期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度学习的图像超分辨率研究综述
被引量：
5
1
作者
李洪安
郑
峭
雪
+3 位作者
陶若霖
张敏
李占利
康宝生
《图学学报》
CSCD
北大核心
2023年第1期1-15,共15页
超分辨率(SR)是一类重要的数字图像处理技术,其根据一个观测者得到的低分辨率(LR)图像重建并输出一个相应的高分辨率(HR)图像,从而提高现代数字图像的分辨率。SR在数字图像压缩与传输、医学成像、遥感成像、视频感知与监控等学科中的研...
超分辨率(SR)是一类重要的数字图像处理技术,其根据一个观测者得到的低分辨率(LR)图像重建并输出一个相应的高分辨率(HR)图像,从而提高现代数字图像的分辨率。SR在数字图像压缩与传输、医学成像、遥感成像、视频感知与监控等学科中的研究与应用价值巨大。随着深度学习的快速发展,结合最新的深度学习方法,可以为SR问题提供创新性的解决方案。首先回顾SR的背景意义、发展过程以及将深度学习应用于SR的技术价值。其次简要介绍传统SR算法的基本方法、分类和优缺点;按照不同的实现技术和网络类型对基于深度学习的SR方法进行了分类介绍,重点分析对比了卷积神经网络(CNN)、残差网络(ResNet)和生成对抗网络(GAN)在SR中的应用。然后介绍主要评价指标和解决策略,并对不同的SR算法在标准数据集中的性能表现进行对比。最后总结基于深度学习的SR算法,并对未来发展趋势进行展望。
展开更多
关键词
超分辨率
深度学习
评价指标
退化模型
数据集
下载PDF
职称材料
结合Pix2Pix生成对抗网络的灰度图像着色方法
被引量：
9
2
作者
李洪安
郑
峭
雪
+3 位作者
张婧
杜卓明
李占利
康宝生
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2021年第6期929-938,共10页
针对神经网络在进行图像着色时容易出现物体边界不明确、图像着色质量不高的问题,提出结合Pix2Pix生成对抗网络的灰度图像着色方法.首先改进U-Net结构,采用8个下采样层和8个上采样层对图像进行特征提取和颜色预测,提高网络模型对图像深...
针对神经网络在进行图像着色时容易出现物体边界不明确、图像着色质量不高的问题,提出结合Pix2Pix生成对抗网络的灰度图像着色方法.首先改进U-Net结构,采用8个下采样层和8个上采样层对图像进行特征提取和颜色预测,提高网络模型对图像深层次特征的提取能力;然后使用L_(1)损失和smoothL_(1)损失度量生成图像与真实图像之间的差距,对比不同损失函数下的图像着色质量;最后加入梯度惩罚,在生成图像和真实图像分布之间构造新的数据分布,对每个输入数据进行梯度惩罚,改变判别器网络梯度限制方法,提高网络在训练过程中的稳定性.在相同实验环境下,使用Pix2Pix模型和summer2winter数据进行对比分析.实验结果表明,改进后的U-Net和使用smooth L_(1)损失作为生成器损失可以生成更好的着色图像;而L_(1)损失能更好地保持图像结构信息,使用梯度惩罚可以加速模型的收敛速度,提高模型稳定性和图像质量;该方法能更好地学习图像的深层次特征,减少图像着色模糊现象,在有效地保持图像结构相似性的同时提高图像着色质量.
展开更多
关键词
图像着色
生成对抗网络
损失函数
梯度惩罚
下载PDF
职称材料
多视野特征表示的灰度图像彩色化方法
被引量：
2
3
作者
李洪安
郑
峭
雪
+3 位作者
马天
张婧
李占利
康宝生
《模式识别与人工智能》
EI
CSCD
北大核心
2022年第7期637-648,共12页
图像彩色化是指预测灰度图像的颜色信息,虽然使用深度学习方法可自动地对灰度图像彩色化,但对图像中不同尺度目标的彩色化质量不高,尤其是在对复杂物体和小目标物体彩色化时,存在颜色溢出、误着色和图像颜色不一致的问题.针对上述问题,...
图像彩色化是指预测灰度图像的颜色信息,虽然使用深度学习方法可自动地对灰度图像彩色化,但对图像中不同尺度目标的彩色化质量不高,尤其是在对复杂物体和小目标物体彩色化时,存在颜色溢出、误着色和图像颜色不一致的问题.针对上述问题,文中提出多视野特征表示的灰度图像彩色化方法.首先,设计多视野特征表示模块(Multi-field Feature Represented Block,MFRB),与改进的U-Net结合得到多视野特征表示U-Net.然后,将灰度图像输入U-Net中,并通过与判别器的对抗训练得到彩色图像.最后,利用VGG-19网络在不同尺度上计算图像的感知损失,提高图像彩色化结果的整体一致性.在不同类别的6个数据集上的实验表明,文中方法能有效提高彩色化图像质量,产生颜色更丰富、色调更一致的彩色图像,并在客观评价指标和主观感受上都较优.
展开更多
关键词
图像彩色化
生成对抗网络
多视野特征表示
感知损失
下载PDF
职称材料
题名
基于深度学习的图像超分辨率研究综述
被引量：
5
1
作者
李洪安
郑
峭
雪
陶若霖
张敏
李占利
康宝生
机构
西安科技大学计算机科学与技术学院
西北大学信息科学与技术学院
出处
《图学学报》
CSCD
北大核心
2023年第1期1-15,共15页
基金
陕西省自然科学基础研究计划项目(2023-JC-YB-517,2022JM-508)
陕西财经职业技术学院高层次人才引进项目(2022KY01)。
文摘
超分辨率(SR)是一类重要的数字图像处理技术,其根据一个观测者得到的低分辨率(LR)图像重建并输出一个相应的高分辨率(HR)图像,从而提高现代数字图像的分辨率。SR在数字图像压缩与传输、医学成像、遥感成像、视频感知与监控等学科中的研究与应用价值巨大。随着深度学习的快速发展,结合最新的深度学习方法,可以为SR问题提供创新性的解决方案。首先回顾SR的背景意义、发展过程以及将深度学习应用于SR的技术价值。其次简要介绍传统SR算法的基本方法、分类和优缺点;按照不同的实现技术和网络类型对基于深度学习的SR方法进行了分类介绍,重点分析对比了卷积神经网络(CNN)、残差网络(ResNet)和生成对抗网络(GAN)在SR中的应用。然后介绍主要评价指标和解决策略,并对不同的SR算法在标准数据集中的性能表现进行对比。最后总结基于深度学习的SR算法,并对未来发展趋势进行展望。
关键词
超分辨率
深度学习
评价指标
退化模型
数据集
Keywords
super-resolution
deep learning
evaluation index
degradation model
datasets
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
结合Pix2Pix生成对抗网络的灰度图像着色方法
被引量：
9
2
作者
李洪安
郑
峭
雪
张婧
杜卓明
李占利
康宝生
机构
西安科技大学计算机科学与技术学院
江苏理工学院计算机工程学院
西北大学信息科学与技术学院
出处
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2021年第6期929-938,共10页
基金
国家自然科学基金(61902311)
陕西省自然科学基础研究计划(2020JQ-758,2019JM-162).
文摘
针对神经网络在进行图像着色时容易出现物体边界不明确、图像着色质量不高的问题,提出结合Pix2Pix生成对抗网络的灰度图像着色方法.首先改进U-Net结构,采用8个下采样层和8个上采样层对图像进行特征提取和颜色预测,提高网络模型对图像深层次特征的提取能力;然后使用L_(1)损失和smoothL_(1)损失度量生成图像与真实图像之间的差距,对比不同损失函数下的图像着色质量;最后加入梯度惩罚,在生成图像和真实图像分布之间构造新的数据分布,对每个输入数据进行梯度惩罚,改变判别器网络梯度限制方法,提高网络在训练过程中的稳定性.在相同实验环境下,使用Pix2Pix模型和summer2winter数据进行对比分析.实验结果表明,改进后的U-Net和使用smooth L_(1)损失作为生成器损失可以生成更好的着色图像;而L_(1)损失能更好地保持图像结构信息,使用梯度惩罚可以加速模型的收敛速度,提高模型稳定性和图像质量;该方法能更好地学习图像的深层次特征,减少图像着色模糊现象,在有效地保持图像结构相似性的同时提高图像着色质量.
关键词
图像着色
生成对抗网络
损失函数
梯度惩罚
Keywords
colorization
generative adversarial networks
loss function
gradient penalty
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
多视野特征表示的灰度图像彩色化方法
被引量：
2
3
作者
李洪安
郑
峭
雪
马天
张婧
李占利
康宝生
机构
西安科技大学计算机科学与技术学院
西北大学信息科学与技术学院
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2022年第7期637-648,共12页
基金
国家自然科学基金项目(No.61902311)
陕西省自然科学基础研究计划项目(No.2022JM-508,2022JM-317)资助。
文摘
图像彩色化是指预测灰度图像的颜色信息,虽然使用深度学习方法可自动地对灰度图像彩色化,但对图像中不同尺度目标的彩色化质量不高,尤其是在对复杂物体和小目标物体彩色化时,存在颜色溢出、误着色和图像颜色不一致的问题.针对上述问题,文中提出多视野特征表示的灰度图像彩色化方法.首先,设计多视野特征表示模块(Multi-field Feature Represented Block,MFRB),与改进的U-Net结合得到多视野特征表示U-Net.然后,将灰度图像输入U-Net中,并通过与判别器的对抗训练得到彩色图像.最后,利用VGG-19网络在不同尺度上计算图像的感知损失,提高图像彩色化结果的整体一致性.在不同类别的6个数据集上的实验表明,文中方法能有效提高彩色化图像质量,产生颜色更丰富、色调更一致的彩色图像,并在客观评价指标和主观感受上都较优.
关键词
图像彩色化
生成对抗网络
多视野特征表示
感知损失
Keywords
Image Colorization
Generative Adversarial Networks
Multi-field Feature Representation
Perceptual Loss
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度学习的图像超分辨率研究综述
李洪安
郑
峭
雪
陶若霖
张敏
李占利
康宝生
《图学学报》
CSCD
北大核心
2023
5
下载PDF
职称材料
2
结合Pix2Pix生成对抗网络的灰度图像着色方法
李洪安
郑
峭
雪
张婧
杜卓明
李占利
康宝生
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2021
9
下载PDF
职称材料
3
多视野特征表示的灰度图像彩色化方法
李洪安
郑
峭
雪
马天
张婧
李占利
康宝生
《模式识别与人工智能》
EI
CSCD
北大核心
2022
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
