨率图像，称之为无标签数据；S3、将有标签数据和无标签数据的低分辨率图像通过超分网络伪造成高分辨率图像，将有标签数据和无标签数据的高分辨率图像通过微分网络伪造成低分别率图像；S4、将有标签数据中通过超分网络伪造成的高分辨率图像和通过微分网络伪造成的低分辨率图像输入有监督判别器进行学习；将无标签数据中通过超分网络伪造成的高分辨率图像和通过微分网络伪造成的低分辨率图像输入无监督判别器进行学习；S5、有监督判别器同时输入高分辨率图像和低分辨率图像，当高分辨率图像和低分辨率图像中有一张是伪造时，有监督判别器输出false；当高分辨率图像和低分辨率图像两张图像都是无伪造的真实图像时，有监督判别器输出true；S6、无监督判别器同时输入高分辨率图像和低分辨率图像，当高分辨率图像是无伪造的真实图像，低分辨率图像是微分网络伪造时，无监督判别器输出true；当高分别率图像是超分网络伪造的，低分辨率图像是无伪造的真实图像时，无监督判别器输出false；所述超分网路包括第一卷积层、RG-l层、RG-g层、RG-G层、CA层、RA层、第二卷积层、上采样层及第三卷积层，所述低分辨率图像依次经过第一卷积层、RG-l层、RG-g层、RG-G层、CA层、RA层、第二卷积层进行处理，而后再与经过第一卷积层卷积后的图像进行相加，相加后的图像特征再依次经过上采样层和第三卷积层得到伪造的高分辨率图像；所述微分网路包括第四卷积层、RG-l′层、RG-g′层、RG-G′层、CA′层、RA′层、第五卷积层、第一下采样层及第六卷积层，所述高分辨率图像依次经过第四卷积层、RG-l′层、RG-g′层、RG-G′层、CA′层、RA′层、第五卷积层进行处理，而后再与经过第四卷积层卷积后的图像进行相加，相加后的图像特征再依次经过第一下采样层和第六卷积层得到伪造的低分辨率图像；所述有监督判别器和无监督判别器均包括第十一卷积层、第二下采样层、第十二卷积层、第十三卷积层、第二全局池化层及全连接层，所述第十三卷积层设有多个，督判别器先将高分辨率图像通过卷积和下采样变成和低分辨率图像一样的大小，低分辨率图像也通过一次卷积，之后将两者的特征图拼接，再将拼接后的特征图通过多次卷积，再经过一个全局池化，获得特征向量，最后再将特征向量通过一层全连接层输出一个标量，作为判断输入图像正确与否的标志。

全文数据：

权利要求：

百度查询： 厦门仟易网络科技有限公司 一种通过深度学习的摄像头超分辨率方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD