Single-frame Infrared Image Super-Resolution Reconstruction for Real Scenes
-
摘要: 现有的红外图像超分辨率重建方法主要依赖实验数据进行设计，但在面对真实环境中的复杂退化情况时，它们往往无法稳定地表现。针对这一挑战，本文提出了一种基于深度学习的新颖方法，专门针对真实场景下的红外图像超分辨率重建，构建了一个模拟真实场景下红外图像退化的模型，并提出了一个融合通道注意力与密集连接的网络结构。该结构旨在增强特征提取和图像重建能力，从而有效地提升真实场景下低分辨率红外图像的空间分辨率。通过一系列消融实验和与现有超分辨率方法的对比实验，本文方法展现了其在真实场景下红外图像处理中的有效性和优越性。实验结果显示，本文方法能够生成更锐利的边缘，并有效地消除噪声和模糊，从而显著提高图像的视觉质量。Abstract: Current infrared image super-resolution reconstruction methods, which are primarily designed based on experimental data, often fail in complex degradation scenarios encountered in real-world environments. To address this challenge, this paper presents a novel deep learning-based approach tailored for the super-resolution reconstruction of infrared images in real scenarios. The significant contributions of this research include the development of a model that simulates infrared image degradation in real-life settings and a network structure that integrates channel attention with dense connections. This structure enhances feature extraction and image reconstruction capabilities, effectively increasing the spatial resolution of low-resolution infrared images in realistic scenarios. The effectiveness and superiority of the proposed approach for processing infrared images in real-world contexts are demonstrated through a series of ablation studies and comparative experiments with existing super-resolution methods. The experimental results indicate that this method produces sharper edges and effectively eliminates noise and blur, thereby significantly improving the visual quality of the images.
-
Keywords:
- infrared image /
- deep learning /
- super-resolution /
- real scene /
- degradation model
-
0. 引言
目标识别技术是计算机视觉领域的重要研究方向之一。但是在可见光效果较差的环境下，传统的可见光目标检测技术往往难以达到良好的效果，使用红外成像在夜间或低光环境下比可见光成像效果更好[1]，因此红外目标检测在安防、军事等领域中有着广泛的应用。
随着在机器视觉领域引入深度学习，目标检测技术取得了快速发展，基于深度学习的目标检测方法解决了传统机器学习检测精度低、漏检率高、检测速率低的问题。基于深度学习的目标检测算法按其网络体系结构，主要分为单阶段检测算法及双阶段网络算法，但经大量研究证实了双阶段目标检测算法可以在红外图像下进行目标检测，但过程繁琐，且需要大量重复性实验。随着YOLOv3[2]、YOLOv4[3]、YOLOv5的先后提出，YOLO[4]系列算法在精度和速度上对比同单阶段算法有着较大的优势，YOLOv5s算法作为YOLO系列算法比较成熟且模型体积较小的目标检测算法，对红外图像进行目标识别有着较好的表现，但因红外图像的图像特性，在检测速率、精度上还尚有改进空间。
本文基于YOLOv5s[5]算法，提出了以下几点改进：
1）引入了Ghost网络，并将NWD loss（Normalized Wasserstein Distance loss）损失函数融入至Ghost网络中，Ghost模型减少模型参数的同时可以提高YOLOv5s的性能，将损失函数替换为NWD loss，在不影响模型参数量的同时提高了模型的精度。
2）添加注意力机制CA，CA不仅考虑了通道信息，还考虑了方向相关的位置信息，且能够简单地插入到轻量级网络的核心模块中。
3）添加了加权双向特征金字塔BiFPN，BiFPN具有高效的双向跨尺度连接和加权特征融合，可以实现更多的特征融合。
1. 算法理论分析
1.1 YOLOv5目标检测算法
YOLOv5算法是一种轻量化的目标检测算法，其网络结构由输入端、主干网络、颈部和检测网络组成。YOLOv5算法具有4个不同深度和宽度的网络，分别为YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x，其中YOLOv5s是深度最小、特征图宽度最小且训练速度最快的网络。该算法具有高准确性和较快的训练速度，适用于移动端和嵌入式设备的实时目标检测应用。
1.2 Ghost Bottleneck模块
Ghost Bottleneck[6]是一种轻量化的卷积神经网络结构，旨在减少计算量和参数数量的同时，提高模型的精度和鲁棒性。如图 1为Ghost Bottleneck模块原理图，Ghost Bottleneck主要由两个Ghost模块叠加而成，第一个模块用于增加t通道数量，而第二个模块则用于减少通道数量，Ghost Bottleneck包含stride＝1和stride＝2两个版本，stride＝1时不进行下采样，直接进行两个Ghost卷积操作；stride＝2时shortcut路径下进行下采样，并在Ghost模块中加入一个步长为2的深度卷积操作，通过这种方式，Ghost Bottleneck可以在保证特征提取效果的同时，大幅减少参数数量和计算量。其中Ghost module模块原理图如图 2所示。
1.3 NWD Loss
NWD loss[7]是一种用于目标检测任务的损失函数。NWD loss是基于Wasserstein距离的思想，旨在降低不同尺度物体之间的特征差异，提高目标检测的准确性。相比于传统的均方误差（Mean Squared Error）损失函数，NWD loss可以更好地适应物体检测任务中不同尺度物体的特征差异，从而更好地优化模型。在NWD loss中，Wasserstein距离是在两个分布之间计算的，这里的分布指的是特征图上的物体分布。通过计算分布之间的Wasserstein距离，可以度量两个分布之间的相似度，从而用作损失函数的衡量标准。
NWD：
$$ {\text{NWD}}({N_{\text{p}}}, {N_{\text{g}}}) = \exp ( - \frac{{\sqrt {(W_2^2({N_{\text{a}}}, {N_{\text{b}}})} }}{C}) $$ (1) NWD loss：
$$ L_{\mathrm{NWD}}=1-\mathrm{NWD}\left(N_{\mathrm{p}}, N_{\mathrm{g}}\right) $$ (2) 式中：Np是预测框的高斯分布；Ng是GT框的高斯分布；C是一个常数，和数据集有关。
1.4 注意力机制CA
Coordinate Attention[8]（CA）是一种新颖的移动网络注意力机制，CA注意力很简单，可以灵活地插入到经典的移动网络中，而且几乎没有计算开销。CA框图如图 3所示。
为了使注意力模块能够捕捉具有精确位置信息的远程空间交互，CA按照以下公式分解了全局池化。
转化为一对一维特征编码操作：
$$ {z_c} = 1\frac{1}{{H \times W}}{\text{ }}\sum\limits_{i = 1}^H {\sum\limits_{j = 1}^W {{x_c}(i, j)} } $$ (3) 高度为h的第c通道的输出：
$$ z_c^h(h) = \frac{1}{W} \sum\limits_{0 \leqslant i < W}^{} {{x_c}(h, i)} $$ (4) 宽度为w的第c通道的输出：
$$ z_c^h(h) = \frac{1}{H}{\text{ }}\sum\limits_{0 \leqslant i < H}^{} {{x_c}(j, w)} $$ (5) 对尺寸为C×H×W输入特征图Input分别按X方向和Y方向进行池化，分别生成尺寸C×H×1和C×1×W的特征图，如图 4所示。
将生成的C×1×W的特征图进行变换，然后进行Concat操作：
$$ f = \delta ({F_1}([{z^h}, {z^w}])) $$ (6) Coordinate Attention Block的输出Y：
$$ {y_c}(i, j) = {x_c}(i, j) \times g_c^h(i) \times g_c^w(j) $$ (7) 1.5 加权双向特征金字塔BiFPN
Bipartite Feedforward Networks（BiFPN）是一种新型的神经网络结构，它可以应用于计算机视觉任务中的特征提取。BiFPN[9]不同于其他的FPN结构（不同分辨率的特征融合时直接相加），在PANet[10]的基础上，若输入和输出都是同一水平，则添加一条额外的边。EfficientDet[11]为解决因不同的特征具有不同的分辨率，对特征融合的贡献不平等的问题，提出在特征融合期间为每个输入添加一个额外的权重，让网络去学习每个输入特征的重要性。如图 5所示，BiFPN做了两个方面的改进：
1）PANet进行特征融合时，是通过Concat的，一般高层和低层的特征贡献程度相同，BiFPN在特征融合时，通过一组可学习的归一化权重参数调整各层贡献程度。
2）BiFPN堆叠多层实现更高维度的特征融合。
2. 网络模型优化
2.1 骨干网络模块替换
使用Ghost Bottleneck模块替代原始YOLOv5s网络结构中的C3模块以及Conv模块。YOLOv5s改进模型算法网络结构示意图和模块替换示意图如图 6所示。具体而言，第三层C3模块用step＝1的Ghost Bottleneck模块替代；第二层、第四层、第六层和第八层的Conv模块用step＝2的Ghost Bottleneck模块替代，以降低模型参数数量；第五层、第七层及第九层的C3模块则用3个step＝1的Ghost Bottleneck模块替换。将本次改进后的模型YOLOV5-Ghost称为YOLOv5-CG。
2.2 损失函数替换
CIOU loss[12]无法对目标的长宽比进行很好的处理，导致对于形状较为特殊的目标，检测精度可能不如NWD loss，且CIoU损失函数未考虑难易样本的平衡问题。NWD loss可以对目标之间的相似性进行更准确的度量，并且可以自适应地调整样本的难易程度，从而提高模型的泛化能力。
因此将Ghost网络模块回归的损失由原始CIoU Loss替换为NWD Loss，将替换后的模型称为YOLOv5-GN，通过实验证明，模型表现较好。
2.3 注意力模块CA添加
为提升模型训练过程中对训练图像不同区域信息学习效率，因此在不同尺寸的特征图后添加注意力CA模块，将CA放在Backbone部分的最末端，即在第十层的输出端添加CA模块，这样可以使注意力机制看到整个Backbone部分的特征图，使得特征图的深度加权平均，提升网络模型的精度，同时较好地提升模型学习效率。
2.4 引入双向特征金字塔网络BiFPN
将BiFPN添加到Neck部分的第十层，BiFPN引入了跳跃连接，即在相同尺度的输入节点到输出节点中间再增加1个跳跃连接，因为运算处于相同层，该方法可在参数较少的同时结合更多特征。BIFPN将每一条双向路径视作1个特征网络层，并对同一层参数进行多次计算，以实现更多的特征融合。
3. 实验验证及性能风险
3.1 实验平台环境
本文实验是基于Windows10操作系统下进行实验验证。训练平台采用Nvidia GeForce RTX 3090（24 GB/微星），13th Gen Intel(R) Core(TM) i7-13700K CPU @ 3.40 GHz处理器，语言为Python3.7，加速环境为CUDA11.6，深度学习网络框架为Pytorch。测试部署平台采用Jetson AGX Orin 32 GB，该开发板具备支持多个并发AI推理管线的200TOPS算力，外形小巧，性能出色。该开发板具备8核Arm® Cortex®-A78AE v8.2 64位CPU 2 MB L2+4 MB L3，GPU采用搭载56个Tensor Core的1792核NVIDIA Ampere架构GPU。
3.2 实验数据及参数说明
本文训练验证采用数据集为InfiRay[13]提供的红外航拍人车检测数据集，数据库使用person、car、bus、cyclist、bike、truck分别作为行人、小汽车、公交车、骑自行车的人、自行车、卡车的标签。验证训练集11045张、验证集2000张、测试集550张。网络模型部分重要训练参数设置如下：训练轮次为300，批尺寸为16，初始学习率为0.01，周期学习率为0.01，学习率动量为0.937，权重衰减系数为0.0005。
3.3 网络模型的评价指标
本文对模型训练的评价指标主要从以下几方面分析：精确率（Precision）：是指预测为正例中真正为正例的样本数占所有预测正例的样本数的比例；召回率（Recall）：是指真正为正例中预测为正例的样本数占所有真正为正例的样本数的比例；平均精度[14]（Mean Average Precision，mAP）：是对所有类别的AP取平均得到的指标；F1分数（F1-score）：是衡量模型准确率和召回率之间平衡的指标，F1分数越高，代表模型综合表现越好。帧率（FPS）：每秒传输帧数，YOLOv5的帧率计算主要为以下3个参数：图像预处理时间（pre-process）、推理速度[15]、后处理时间，FPS即1000 ms除以这3个时间之和。其中TP表示被模型预测为正类的正样本数量，FN表示被模型预测为负类的正样本数量，AP表示平均准确度，N表示总的类别数。即预测为正例且正确的样本数除以预测为正例的样本数。
$$ \text{Precision} = \frac{{{\text{TP}}}}{{{\text{TP + FP}}}} $$ (8) $$ \text{Re} {\text{call}} = \frac{{{\text{FP}}}}{{{\text{TP + FN}}}} $$ (9) $$ {\text{mAP}} = \frac{{\sum\limits_{i = 1}^N {{\text{AP}}} }}{N} $$ (10) $$ {\text{F1-score}} = 2 \times \frac{{{\text{precision}} \times {\text{recall}}}}{{{\text{precision + recall}}}} $$ (11) $$ {\text{FPS}} = \frac{{1000}}{{{\text{pre - process + ms inference + NMS}}}} $$ (12) 3.4 实验结果及性能分析
将改进后的模型训练所得的results.txt文件，使用Matlab软件提取有效信息，并对关键数据进行可视化展示，消融实验分两组对比，其中一组对比各模型的精准率、召回率、mAP@0.5、mAP@0.5: 0.95。另一组对比各模型的mAP@0.5、FPS、权重文件大小。为了更直观地感受检测效果，在两个场景下对各模型的检测效果做展示。
3.4.1 消融实验
为验证本文改进算法的有效性，在相同数据集上进行了消融实验。在YOLOv5s原模型的基础上，依次进行修改：引入Ghost主干网络（YOLOv5s-GC）；引入替换NWD loss的Ghost（YOLOv5s-GN）；引入CA和BiPFN注意力机制（YOLOv5s-CB）。消融实验结果如表 1所示。从表 1中实验结果可以看出，YOLOv5s-GC mAP@0.5提高了3%，FPS增加了8.1；YOLOv5s-GN mAP@0.5上升了3.2%，FPS增加了7.51；YOLOv5s-CB mAP@0.5上升3.3%，F1提升了3，但FPS下降了3.2。对比YOLOv5s-GN-CB与YOLOv5s原模型，mAP@0.5上升4.2%，F1提升了4，FPS上升了8.1，综上所述证明，本文所改进方法的有效性，在提高模型平均精度的同时，提高了模型计算速度，减少耗时，提高了检测实时性。
表 1 消融实验结果对比Table 1. Comparison of ablation experimental resultsModels mAP@0.5 F1 FPS YOLOv5s 90.9 87 67.114 YOLOv5s- GC 93.9 89 75.188 YOLOv5s- GN 94.1 89 74.627 YOLOv5s- CB 94.2 90 44.053 YOLOv5s- GN-CB 95.1 91 75.188 3.4.2 部分检测结果示例
为了更直观地验证改进后的YOLOv5s-GN-CB模型的检测效果，本文用各改进算法分别对两个不同场景进行了红外人车检测验证，场景a包括了多个分类，场景b下虽分类不多但框图多，分别对两种场景10组检测结果进行了对比，检测结果图像如图 7所示，每组检测结果中，第一列为原YOLOv5s检测结果，最后一列为改进的YOLOv5s-GN-CB检测结果。通过检测结果可以看出YOLOv5s-GN-CB检测精度更高，特征提取能力有所增强，在不同场景下的检测均有一定提高。
![]()
图 7 检测结果示例：两个场景下各改进各算法的检测效果Figure 7. Example of detection results: The detection effect of each algorithm is improved in two scenarios3.4.3 对比实验
为了更加客观地评价本章所改进的YOLOv5s模型在红外场景检测中的效果，本文将改进后的YOLOv5s模型与其它YOLOv5主流算法进行了对比，包括原YOLOv5s、YOLOv5s-Ghost（GC）[16]、YOLOv5s-GN、YOLOv5s-MobileNetV3[17]、YOLO v5x，实验过程遵循控制变量原则，实验软硬件环境保持一致。评价指标采用平均准确率（mAP）、每秒帧数（FPS）、权重文件大小（MB）。实验结果如表 2所示，通过实验结果可以看出，Ours相对于YOLOv5s mAP@0.5提高了3.2%，FPS增加了8.1；相对于YOLOv5s-Ghost mAP@0.5上升了2.2%；相对于YOLOv5s-GN mAP@0.5上升1%；相对YOLOv5s-MobileNetV3 mAP@0.5上升3.1%，FPS上升了19；虽然mAP@0.5对比YOLOv5x略有下降，但在FPS及权重文件大小上有较大优势。图 8显示了与其它YOLOv5主流算法的参数变化对比，通过观察图表可以看出本文改进的算法在平均精度、帧率及权重大小上具有显著优势。
表 2 主流算法对比实验结果Table 2. Comparative experiments with mainstream algorithmsModels mAP@0.5/ (%) FPS/(frame/s) Weight coefficient/MB YOLOv5s 90.9 67.114 3.69 YOLOv5s-Ghost 93.9 75.188 7.44 YOLOv5s-GN 94.1 75.188 11.5 YOLOv5s-MobileNetV3 92.0 56.180 7.31 YOLOv5x 97.7 14.164 171 Ours 95.1 75.188 11.6 ![]()
图 8 改进前后不同模型的参数变化对比Figure 8. Comparison of parameter variations of different models before and after improvement4. 结语
本文提出一种基于改进YOLOv5s的红外人车目标检测的优化算法，改进后YOLOv5s-GN-CB模型应用于红外场景下对人车等多种分类进行检测分类。实验将模型部署至Jetson AGX Orin平台经测试模型，使用改进后算法对红外场景下的航拍人车进行目标识别mAP@0.5可达到95.1%，FPS为75.188帧/s，模型产生的权重文件为11.6 MB。实验表明，相对于原YOLOv5s模型，改进后的模型在利于便携式嵌入式设备的情况下可有效提高平均精度和FPS。此研究对增强无人机在夜间飞行过程中对周围环境的检测能力，推动无人机的发展具有重要意义。
-
![]()
图 2 红外图像超分辨率重建网络结构
Figure 2. Structure of infrared image super-resolution reconstruction network
![]()
图 4 本文方法与无退化模型变体的2×超分结果对比
Figure 4. Comparison of 2× super-resolution results between our method and the no degradation variant
![]()
图 5 不同方法在场景1下2×倍超分结果对比
Figure 5. Comparison of 2× super-resolution results under scene 1 using different methods
![]()
图 6 不同方法在场景2下2×倍超分结果对比
Figure 6. Comparison of 2× super-resolution results under scene 2 using different methods
![]()
图 7 不同方法在场景3下4×倍超分结果对比
Figure 7. Comparison of 4× super-resolution results under scene 3 using different methods
![]()
图 8 不同方法在场景4下4×倍超分结果对比
Figure 8. Comparison of 4× super-resolution results under scene 4 using different methods
表 1 CADB模块中的密集连接结构参数
Table 1 Parameters of the densely connected structure in the CADB module
Layer type Kernel size Input channels Output channels Activation function Conv1 3×3 64 16 PReLU Conv2 3×3 80 16 PReLU Conv3 3×3 96 16 PReLU Conv4 3×3 112 16 PReLU Conv5 3×3 128 64 - 
下载: 导出CSV
表 2 CADB模块中的通道注意力结构参数
Table 2 Parameters of the channel attention structure in the CADB module
Layer type Kernel size Input channels Output channels Activation function Conv1 3×3 64 16 GELU Conv2 3×3 16 64 - Pooling 1×1 64 64 - Conv3 1×1 64 4 ReLU Conv4 1×1 4 64 Sigmoid
下载: 导出CSV
表 3 重建模块参数
Table 3 Parameters of the reconstruction module
Layer type Kernel size Input channels Output channels Activation function Conv1 3×3 64 64 LReLU Conv2 3×3 64 32 LReLU Conv3 3×3 32 16 LReLU Conv4 3×3 16 1 -
下载: 导出CSV
表 4 不同超分倍数下本文方法与无退化模型变体的无参考图像质量评价指标比较
Table 4 Comparison of no-reference image quality assessment metrics between our method and the no degradation variant at different scaling scales
Scale Methods BRISQUE NIQE PI 2× Ours-ND 37.84 6.494 6.892 Ours 20.902 4.800 5.167 4× Ours-ND 46.208 6.931 7.692 Ours 28.480 5.628 5.384
下载: 导出CSV
表 5 不同超分倍数下本文方法与其他超分辨率方法在无参考图像质量评价指标上的比较
Table 5 Comparison of no-reference image quality assessment metrics between our method and other super-resolution methods at different scaling factors
Scale Methods BRISQUE NIQE PI 2× SRCNN 35.298 6.375 6.800 ESRGAN 26.559 5.139 6.206 SwinIR 34.998 5.515 6.381 Oz 39.161 6.483 6.954 Zou 40.697 6.116 6.750 Ours 20.902 4.800 5.167 4× SRCNN 53.581 6.758 7.321 ESRGAN 31.071 5.835 6.982 SwinIR 55.269 6.577 7.225 Oz 53.088 7.313 7.651 Zou 63.166 8.162 8.023 Ours 28.480 5.628 5.384
下载: 导出CSV
-
[1] WANG Z, CHEN J, Hoi S C H. Deep learning for image super-resolution: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 43(10): 3365-3387.
[2] LI J, PEI Z, ZENG T. From beginner to master: A survey for deep learning-based single-image super-resolution[J]. arXiv preprint arXiv: 2109.14335, 2021.
[3] DONG C, LOY C C, HE K, et al. Image super-resolution using deep convolutional networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 38(2): 295-307.
[4] SHI W, Caballero J, Huszár F, et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 1874-1883.
[5] LIM B, SON S, KIM H, et al. Enhanced deep residual networks for single image super-resolution[C]//Proceedings of The IEEE Conference on Computer Vision And Pattern Recognition Workshops, 2017: 136-144.
[6] WANG X, YU K, WU S, et al. Esrgan: Enhanced super-resolution generative adversarial networks[C]//Proceedings of the European Conference on Computer Vision (ECCV), 2018: 63-79.
[7] SUN C, LV J, LI J, et al. A rapid and accurate infrared image super-resolution method based on zoom mechanism[J]. Infrared Physics & Technology, 2018, 88: 228-238.
[8] Suryanarayana G, TU E, YANG J. Infrared super-resolution imaging using multi-scale saliency and deep wavelet residuals[J]. Infrared Physics & Technology, 2019, 97: 177-186.
[9] YAO T, LUO Y, HU J, et al. Infrared image super-resolution via discriminative dictionary and deep residual network[J]. Infrared Physics & Technology, 2020, 107: 103314.
[10] Oz N, Sochen N, Markovich O, et al. Rapid super resolution for infrared imagery[J]. Optics Express, 2020, 28(18): 27196-27209. DOI: 10.1364/OE.389926
[11] ZOU Y, ZHANG L, LIU C, et al. Super-resolution reconstruction of infrared images based on a convolutional neural network with skip connections[J]. Optics and Lasers in Engineering, 2021, 146: 106717. DOI: 10.1016/j.optlaseng.2021.106717
[12] 李方彪, 何昕, 魏仲慧, 等. 生成式对抗神经网络的多帧红外图像超分辨率重建[J]. 红外与激光工程, 2018, 47(2): 26-33. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201802004.htm LI F, HE X, WEI Z, et al. Multiframe infrared image super-resolution reconstruction using generative adversarial networks[J]. Infrared and Laser Engineering, 2018, 47(2): 26-33. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201802004.htm
[13] 魏子康, 刘云清. 改进的RDN灰度图像超分辨率重建方法[J]. 红外与激光工程, 2020, 49(S1): 20200173. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2020S1022.htm WEI Z, LIU Y. Gray image super-resolution reconstruction based on improved RDN method[J]. Infrared and Laser Engineering, 2020, 49(S1): 20200173. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2020S1022.htm
[14] 胡蕾, 王足根, 陈田, 等. 一种改进的SRGAN红外图像超分辨率重建算法[J]. 系统仿真学报, 2021, 33(9): 2109-2118. https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ202109013.htm HU L, WANG Z, CHEN T, et al. An improved SRGAN infrared image super-resolution reconstruction algorithm[J]. Journal of System Simulation, 2021, 33(9): 2109-2118. https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ202109013.htm
[15] 邱德粉, 江俊君, 胡星宇, 等. 高分辨率可见光图像引导红外图像超分辨率的Transformer网络[J]. 中国图象图形学报, 2023, 28(1): 196-206. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTB202301012.htm QIU D, JIANG J, HU X, et al. Guided transformer for high-resolution visible image guided infrared image super-resolution[J]. Journal of Image and Graphics, 2023, 28(1): 196-206. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTB202301012.htm
[16] ZHANG Y, LI K, LI K, et al. Image super-resolution using very deep residual channel attention networks[C]//Proceedings of the European Conference on Computer Vision (ECCV), 2018: 286-301.
[17] TONG T, LI G, LIU X, et al. Image super-resolution using dense skip connections[C]//Proceedings of the IEEE International Conference on Computer Vision, 2017: 4799-4807.
[18] ZHANG K, Liang J, Van Gool L, et al. Designing a practical degradation model for deep blind image super-resolution[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021: 4791-4800.
[19] WANG X, XIE L, DONG C, et al. Real-esrgan: Training real-world blind super-resolution with pure synthetic data[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021: 1905-1914.
[20] ZHANG W, SHI G, LIU Y, et al. A closer look at blind super-resolution: Degradation models, baselines, and performance upper bounds[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022: 527-536.
[21] LIANG J, CAO J, SUN G, et al. Swinir: Image restoration using swin transformer[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021: 1833-1844.
[22] Huynh-Thu Q, Ghanbari M. Scope of validity of PSNR in image/video quality assessment[J]. Electronics Letters, 2008, 44(13): 800-801. DOI: 10.1049/el:20080522
[23] Hanhart P, Korshunov P, Ebrahimi T. Benchmarking of quality metrics on ultra-high definition video sequences[C]//18th International Conference on Digital Signal Processing (DSP)of IEEE, 2013: 1-8.
[24] Kundu D, Evans B L. Full-reference visual quality assessment for synthetic images: A subjective study[C]// IEEE International Conference on Image Processing (ICIP), 2015: 2374-2378.
[25] Mittal A, Soundararajan R, Bovik A C. Making a "completely blind" image quality analyzer[J]. IEEE Signal Processing Letters, 2012, 20(3): 209-212.
[26] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12): 4695-4708.
[27] Blau Y, Mechrez R, Timofte R, et al. The 2018 PIRM challenge on perceptual image super-resolution[C]//Proceedings of the European Conference on Computer Vision (ECCV), 2018: 334-355.
-
期刊类型引用(1)
1. 范锦珑，王高，李建民. 温敏荧光材料YAG:Tm在高温系统中的发光特性. 电子制作. 2024(24): 87-89+10 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 135
- HTML全文浏览量: 73
- PDF下载量: 84
- 被引次数: 1
