基于自适应联合分布建模的图像超分辨率

SRGAN-PyTorch 概述 该存储库包含对进行的逐点PyTorch重新实现。 目录 关于使用生成对抗网络的逼真的单图像超分辨率 如果您不熟悉SRGAN，请直接从本文中摘录以下内容： 尽管使用更快，更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但仍然存在一个主要问题仍未解决：当在较大的放大比例下进行超分辨率处理时，如何恢复更精细的纹理细节？ 基于优化的超分辨率方法的行为主要由目标函数的选择决定。 最近的工作主要集中在最小化均方重构误差上。 得出的估计值具有很高的峰值信噪比，但是它们通常缺少高频细节，并且在某种意义上说它们无法满足更高分辨率下的保真度，因此在感觉上并不令人满意。 在本文中，我们介绍了SRGAN，这是一种用于图像超分辨率（SR）的生成对抗网络（GAN）。 据我们所知，它是第一个能够为4倍放大因子推断出逼真的自然图像的框架。 为此，我们提出了一种感知损失函

通过2D稀疏表示实现单图像超分辨率

一种无源毫米波成像超分辨率算法

CoreML和Keras实现超分辨率卷积神经网络（SRCNN）

基于参考的图像超分辨率重建相关工作.doc

由于目前监控视频所拍摄的人脸图像目标较小、难以辨识, 图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集, 并进行图像空间转化、去噪等预处理操作; 设计八层卷积神经网络并对各层类型及连接方式进行设定, 同时设定激活函数类型及各层间传递方式函数; 初始化参数并根据训练集训练网络; 根据损失函数反向调整卷积核和偏置参数, 完成图像输出。经过大量实际监控视频图像测试, 并将本文方法和现有其他方法做对比, 实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。

结构光照明荧光显微术(SIM)是一种可突破阿贝衍射极限的宽场显微成像技术, 因其非侵入、成像速度快及光损伤小等优点在生物医学研究中具有广泛的应用前景。从结构光照明显微成像系统基本原理出发, 分析了超分辨图像重构算法原理、重构图像中伪影来源及优化方法; 结合研制的线性/非线性结构光照明显微镜, 详细讨论了基于激光干涉的SIM成像系统光机结构。重点讨论了系统的同步时序设计和光路中的几个关键技术问题。设计对比实验验证了自主开发的SIM重构算法的可靠性, 并基于研制的线性SIM系统开展细胞骨架的成像实验。最后, 对SIM技术在生物上的发展和应用提出展望。

近年来, 随着各种新型荧光探针的出现和成像方法的改进, 远场光学成像的分辨率已经突破了衍射极限的限制。基于结构光照明的荧光显微技术凭借成像速度快、光毒性弱等优点, 已成为目前主流的超分辨成像技术之一。实现结构光照明超分辨显微成像的关键在于照明光场的精准调控和后期的超分辨图像重建算法, 否则将会在重建的超分辨图像中产生不可预估的伪影, 混淆对观测结构真实形态的判断。详细对比了几种典型的结构光照明显微超分辨重建算法, 证明基于图像重组变换的结构光照明超分辨图像重建算法可以有效解决极低结构光场调制度下的超分辨图像重建问题, 降低结构光照明显微中的激发光功率。

众所周知，光学成像技术具有成像速度快、可实现无损观察等优点，在人类探索和发现未知世界奥秘的活动中一直扮演着重要的角色。随着现代科学的发展，对微观结构的研究迫切希望能够从分子水平揭示生命过程和材料性能的物理本质，但受限于光的衍射特性，光学成像系统的空间分辨率不可能无限小，存在瑞利\|阿贝物理极限。传统光学显微镜的空间分辨率最高只能达到波长的1/2，故而对低于200 nm的细节信息无能为力。能否突破这个极限成为当今光学领域公认的一个重大研究课题和挑战。