[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR20220145567A - 고해상도 프레임 생성 장치 - Google Patents

고해상도 프레임 생성 장치 Download PDF

Info

Publication number
KR20220145567A
KR20220145567A KR1020210052299A KR20210052299A KR20220145567A KR 20220145567 A KR20220145567 A KR 20220145567A KR 1020210052299 A KR1020210052299 A KR 1020210052299A KR 20210052299 A KR20210052299 A KR 20210052299A KR 20220145567 A KR20220145567 A KR 20220145567A
Authority
KR
South Korea
Prior art keywords
frame
decoder
characteristic information
reference frame
alignment
Prior art date
Application number
KR1020210052299A
Other languages
English (en)
Inventor
정혜수
이상훈
조남익
Original Assignee
에스케이하이닉스 주식회사
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에스케이하이닉스 주식회사, 서울대학교산학협력단 filed Critical 에스케이하이닉스 주식회사
Priority to KR1020210052299A priority Critical patent/KR20220145567A/ko
Priority to US17/402,337 priority patent/US11995794B2/en
Publication of KR20220145567A publication Critical patent/KR20220145567A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Television Systems (AREA)
  • Image Processing (AREA)

Abstract

본 기술에 의한 고해상도 프레임 생성 장치는 기준 프레임과 기준 프레임에 이웃하는 다수의 주변 프레임을 합성하여 다수의 정렬 프레임을 생성하는 다수의 정렬 모듈; 및 다수의 정렬 프레임과 기준 프레임으로부터 기준 프레임에 대응하는 고해상도 프레임을 생성하는 복원 모듈을 포함한다.

Description

고해상도 프레임 생성 장치{DEVICE FOR GENERATING HIGH-RESOLUTION FRAME}
본 기술은 저해상도 프레임으로부터 고해상도 프레임을 생성하는 장치에 관한 것이다.
종래의 고해상도 프레임 생성 장치는 저해상도의 프레임과 그 주변 프레임을 이용하여 고해상도의 프레임을 생성한다.
그러나 종래의 고해상도 프레임 생성 장치는 인접한 프레임을 단순 결합하여 고해상도 프레임을 생성한다.
그러나 이러한 방식으로 생성된 고해상도 프레임은 자연스럽지 못한 흔적(artifact)이 다수 생성되어 고해상도 프레임의 품질이 저하되는 문제가 있다.
US 6650704 B1 US 2020/0294217 A1
본 기술은 품질이 향상된 고해상도 프레임 생성 장치를 제공한다.
본 발명의 일 실시예에 의한 고해상도 프레임 생성 장치는 기준 프레임과 기준 프레임에 이웃하는 다수의 주변 프레임을 합성하여 다수의 정렬 프레임을 생성하는 다수의 정렬 모듈; 및 다수의 정렬 프레임과 기준 프레임으로부터 기준 프레임에 대응하는 고해상도 프레임을 생성하는 복원 모듈을 포함한다.
본 기술에 의한 고해상도 프레임 생성 장치는 기준 프레임의 구조 정보와 주변 프레임의 세부 정보를 합성하여 정렬 프레임을 생성함으로써 고해상도 프레임의 품질을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 의한 고해상도 프레임 생성 장치를 나타내는 블록도.
도 2는 본 발명의 일 실시예에 의한 정렬 모듈을 나타내는 블록도.
도 3은 본 발명의 일 실시예에 의한 복원 모듈을 나타내는 블록도.
이하에서는 첨부한 도면을 참조하여 본 발명의 실시예를 개시한다.
도 1은 본 발명의 일 실시예에 의한 고해상도 프레임 생성 장치(1000)를 나타내는 블록도이다.
본 실시예에 의한 고해상도 프레임 생성 장치(1000)는 기준 프레임과 기준 프레임에 이웃하는 다수 (예를 들어, 2N 개)의 프레임을 이용하여 기준 프레임에 대응하는 고해상도 프레임을 생성한다(N은 자연수).
고해상도 프레임 생성 장치(1000)는 N개의 정렬 모듈(100)과 복원 모듈(200)을 포함한다.
도 1에서 N은 2 이상의 자연수이다.
도 1에서 N번 프레임을 기준 프레임으로 지칭하고 기준 프레임에 이웃하는 2N개의 프레임을 주변 프레임으로 지칭할 수 있다.
N개의 정렬 모듈(100)은 모두 실질적으로 동일한 구성을 가지며 각각 기준 프레임과 주변 프레임 중 하나를 입력받아 대응하는 정렬 프레임을 출력한다.
복원 모듈(200)은 기준 프레임과 2N개의 정렬 프레임을 입력받아 기준 프레임에 대응하는 고해상도 프레임을 생성한다.
기준 프레임과 2N개의 정렬 프레임은 연접되어 복원 모듈(200)에 입력될 수 있다.
도 2는 본 발명의 일 실시예에 의한 정렬 모듈(100)을 나타내는 블록도이다.
정렬 모듈(100)은 제 1 정보 추출부(110), 제 2 정보 추출부(120), 정보 합성부(130)를 포함한다.
제 1 정보 추출부 (110)는 기준 프레임을 인코딩하여 제 1 특징 정보를 추출한다.
제 1 특징 정보는 기준 프레임의 구조 정보에 연관된 특징 정보이다.
제 2 정보 추출부(120)는 주변 프레임을 인코딩하여 제 2 특징 정보를 추출한다.
제 2 특징 정보는 기준 프레임의 구조 정보 외에 주변 프레임에 포함되는 세부 정보와 연관된다.
정보 합성부(130)는 제 1 특징 정보와 제 2 특징 정보를 합성하여 정렬 프레임을 생성한다.
본 실시예에서 정보 합성부(130)는 제 1 특징 정보와 제 2 특징 정보를 혼합하는 레지듀얼 블록(140)과 레지듀얼 블록(140)의 출력으로부터 정렬 프레임을 재구성하는 디코더(150)를 포함한다.
디코더(150)는 레지듀얼 블록(140)을 거치지 않고 제 1 특징 정보와 제 2 특징 정보를 추가로 제공받을 수 있다.
본 실시예에서 제 1 정보 추출부(110), 제 2 정보 추출부(120), 레지듀얼 블록(140), 디코더(150)는 각각 CNN(Convolutional Neural Network)과 같은 신경망 회로로 구현될 수 있다.
이때 제 1 정보 추출부(110), 제 2 정보 추출부(120), 레지듀얼 블록(140), 디코더(150)는 각각 하나 또는 둘 이상의 신경망 회로로 구현될 수 있으며 이는 통상의 기술자에 의해 다양한 설계 변경이 가능하다.
본 실시예에서는 기준 프레임을 필터링하여 구조 정보 추출부(110)에 제공하는 필터(10)를 더 포함할 수 있다.
필터(10)는 학습 동작 시 사용된다.
필터(10)는 예를 들어 3x3 크기의 중간 필터로서 기준 프레임을 블러링하여 제 1 정보 추출부(110)에 제공한다.
학습 단계에서는 다음 수학식 1의 제 1 손실 함수(L1)를 최소화하도록 신경망에 대한 학습 동작을 진행한다.
Figure pat00001
수학식 1에서 A1은 기준 프레임과 하나의 주변 프레임을 도 2에 입력하였을 때 출력된 정렬 프레임 값을 나타내고, AT는 이에 대응하는 참 값을 나타낸다. 본 실시예에서는 기준 프레임을 참 값으로 사용한다.
기준 프레임을 제 1 정보 추출부(110)에 그대로 입력하는 경우 정렬부(100)의 동작이 기준 프레임에만 의존하는 방식으로 학습될 수 있으므로 본 실시예에서는 학습 동작 시 기준 프레임을 필터링하여 제 1 정보 추출부(110)에 제공한다.
이에 따라 정렬부(100)는 기준 프레임 및 주변 프레임의 정보를 모두 이용하도록 학습될 수 있다.
도 3은 본 발명의 일 실시예에 의한 복원 모듈(200)을 나타내는 블록도이다.
복원 모듈(200)은 제 1 인코더(210) 및 제 1 디코더(220)를 포함한다.
제 1 인코더(210)는 기준 프레임과 2N개의 정렬 프레임을 입력받는다.
이때 기준 프레임과 2N개의 정렬 프레임은 연접된 후 제 1 인코더(210)에 제공될 수 있다.
제 1 인코더(210)는 입력된 프레임들을 인코딩하여 특징 데이터를 추출하고, 제 1 디코더(220)는 특징 데이터를 디코딩하여 고해상도 프레임을 생성한다.
복원 모듈(200)은 레지듀얼 블록(230)을 더 포함할 수 있다.
레지듀얼 블록(230)은 제 1 인코더(210)에서 출력된 특징 데이터를 처리하여 제 1 디코더(220)로 전달한다.
복원 모듈(200)은 지도 모듈(240)을 더 포함할 수 있다.
지도 모듈(240)은 제 2 인코더(241)와 제 2 디코더(242)를 포함하며 학습 단계에서 사용되어 복원 모듈(200)의 성능을 향상시킬 수 있다.
본 실시예에서 제 1 인코더(210), 제 1 디코더(220), 레지듀얼 블록(230), 제 1 인코더(241), 제 2 디코더(242)는 각각 CNN(Convolutional Neural Network)과 같은 신경망 회로로 구현될 수 있다.
이들은 각각 하나 또는 둘 이상의 신경망 회로로 구현될 수 있으며 이는 통상의 기술자에 의해 다양한 설계 변경이 가능하다.
학습 동작 시 제 1 인코더(210)에는 기준 프레임과 2N개의 정렬 프레임이 연접되어 입력되며 제 1 디코더(220)에서는 이에 대응하는 고해상도 프레임(H1)이 출력된다.
학습 동작 시 제 2 인코더(241)에는 실제 고해상도 프레임(HT)이 입력되고, 제 2 디코더(242)에서는 고해상도 프레임(H2)이 출력된다.
제 1 디코더(220)에서 사용되는 가중치의 집합을 제 1 특징 맵(F), 제 2 디코더(242)에서 사용되는 가중치의 집합을 제 2 특징 맵(G)이라고 한다.
이때 복원 모듈(200)은 수학식 2의 제 2 손실 함수(L2)를 최소화하도록 학습된다.
Figure pat00002
전술한 바와 같이 정렬 모듈(100)과 복원 모듈(200)을 개별적으로 학습시킬 수 있다.
다른 실시예에서 정렬 모듈(100)과 복원 모듈(200)을 통합하여 학습시킬 수 있다.
이 경우 수학식 3의 전체 손실 함수(L)가 최소화되는 방향으로 학습 동작을 진행할 수 있다.
Figure pat00003
수학식 3에서 L1,k는 k번째 주변 프레임을 이용하는 정렬 모듈에서의 손실 함수를 나타낸다. k = N인 경우의 주변 프레임은 기준 프레임에 대응하므로, L1,N은 0이 된다.
본 발명의 권리범위는 이상의 개시로 한정되는 것은 아니다. 본 발명의 권리범위는 청구범위에 문언적으로 기재된 범위와 그 균등범위를 기준으로 해석되어야 한다.
1000: 고해상도 프레임 생성 장치
100: 정렬 모듈
110: 제 1 정보 추출부
120: 제 2 정보 추출부
130: 정보 합성부
140, 230: 레지듀얼 블록
150: 디코더
200: 복원 모듈
210: 제 1 인코더
220: 제 1 디코더
240: 지도 모듈
241: 제 2 인코더
242: 제 2 디코더

Claims (10)

  1. 기준 프레임과 상기 기준 프레임에 이웃하는 다수의 주변 프레임을 합성하여 다수의 정렬 프레임을 생성하는 다수의 정렬 모듈; 및
    상기 다수의 정렬 프레임과 상기 기준 프레임으로부터 상기 기준 프레임에 대응하는 고해상도 프레임을 생성하는 복원 모듈
    을 포함하는 고해상도 프레임 생성 장치.
  2. 청구항 1에 있어서, 다수의 정렬 모듈은 각각
    상기 기준 프레임으로부터 제 1 특징 정보를 추출하는 제 1 특징 정보 추출부;
    상기 다수의 주변 프레임 중 하나로부터 제 2 특징 정보를 추출하는 제 2 특징 정보 추출부; 및
    상기 제 1 특징 정보와 상기 제 2 특징 정보를 합성하여 정렬 프레임을 생성하는 정보 합성부
    를 포함하는 고해상도 프레임 생성 장치.
  3. 청구항 2에 있어서, 상기 정보 합성부는
    상기 제 1 특징 정보와 상기 제 2 특징 정보를 혼합하는 레지듀얼 블록; 및
    상기 레지듀얼 블록의 출력으로부터 상기 정렬 프레임을 생성하는 디코더
    를 포함하는 고해상도 프레임 생성 장치.
  4. 청구항 3에 있어서, 상기 디코더는 상기 제 1 특징 정보와 상기 제 2 특징 정보를 추가로 입력받는 고해상도 프레임 생성 장치.
  5. 청구항 2에 있어서, 상기 정렬 모듈은 학습 동작 시 상기 기준 프레임을 필터링하여 상기 제 1 정보 추출부에 제공하는 필터를 더 포함하는 고해상도 프레임 생성 장치.
  6. 청구항 1에 있어서, 상기 복원 모듈은
    상기 기준 프레임과 상기 다수의 정렬 프레임을 인코딩하여 특징 데이터를 추출하는 제 1 인코더; 및
    상기 특징 데이터를 디코딩하여 상기 고해상도 프레임을 생성하는 제 1 디코더
    를 포함하는 고해상도 프레임 생성 장치.
  7. 청구항 6에 있어서, 상기 복원 모듈은 상기 제 1 인코더에서 출력된 상기 특징 데이터를 처리하여 상기 제 1 디코더에 제공하는 레지듀얼 블록을 더 포함하는 고해상도 프레임 생성 장치.
  8. 청구항 6에 있어서, 상기 복원 모듈은 지도 모듈을 더 포함하되, 상기 지도 모듈은 학습 동작 시 사용되어 상기 제 1 디코더의 계수를 조절하는데 관여하는 고해상도 프레임 생성 장치.
  9. 청구항 8에 있어서, 상기 지도 모듈은
    실제 고해상도 프레임이 입력되는 제 2 인코더; 및
    상기 제 2 인코더의 출력을 디코딩하여 고해상도 프레임을 출력하는 제 2 디코더
    를 포함하는 고해상도 프레임 생성 장치.
  10. 청구항 9에 있어서, 학습 동작 시 상기 제 1 디코더의 계수를 포함하는 제 1 특징 맵과 상기 제 2 디코더의 계수를 포함하는 제 2 특징 맵 사이의 거리를 포함하는 손실 함수를 최소화하는 고해상도 프레임 생성 장치.
KR1020210052299A 2021-04-22 2021-04-22 고해상도 프레임 생성 장치 KR20220145567A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210052299A KR20220145567A (ko) 2021-04-22 2021-04-22 고해상도 프레임 생성 장치
US17/402,337 US11995794B2 (en) 2021-04-22 2021-08-13 Device for generating a high-resolution frame

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210052299A KR20220145567A (ko) 2021-04-22 2021-04-22 고해상도 프레임 생성 장치

Publications (1)

Publication Number Publication Date
KR20220145567A true KR20220145567A (ko) 2022-10-31

Family

ID=83694342

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210052299A KR20220145567A (ko) 2021-04-22 2021-04-22 고해상도 프레임 생성 장치

Country Status (2)

Country Link
US (1) US11995794B2 (ko)
KR (1) KR20220145567A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6650704B1 (en) 1999-10-25 2003-11-18 Irvine Sensors Corporation Method of producing a high quality, high resolution image from a sequence of low quality, low resolution images that are undersampled and subject to jitter
US20200294217A1 (en) 2017-11-09 2020-09-17 Samsung Electronics Co., Ltd. Method and apparatus for video super resolution using convolutional neural network with two-stage motion compensation

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI624804B (zh) * 2016-11-07 2018-05-21 盾心科技股份有限公司 利用超解析重建法生成高解析度影像的方法與系統
JP7249326B2 (ja) * 2017-07-31 2023-03-30 アンスティテュ パストゥール 単一分子局在化顕微鏡法によって取得された回折限界画像からの高密度超解像度画像の再構築を改善する方法、装置、及びコンピュータプログラム
US10891527B2 (en) * 2019-03-19 2021-01-12 Mitsubishi Electric Research Laboratories, Inc. Systems and methods for multi-spectral image fusion using unrolled projected gradient descent and convolutinoal neural network
CN110084775B (zh) * 2019-05-09 2021-11-26 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6650704B1 (en) 1999-10-25 2003-11-18 Irvine Sensors Corporation Method of producing a high quality, high resolution image from a sequence of low quality, low resolution images that are undersampled and subject to jitter
US20200294217A1 (en) 2017-11-09 2020-09-17 Samsung Electronics Co., Ltd. Method and apparatus for video super resolution using convolutional neural network with two-stage motion compensation

Also Published As

Publication number Publication date
US20220343462A1 (en) 2022-10-27
US11995794B2 (en) 2024-05-28

Similar Documents

Publication Publication Date Title
Liu et al. Learning raw image denoising with bayer pattern unification and bayer preserving augmentation
US10515435B2 (en) Apparatus for upscaling an image, method for training the same, and method for upscaling an image
CN105120130B (zh) 一种图像升频系统、其训练方法及图像升频方法
CN110490082B (zh) 一种有效融合神经网络特征的道路场景语义分割方法
Jin et al. A unified pyramid recurrent network for video frame interpolation
CN109978785B (zh) 多级递归特征融合的图像超分辨率重构系统及其方法
US20200342294A1 (en) Neural network accelerating apparatus and operating method thereof
CN111784570A (zh) 一种视频图像超分辨率重建方法及设备
WO2002085189A3 (en) Artifact suppression in dynamic magnetic resonance imaging
CN111986275B (zh) 一种多模态半色调图像的逆半色调化方法
JP2010166513A (ja) 画像処理装置およびデジタルカメラ
CN116681584A (zh) 一种多级扩散图像超分辨算法
CN112070702A (zh) 多尺度残差特征判别增强的图像超分辨率重构系统及方法
Yeh et al. HEVC intra frame coding based on convolutional neural network
CN112580381A (zh) 一种基于深度学习的二维码超辨率重构增强方法及系统
KR20220145567A (ko) 고해상도 프레임 생성 장치
Esmaeilzehi et al. MGHCNET: A deep multi-scale granular and holistic channel feature generation network for image super resolution
Pandey et al. A new approach for upscaling document images for improving their quality
US8180169B2 (en) System and method for multi-scale sigma filtering using quadrature mirror filters
CN111028174A (zh) 一种基于残差连接的多维图像复原方法和设备
SE0900522A1 (sv) Bildkodare och metod för kodning av bilder
KR102195669B1 (ko) 이미지 송신 장치
Esmaeilzehi et al. Srnmfrb: A deep light-weight super resolution network using multi-receptive field feature generation residual blocks
CN114119377A (zh) 一种图像处理方法及装置
CN104301584B (zh) 图像处理系统

Legal Events

Date Code Title Description
A201 Request for examination