基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

doi:10.11772/j.issn.1001-9081.2021040594

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (6): 1941-1949.DOI: 10.11772/j.issn.1001-9081.2021040594

• 多媒体计算与计算机仿真 • 上一篇

基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

张莹莹¹, 任超², 朱策¹()

^1.电子科技大学信息与通信工程学院，成都 611731
^2.四川大学电子信息学院，成都 610065

收稿日期:2021-04-15 修回日期:2021-05-27 接受日期:2021-05-27 发布日期:2022-06-22 出版日期:2022-06-10
通讯作者: 朱策
作者简介:张莹莹（1989—），女，山东泰安人，博士研究生，主要研究方向：图像超分辨率
任超（1988—），男，四川南充人，副研究员，博士，主要研究方向：图像处理
基金资助:
国家自然科学基金资助项目(62020106011)

Depth image super-resolution based on shape-adaptive non-local regression and non-local gradient regularization

Yingying ZHANG¹, Chao REN², Ce ZHU¹()

^1.School of Information and Communication Engineering，University of Electronic Science and Technology of China，Chengdu Sichuan 611731，China
^2.College of Electronics and Informatiom Engineering，Sichuan University，Chengdu Sichuan 610065，China

Received:2021-04-15 Revised:2021-05-27 Accepted:2021-05-27 Online:2022-06-22 Published:2022-06-10
Contact: Ce ZHU
About author:ZHANG Yingying，born in 1989，Ph. D. candidate. Her research interests include image super-resolution.
REN Chao，born in 1988，Ph. D.，associate research fellow. His research interests include image prosessing.
Supported by:
National Natural Science Foundation of China(62020106011)

摘要/Abstract

摘要：

针对深度图像分辨率低、深度不连续性模糊问题，提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性，提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块，并根据形状自适应块构建目标像素的相似像素组；然后针对相似像素组中的每个像素，结合同场景的高分辨率彩色图像获得非局部权重，从而构建非局部回归先验。为了保持深度图像的边缘信息，对图像梯度的非局部性进行探究。不同于总变分（TV）正则化对所有像素点梯度的零均值拉普拉斯分布假设，该方法利用深度图像梯度的非局部相似性，用非局部块估计特定像素点的梯度均值，并用学习到的均值来拟合各像素点的梯度分布。实验结果表明，相较于基于边缘不一致性评价模型（EIEM），所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差（MAD）分别下降了41.1%和40.8%。

关键词: 深度图像, 超分辨, 形状自适应, 非局部自相似, 非局部梯度

Abstract:

To deal with the low resolution of depth images and blurring depth discontinuities， a depth image super-resolution method based on shape-adaptive non-local regression and non-local gradient regularization was proposed. To explore the correlation between non-local similar patches of depth image， a shape-adaptive non-local regression method was proposed. The shape-adaptive self-similarity patch was extracted for each pixel， and a similar pixel group for the target pixel was constructed according to its shape-adaptive patch. Then for each pixel in the similar pixel group， a non-local weight was obtained with the assistant of the high-resolution color image of the same scene， thereby constructing the non-local regression prior. To maintain the edge information of the depth image， the non-locality of the gradient of the depth image was explored. Different from the Total Variation （TV） regularization which assumed that all pixels obeyed Laplacian distribution with zero mean value， through non-local similarity of the depth image， the gradient mean value of specific pixel was estimated by non-local patches， and the gradient distribution of each pixel was fit by using the learned mean value. Experimental results show that compared with Edge Inconsistency Evaluation Model （EIEM） on Middlebury datasets， the proposed method decreases Mean Absolute Difference （MAD） of 41.1% and 40.8% respectively.

Key words: depth image, super-resolution, shape-adaptive, non-local self-similarity, non-local gradient

中图分类号:

TP391.41

张莹莹, 任超, 朱策. 基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨[J]. 计算机应用, 2022, 42(6): 1941-1949.

Yingying ZHANG, Chao REN, Ce ZHU. Depth image super-resolution based on shape-adaptive non-local regression and non-local gradient regularization[J]. Journal of Computer Applications, 2022, 42(6): 1941-1949.

图/表 13

参考文献 24

1	NDJIKI-NYA P， KÖPPEL M， DOSHKOV D， et al. Depth image based rendering with advanced texture synthesis［C］// Proceedings of the 2010 IEEE International Conference on Multimedia and Expo. Piscataway： IEEE， 2010： 424-429. 10.1109/icme.2010.5583559
2	李知菲，陈源. 基于联合双边滤波器的Kinect深度图像滤波算法［J］. 计算机应用， 2014， 34（8）：2231-2234， 2242. 10.11772/j.issn.1001-9081.2014.08.2231
	LI Z F， CHEN Y. Kinect depth image filtering based on joint bilateral filter［J］. Journal of Computer Applications， 2014， 34（8）：2231-2234， 2242. 10.11772/j.issn.1001-9081.2014.08.2231
3	HE K M， SUN J， TANG X O. Guided image filtering［C］// Proceedings of the 2010 European Conference on Computer Vision， LNIP 6311. Berlin： Springer， 2010： 1-14.
4	SHEN X Y， ZHOU C， XU L， et al. Mutual-structure for joint filtering［J］. International Journal of Computer Vision， 2017， 125（1/2/3）：19-33. 10.1007/s11263-017-1021-y
5	HAM B， CHO M， PONCE J. Robust image filtering using joint static and dynamic guidance［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015：4823-4831. 10.1109/cvpr.2015.7299115
6	WANG J， XU W， CAI J F， et al. Multi-direction dictionary learning based depth map super-resolution with autoregressive modeling［J］. IEEE Transactions on Multimedia， 2020， 22（6）：1470-1484. 10.1109/tmm.2019.2946075
7	KWON H， TAI Y W， LIN S. Data-driven depth map refinement via multi-scale sparse representation［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 159-167. 10.1109/cvpr.2015.7298611
8	ZUO Y F， FANG Y M， AN P， et al. Frequency-dependent depth map enhancement via iterative depth-guided affine transformation and intensity-guided refinement［J］. IEEE Transactions on Multimedia， 2020， 23： 772-783. 10.1109/TMM.2020.2987706
9	ZUO Y F， FANG Y M， YANG Y， et al. Depth map enhancement by revisiting multi-scale intensity guidance within coarse-to-fine stages［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020， 30（12）： 4676-4687. 10.1109/tcsvt.2019.2962867
10	DIEBEL J， THRUN S. An application of Markov random fields to range sensing［C］// Proceedings of the 18th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2005： 291-298.
11	FERSTL D， REINBACHER C， RANFTL R， et al. Image guided depth upsampling using anisotropic total generalized variation［C］// Proceedings of the 2013 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2013： 993-1000. 10.1109/iccv.2013.127
12	YANG J Y， YE X C， LI K， et al. Color-guided depth recovery from RGB-D data using an adaptive autoregressive model［J］. IEEE Transactions on Image Processing， 2014， 23（8）：3443-3458. 10.1109/tip.2014.2329776
13	DONG W S， SHI G M， LI X， et al. Color-guided depth recovery via joint local structural and nonlocal low-rank regularization［J］. IEEE Transactions on Multimedia， 2017， 19（2）：293-301. 10.1109/tmm.2016.2613824
14	ZHANG Y D， ZHOU Y， WANG A H， et al. Joint nonlocal sparse representation for depth map super-resolution［C］// Proceedings of the 2017 IEEE International Conference on Image Processing. Piscataway： IEEE， 2017： 972-976. 10.1109/icip.2017.8296426
15	JIANG Z Y， HOU Y H， YUE H J， et al. Depth super-resolution from RGB-D pairs with transform and spatial domain regularization［J］. IEEE Transactions on Image Processing， 2018， 27（5）： 2587-2602. 10.1109/tip.2018.2806089
16	ZHANG H T， YU J， WANG Z F. Depth map super-resolution using nonlocal higher-order regularization with classified weights［C］// Proceedings of the 2017 IEEE International Conference on Image Processing. Piscataway： IEEE， 2017：4043-4047. 10.1109/icip.2017.8297042
17	PARK J， KIM H， TAI Y W， et al. High quality depth map upsampling for 3D-TOF cameras［C］// Proceedings of the 2011 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2011： 1623-1630. 10.1109/iccv.2011.6126423
18	REN C， HE X H， NGUYE T Q. Adjusted non-local regression and directional smoothness for image restoration［J］. IEEE Transactions on Multimedia， 2019， 21（3）：731-745. 10.1109/tmm.2018.2866362
19	LIU H F， XIONG R Q， ZHANG X F， et al. Nonlocal gradient sparsity regularization for image restoration［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2017， 27（9）： 1909-1921. 10.1109/tcsvt.2016.2556498
20	KATKOVNIK V， EGIAZARIAN K， ASTOLA J. Adaptive window size image de-noising based on Intersection of Confidence Intervals （ICI） rule［J］. Journal of Mathematical Imaging and Vision， 2002， 16（3）：223-235. 10.1023/a:1020329726980
21	GOLDSTEIN T， OSHER S. The split Bregman method for L1-regularized problems［J］. SIAM Journal on Imaging Sciences， 2009， 2（2）： 323-343. 10.1137/080725891
22	BECKER S R， CANDÈS E J， GRANT M C. Templates for convex cone problems with applications to sparse signal recovery［J］. Mathematical Programming Computation， 2011， 3（3）： 165-218. 10.1007/s12532-011-0029-5
23	Middlebury stereo datasets［DB/OL］. ［2021-01-22］. . 10.26649/musci.2015.049
24	ZUO Y F， WU Q， ZHANG J， al et， Explicit edge inconsistency evaluation model for color-guided depth map enhancement［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2018， 28（2）：439-453. 10.1109/tcsvt.2016.2609438

方法	Art			Book			Moebius			平均值
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×	2×	4×	8×
MRF^［10］	2.607 9	3.123 4	4.808 6	0.480 2	0.683 0	1.067 2	0.572 0	0.742 8	1.151 5	1.220 0	1.516 4	2.342 4
GF^［3］	2.022 5	2.869 1	4.546 1	0.469 6	0.714 9	1.495 7	0.489 0	0.761 8	1.419 3	0.993 7	1.448 6	2.487 0
MSJF^［4］	2.826 2	3.163 2	4.916 6	0.592 5	0.680 5	1.206 1	0.667 7	0.785 1	1.242 4	1.362 1	1.542 9	2.455 0
SDF^［5］	2.316 9	2.667 9	3.337 7	0.462 3	0.582 0	0.612 6	0.577 1	0.686 6	0.904 2	1.118 8	1.312 2	1.618 2
AR^［12］	2.706 8	2.805 0	3.531 9	0.616 3	0.805 5	1.224 2	0.662 8	0.738 5	0.845 0	1.328 6	1.449 7	1.867 0
TGV^［11］	2.597 4	3.001 4	6.505 6	0.439 0	0.636 7	1.373 7	0.536 3	0.706 3	1.290 3	1.190 9	1.448 1	3.056 5
EIEM^［24］	1.453 5	2.261 1	4.148 9	0.323 0	0.513 2	0.798 0	0.419 1	0.607 5	0.951 6	0.731 9	1.127 3	1.966 2
本文算法	0.900 5	1.333 1	2.442 1	0.188 5	0.335 6	0.791 6	0.227 5	0.365 2	0.720 6	0.438 8	0.678 0	1.318 1

方法	Art			Book			Moebius			平均值
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×	2×	4×	8×
MRF^［10］	2.607 9	3.123 4	4.808 6	0.480 2	0.683 0	1.067 2	0.572 0	0.742 8	1.151 5	1.220 0	1.516 4	2.342 4
GF^［3］	2.022 5	2.869 1	4.546 1	0.469 6	0.714 9	1.495 7	0.489 0	0.761 8	1.419 3	0.993 7	1.448 6	2.487 0
MSJF^［4］	2.826 2	3.163 2	4.916 6	0.592 5	0.680 5	1.206 1	0.667 7	0.785 1	1.242 4	1.362 1	1.542 9	2.455 0
SDF^［5］	2.316 9	2.667 9	3.337 7	0.462 3	0.582 0	0.612 6	0.577 1	0.686 6	0.904 2	1.118 8	1.312 2	1.618 2
AR^［12］	2.706 8	2.805 0	3.531 9	0.616 3	0.805 5	1.224 2	0.662 8	0.738 5	0.845 0	1.328 6	1.449 7	1.867 0
TGV^［11］	2.597 4	3.001 4	6.505 6	0.439 0	0.636 7	1.373 7	0.536 3	0.706 3	1.290 3	1.190 9	1.448 1	3.056 5
EIEM^［24］	1.453 5	2.261 1	4.148 9	0.323 0	0.513 2	0.798 0	0.419 1	0.607 5	0.951 6	0.731 9	1.127 3	1.966 2
本文算法	0.900 5	1.333 1	2.442 1	0.188 5	0.335 6	0.791 6	0.227 5	0.365 2	0.720 6	0.438 8	0.678 0	1.318 1

方法	Laundry			Reindeer			Dolls				平均值
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×	2×	4×	8×
MRF^［10］	1.358 5	1.575 4	2.324 8	2.354 4	2.657 6	3.780 8	0.360 9	0.511 3	0.939 7	1.357 8	1.581 4	2.348 4
GF^［3］	1.122 3	1.504 8	2.268 6	2.122 2	2.902 9	4.392 5	0.375 4	0.555 3	0.973 1	1.206 6	1.654 3	2.544 7
MSJF^［4］	1.508 4	1.765 6	3.135 9	2.698 3	3.072 6	5.066 3	0.405 6	0.448 8	0.685 0	1.537 4	1.762 3	2.962 4
SDF^［5］	1.260 9	1.396 2	2.087 8	2.164 7	2.284 9	2.444 7	0.378 2	0.554 0	0.942 2	1.267 9	1.411 7	1.824 9
AR^［12］	1.397 0	1.560 6	2.524 7	2.510 2	2.711 1	3.324 9	0.436 3	0.518 8	0.716 4	1.447 8	1.596 8	2.188 7
TGV^［11］	1.292 3	1.820 6	3.148 9	2.336 6	2.921 0	5.212 9	0.331 0	0.487 4	1.049 5	1.320 0	1.743 0	3.137 1
EIEM^［24］	0.870 8	1.457 1	2.443 2	1.470 0	2.227 8	3.588 2	0.290 0	0.452 7	0.805 5	0.876 9	1.379 2	2.279 0
本文算法	0.554 7	0.958 8	2.084 4	0.768 1	1.182 4	2.531 1	0.204 9	0.277 2	0.569 9	0.509 2	0.806 1	1.728 5

方法	Laundry			Reindeer			Dolls				平均值
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×	2×	4×	8×
MRF^［10］	1.358 5	1.575 4	2.324 8	2.354 4	2.657 6	3.780 8	0.360 9	0.511 3	0.939 7	1.357 8	1.581 4	2.348 4
GF^［3］	1.122 3	1.504 8	2.268 6	2.122 2	2.902 9	4.392 5	0.375 4	0.555 3	0.973 1	1.206 6	1.654 3	2.544 7
MSJF^［4］	1.508 4	1.765 6	3.135 9	2.698 3	3.072 6	5.066 3	0.405 6	0.448 8	0.685 0	1.537 4	1.762 3	2.962 4
SDF^［5］	1.260 9	1.396 2	2.087 8	2.164 7	2.284 9	2.444 7	0.378 2	0.554 0	0.942 2	1.267 9	1.411 7	1.824 9
AR^［12］	1.397 0	1.560 6	2.524 7	2.510 2	2.711 1	3.324 9	0.436 3	0.518 8	0.716 4	1.447 8	1.596 8	2.188 7
TGV^［11］	1.292 3	1.820 6	3.148 9	2.336 6	2.921 0	5.212 9	0.331 0	0.487 4	1.049 5	1.320 0	1.743 0	3.137 1
EIEM^［24］	0.870 8	1.457 1	2.443 2	1.470 0	2.227 8	3.588 2	0.290 0	0.452 7	0.805 5	0.876 9	1.379 2	2.279 0
本文算法	0.554 7	0.958 8	2.084 4	0.768 1	1.182 4	2.531 1	0.204 9	0.277 2	0.569 9	0.509 2	0.806 1	1.728 5

方法	Art			Book			Moebius			平均值
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×	2×	4×	8×
MRF^［10］	4.166 0	6.069 8	6.976 3	1.722 5	2.232 8	2.600 9	1.790 3	2.327 4	2.731 1	2.559 6	3.543 3	4.102 8
GF^［3］	3.219 3	3.948 7	5.559 3	2.380 2	2.515 5	3.100 4	2.466 7	2.615 7	3.052 2	2.688 7	3.026 6	3.904 0
MSJF^［4］	3.571 7	4.522 0	6.066 8	1.650 2	2.022 8	3.841 2	1.607 3	2.039 2	3.805 5	2.276 4	2.861 3	4.571 2
SDF^［5］	3.256 9	3.557 60	4.534 1	1.056 4	1.509 8	1.626 0	1.299 3	1.654 4	1.895 9	1.870 9	2.240 6	2.685 3
AR^［12］	3.705 2	3.779 0	4.886 1	1.864 8	2.043 1	2.639 5	1.822 7	2.075 0	2.441 2	2.464 2	2.632 4	3.322 3
TGV^［11］	3.478 0	4.418 8	6.110 0	1.026 7	2.006 7	3.270 0	1.142 1	2.191 7	3.820 6	1.882 3	2.872 4	4.400 2
EIEM^［24］	2.370 9	3.895 0	5.497 0	1.045 6	1.110 0	1.859 8	1.158 7	1.338 8	2.286 6	1.525 1	2.114 6	3.214 5
本文算法	2.123 2	2.812 0	4.005 5	1.014 9	1.446 2	2.016 0	1.114 3	1.561 5	2.131 2	1.417 5	1.939 9	2.717 6

基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

Depth image super-resolution based on shape-adaptive non-local regression and non-local gradient regularization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 24

相关文章 15

编辑推荐

Metrics

方法	Laundry			Reindeer			Dolls			平均值
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×	2×	4×	8×
MRF^［10］	3.242 2	3.744 8	4.311 9	4.153 1	5.998 4	6.513 7	1.657 2	2.163 8	2.489 8	3.017 5	3.969 0	4.438 5
GF^［3］	2.677 4	2.982 3	3.689 7	3.438 7	4.083 5	5.305 4	2.099 2	2.151 1	2.608 7	2.738 4	3.072 3	3.867 9
MSJF^［4］	2.326 2	3.127 1	4.561 8	3.514 1	4.278 4	6.296 1	1.283 6	1.842 2	2.719 0	2.374 6	3.082 6	4.525 6
SDF^［5］	1.879 5	2.012 9	3.093 8	2.664 1	3.115 1	3.443 8	1.074 9	1.439 2	2.026 1	1.872 8	2.189 1	2.854 6
AR^［12］	2.783 4	2.810 2	4.305 0	3.791 0	3.936 8	5.719 7	1.706 4	1.925 3	2.382 7	2.760 3	2.890 8	4.135 8
TGV^［11］	1.808 0	2.904 7	6.260 3	3.095 4	3.917 7	7.154 7	0.930 1	1.860 6	3.353 7	1.944 5	2.894 5	5.589 6
EIEM^［24］	2.033 0	2.676 8	4.495 4	3.030 6	3.638 5	6.051 4	1.015 3	1.415 8	2.111 1	2.026 3	2.577 0	4.219 3
本文算法	1.618 2	1.924 4	3.567 4	2.113 5	2.545 5	4.614 3	0.912 0	1.399 3	1.854 5	1.547 9	1.956 4	3.345 4

方法	Art			Book			Moebius
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×
NLG	t1.017 2	1.605 4	3.924 2	0.235 3	0.380 1	0.850 7	0.298 8	0.445 7	1.160 7
SA-NLR	0.992 0	1.582 9	3.166 0	0.231 3	0.463 9	0.988 9	0.247 1	0.400 5	0.770 3
本文方法	0.900 5	1.333 1	2.442 1	0.188 5	0.335 6	0.791 6	0.227 5	0.365 2	0.720 6

方法	Laundry			Reindeer			Dolls
方法	2×	4×	8×	2×	4×	8×	2×	4×	8×
NLG	0.775	1.190 6	2.612 4	0.973 1	1.767 4	3.997 4	0.312 7	0.487 5	0.707 6
SA-NLR	0.561 3	1.088 7	2.739 9	0.802 5	1.253 6	3.542 7	0.213 6	0.296 0	0.605 7
本文方法	0.554 7	0.958 8	2.084 4	0.768 1	1.182 4	2.531 1	0.204 9	0.277 2	0.569 9

[1]	王汇丰, 徐岩, 魏一铭, 王会真. 基于并联卷积与残差网络的图像超分辨率重建[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1570-1576.
[2]	张晔, 刘蓉, 刘明, 陈明. 基于多通道注意力机制的图像超分辨率重建网络[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1563-1569.
[3]	刘朋伟, 高媛, 秦品乐, 殷喆, 王丽芳. 基于多感受野的生成对抗网络医学MRI影像超分辨率重建[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 938-945.
[4]	李俊伯, 秦品乐, 曾建潮, 李萌. 基于超分辨率网络的CT三维重建算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 584-591.
[5]	王素玉, 杨静, 李越. 基于双注意力机制信息蒸馏网络的图像超分辨率复原算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 239-244.
[6]	牛康力, 谌雨章, 沈君凤, 曾张帆, 潘永才, 王绎冲. 基于深度学习的双通道夜视图像复原方法[J]. 计算机应用, 2021, 41(6): 1775-1784.
[7]	梁敏, 王昊榕, 张瑶, 李杰. 基于加速残差网络的图像超分辨率重建方法[J]. 计算机应用, 2021, 41(5): 1438-1444.
[8]	段友祥, 张含笑, 孙歧峰, 孙友凯. 基于拉普拉斯金字塔生成对抗网络的图像超分辨率重建算法[J]. 计算机应用, 2021, 41(4): 1020-1026.
[9]	卞鹏程, 郑忠龙, 李明禄, 何依然, 王天翔, 张大伟, 陈丽媛. 基于注意力融合网络的视频超分辨率重建[J]. 计算机应用, 2021, 41(4): 1012-1019.
[10]	王永金, 左羽, 吴恋, 崔忠伟, 赵晨洁. 基于注意力机制的图像超分辨率重建[J]. 计算机应用, 2021, 41(3): 845-850.
[11]	王海勇, 张开心, 管维正. 基于密集Inception的单图像超分辨率重建方法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3666-3671.
[12]	李萌, 秦品乐, 曾建潮, 李俊伯. 基于磁共振影像层间插值的超分辨率及多视角融合[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3362-3367.
[13]	林静, 黄玉清, 李磊民. 基于球形矩匹配与特征判别的图像超分辨率重建[J]. 计算机应用, 2020, 40(8): 2345-2350.
[14]	张豪, 张强, 邵思羽, 丁海斌. 深度学习在单图像三维模型重建的应用[J]. 计算机应用, 2020, 40(8): 2351-2357.
[15]	胡高鹏, 陈子鎏, 王晓明, 张开放. 基于深度渐进式反投影注意力网络的图像超分辨率重建[J]. 计算机应用, 2020, 40(7): 2077-2083.