周登文
- 作品数：38 被引量：173H指数：8
- 供职机构：华北电力大学控制与计算机工程学院更多>>
- 发文基金：北京市自然科学基金国家自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术电子电信环境科学与工程更多>>
- 基于区域互补注意力和多维注意力的轻量级图像超分辨率网络被引量：6
- 2022年
- 轻量级卷积神经网络具有参数量较小、计算量较小、推理速度较快等特点,但性能受到极大限制.为了进一步提升轻量级图像超分辨率网络的性能,文中提出基于区域互补注意力和多维注意力的轻量级图像超分辨率网络.网络基本构件是双支路的多交互残差块,可有效融合多尺度特征.为了提高特征的利用率和表达能力,设计轻量且有效的区域互补注意力,使特征图不同区域的信息互相补充.同时设计多维注意力,分别在通道维和空间维建模像素间的依赖关系.实验表明文中网络性能较优,并将当前轻量级超分辨率网络的复杂度和性能平衡提升到一个较高水平.
- 周登文王婉君马钰高丹丹
- 关键词：图像超分辨率卷积神经网络多尺度特征
- 一种基于残余插值的卷积神经网络去马赛克算法
- 本发明属于图像处理技术领域，尤其涉及一种基于残余插值的卷积神经网络去马赛克算法。为解决当前图像恢复方法在斜边区域恢复不够准确以及图像整体分辨率较低的问题，本方法首先利用边缘检测算法恢复绿色通道，再采用残余插值方法恢复红蓝...
- 贾慧秒李春平周登文
- 文献传递
- 基于深层残差CNN的图像超分辨率方法、装置及存储介质
- 本发明实施例提供了一种基于深层残差CNN的图像超分辨率方法，包括：构建深层残差CNN模型，将低分辨率图像输入所述深层残差CNN模型进行识别，得到识别后的图像；将所述识别后的图像输入VGG损失网络进行识别效果评价，获取具备...
- 柴晓亮周登文段然赵丽娟
- 文献传递
- 基于特征融合注意网络的图像超分辨率重建被引量：2
- 2022年
- 近年来,基于深度卷积神经网络的单图像超分辨率重建,取得了显著的进展,但是,仍然存在诸如特征利用率低、网络参数量大和重建图像细节纹理模糊等问题.我们提出了基于特征融合注意网络的单图像超分辨率方法,网络模型主要包括特征融合子网络和特征注意子网络.特征融合子网络可以更好地融合不同深度的特征信息,以及增加跨通道的学习能力;特征注意子网络则着重关注高频信息,以增强边缘和纹理.实验结果表明:无论是主观视觉效果,还是客观度量,我们方法的超分辨率性能明显优于其他代表性的方法.
- 周登文马路遥田金月孙秀秀
- 关键词：卷积神经网络注意网络
- 基于最大似然估计的自适应图像降噪被引量：1
- 2009年
- 应用Stein的无偏风险估计改进Mih?ak等提出的LAWML小波域图像降噪算法。该方法能在每一个子带为LAWML方法确定一个最佳的邻域窗口,也将建议的方法推广到对偶树复数小波变换。实验结果证实,该方法不仅优于LAWML,也优于当前其他一些图像降噪算法。
- 周登文申晓留
- 关键词：图像降噪小波变换自适应
- 特征频率分组融合的轻量级图像超分辨率重建被引量：2
- 2023年
- 深度卷积神经网络规模越大(更深和更宽),性能越好,对计算和存储能力的要求也越高,限制了其在资源受限设备上的应用,迫切需要轻量级(参数量较小)超分辨率网络.为此,提出一个特征频率分组融合的轻量级图像超分辨率网络模型.首先使用残差拼接块传递和融合局部特征;然后通过混合注意力块组合不同线索的特征,提高特征的表达能力;最后利用高频和低频特征分组融合块,融合高频和低频特征信息,提高超分辨率图像的恢复质量.在Pytorch环境下,利用DIV2K数据集对网络模型进行训练,使用Set5,Set14,B100,Urban100和Manga109数据集进行实验的结果表明,无论是主观视觉质量还是客观度量,所提网络模型在PSNR,SSIM和LPIPS方面均显著优于对比网络模型.
- 高丹丹周登文王婉君马钰李珊珊
- 关键词：卷积神经网络图像超分辨率
- 基于多级Transformer的超大倍率重建网络:参考图像超分辨率被引量：1
- 2022年
- 超分辨率(SR)是指从一个低分辨率图像,重建其对应的高分辨率副本。针对SR在超大倍率(8×、16×)重建不够精确的问题,本文提出多级Transformer的超大倍率重建网络(MTLF)。MTLF对多个Transformer进行多级堆叠以处理不同倍率的特征,并且利用修正注意力模块改进由Transformer得到的注意力权重,从而合成更精细的纹理。最后将所有倍率的特征融合成超大尺度下的SR图像。实验结果表明MTLF优于目前最好的方法(包括单图像超分辨率和基于Ref的超分辨率方法)。特别地,MTLF在极限倍率(32×)下也取得不错的效果。
- 陈彤周登文
- 关键词：参考图像超分辨率TRANSFORMER注意力
- 基于递归残差网络的图像超分辨率重建被引量：24
- 2019年
- 深度卷积神经网络在单图像超分辨率重建方面取得了卓越成就,但其良好表现通常以巨大的参数数量为代价.本文提出一种简洁紧凑型递归残差网络结构,该网络通过局部残差学习减轻训练深层网络的困难,引入递归结构保证增加深度的同时控制模型参数数量,采用可调梯度裁剪方法防止产生梯度消失/梯度爆炸,使用反卷积层在网络末端直接上采样图像到超分辨率输出图像.基准测试表明,本文在重建出同等质量超分辨率图像的前提下,参数数量及计算复杂度分别仅为VDSR方法的1/10和1/(2n^2).
- 周登文赵丽娟段然柴晓亮
- 关键词：卷积神经网络超分辨率
- 基于全局依赖Transformer的图像超分辨率网络
- 2024年
- 目前,基于深度学习的图像超分辨网络主要由卷积实现。相较于传统的卷积神经网络(CNN),Transformer在图像超分辨率任务中的主要优势是它的长距离依赖建模能力;然而大多数基于Transformer的图像超分辨率模型在参数量小、网络层数少的情况下无法建立全局依赖,限制了模型的性能。为了在超分辨率网络中建立全局依赖,提出了基于全局依赖Transformer的图像超分辨率网络(GDTSR),主要组成部分为残差方形轴向窗口块(RSAWB),它的内部轴向窗口Transformer残差层利用轴向窗口和自注意力,可以使每个像素与整个特征图建立起全局依赖。此外,目前大多数图像超分辨率模型的超分辨率图像重建模块都由卷积组成,为了动态整合提取到的特征信息,结合Transformer与卷积,共同重建超分辨率图像。实验结果表明,GDTSR在5个标准测试集Set5、Set14、B100、Urban100和Manga109上的测试结果中,3个倍数(×2,×3,×4)的峰值信噪比(PSNR)和结构相似性(SSIM)均达到了最优,特别是在大尺寸图像的Urban100和Manga109数据集上模型性能的提升尤为明显。
- 刘子涵周登文刘玉铠
- 关键词：图像超分辨率TRANSFORMER
- 张量积Bézier曲面降阶逼近的新方法被引量：18
- 2002年
- 基于 L2 范数 ,给出基于曲面间体积极小的约束优化算法 ,将 Bézier曲面的降阶问题转变为线性方程组的求解 ,并给出降阶逼近问题解的存在性证明 .文中还对逼近误差进行了分析 。
- 周登文刘芳居涛孙家广
- 关键词：张量积BÉZIER曲面降阶计算机辅助设计
