Super resolution reconstruction of noisy images based on dense residual connected U-shaped networks
-
摘要: 现有的图像超分辨率重建网络难以适用于煤矿井下噪声密集的应用场景，且多数网络通过增加深度提升性能会导致无法有效提取关键特征、高频信息丢失等问题。针对上述问题，提出了一种密集残差连接U型网络，用于对低分辨率噪声图像进行超分辨率重建。在特征提取路径中引入基于密集残差连接的去噪模块，通过密集连接的方式对图像特征进行充分提取，再利用残差学习的特点对低分辨率噪声图像进行有效去噪；在重建路径中引入残差特征注意力蒸馏模块，通过在残差块中融入增强特征注意力块，对不同空间的特征赋予不同的权重，加强网络对于图像关键特征的提取能力，同时减少图像细节特征在残差块中的损失，从而更好地恢复图像细节信息。在煤矿井下图像数据集及公共数据集上进行了对比实验，结果表明：在客观评价指标上，所提网络的结构相似度、图像感知相似度均优于对比网络，且在复杂度及运行速度上有着较好的均衡；在主观视觉效果上，所提网络重建的图像基本消除了原有图像噪声，有效恢复了图像的细节特征。Abstract: The existing image super-resolution reconstruction networks are difficult to apply to noise intensive application scenarios in coal mines. Most networks improve performance by increasing depth, which leads to problems such as ineffective extraction of key features and loss of high-frequency information. In order to solve the above problems, a dense residual connected U-shaped network is proposed for super-resolution reconstruction of low resolution noisy images. The denoising module based on dense residual connections is introduced in the feature extraction path, fully extracting image features through dense connections. The features of residual learning are used to effectively denoise low resolution noisy images. The residual feature attention distillation module is introduced in the reconstruction path, by incorporating enhanced feature attention blocks into the residual blocks, different weights are assigned to features in different spaces to enhance the network's capability to extract key image features. The loss of image detail features is reduced in the residual blocks, thus better restoring image detail information. Comparative experiments are conducted on coal mine underground image datasets and public datasets, and the results show that in terms of objective evaluation index, structure similarity and image perception similarity of the proposed network are superior to the comparison network. It has a good balance in complexity and running speed. In terms of subjective visual effects, the image reconstructed by the proposed network basically eliminates the original image noise and effectively restores the detailed features of the image.
-
0. 引言
为推动煤矿智能化发展，国家先后出台了一系列相关政策和规划[1-3]，针对煤矿智能化发展、能源领域5G 应用场景及阶段性发展目标给出了指导意见及实施方案。矿井通信是煤矿智能化发展不可或缺的一环，是煤矿智能化建设的重要技术支撑。
我国煤矿井下无线通信历经小灵通、WiFi、3G、4G等阶段，目前正处于4G转5G的过程中[4]。本文立足于煤矿行业无线通信理论研究和实践发展，对井下无线信号传输、井下无线通信系统特点和应用情况进行对比分析研究，总结了目前所面临的问题，并提出了未来发展方向。
1. 井下无线信号传输分析
与地面环境相比，煤矿井下无线电环境较简单，干扰较小，基站信噪处理更容易，但井下生产环境比较特殊：工作面设备多，且位置随开采掘进不断变化；巷道较长，转弯多且角度大；各类硐室比较多，硐室密闭性好。根据上述特性，得出无线通信覆盖设计要求：线性巷道覆盖占比大，信号覆盖硐室、工作面区域空间，通信量相对较少。
文献[5-6]通过理论计算和实验相结合的方式研究了电磁波频率对井下电磁波传输特性的影响，采用金属波导法分析了圆形、拱形及弯曲隧道中电磁波的传输特性，并给出衰减率近似公式，得出结论：在平直隧道中，频率越高，衰减率越小，越有利于电磁波传播；在弯曲隧道中，频率越高，衰减率越大，越不利于电磁波传播；900 MHz左右为井下无线通信系统最佳频段。
井下巷道是管状线性结构，适合采用定向天线提高覆盖距离；要提高信号源复用率，可采用功率分配方式或不同通道连接不同天线，后者无信号损耗，更适合巷道覆盖；硐室密闭性较好，适合采用吸顶天线，相邻硐室可用功率分配方式增加吸顶天线数量，提升覆盖范围；工作面较开阔，适合采用全向天线覆盖，并使用定向天线和吸顶天线补充覆盖盲点。
2. 井下无线通信系统的特点和应用
1） WiFi。WiFi技术设计目的是用于数据业务，特点是要求高带宽，但对实时性和移动性要求不高。WiFi技术井下覆盖距离短，有效距离不超过200 m；WiFi采用的是小区无线机制，设计上不考虑移动切换问题，即WiFi终端需先与当前基站中断连接，再重新搜索新的基站，因此WiFi终端无法保证无线通信的移动性和实时性，移动通信存在断续问题；由于WiFi标准设计没有定义语音业务，为了实现终端语音通话，需要封装基于IP的语音传输（Voice over Internet Protocol，VoIP）功能，开销大，延时高，通话质量差；缺乏专业的WiFi语音终端，终端兼容性差，终端可靠性和可延续性得不到保障[7]。WiFi适用于以无线数据通信应用为主、语音应用较少、对移动通信质量要求不高的场景。
WiFi6是一种新的WiFi标准，数据传输速率高达9.6 Gbit/s，具有如下特点：采用正交频分多址（Orthogonal Frequency Division Multiple Access，OFDMA）技术保障数据传输，速度更快；采用多用户多入多出（Multi-User Multiple-Input Multiple-Output，MU−MIMO）技术允许更多终端同时通信；采用目标唤醒技术减少终端射频发射次数和信号搜索频率，减少电量消耗，提升设备续航时间。WiFi6比之前的WiFi版本更加适应井下无线通信需求，并可用于智慧矿山宽带无线通信[8-9]。
2） 小灵通。小灵通初期应用于企业专网、区县范围的区域移动通信，优点是基站发射功率低，体积小，功耗低，易改造成为本质安全型防爆基站，适合煤矿井下移动语音应用。缺点是采用铜缆传输，传输距离不超过5 km，以语音业务为主，数据业务能力不足。小灵通在2009年前曾在煤矿井下大量部署[10]，3G井下无线通信系统出现后退出煤矿行业。
3） 3G。相对于WiFi和小灵通，3G通信呈现高速移动、宽带数据、视频通话等新特点，给矿山移动互联网和物联网应用提供了必要的网络基础[11-13]。煤矿无线通信自2009年开始进入了移动数字化时代，当时在煤矿井下大规模使用的主要有时分同步码分多址（Time Division-Synchronous Code Division Multiple Access，TD−SCDMA）制式和宽带码分多址（Wideband Code Division Multiple Access，WCDMA）制式。
TD−SCDMA是中国主导的3G标准，网络设备和手机终端全部实现国产化，没有专利陷阱。TD−SCDMA在相同频带内的时域上划分不同时段（时隙），上下行双工通信，时钟同步要求较严格。由于煤矿井下难以引入GPS/北斗的时钟信号源提供时钟同步，当时井下TD−SCDMA基站全部是使用专用光纤的射频拉远单元。
WCDMA作为3G时代产业链最成熟、网络部署最广泛、终端最丰富的技术，相关网络设备及终端均有强力的支持。WCDMA采用频分双工进行双工通信，当时井下WCDMA基站全部是接入以太网的飞基站。
4） 4G。煤矿井下4G通信网络2015年开始建设， 4G提高了速率和带宽，统一了制式，终端兼容，产业链丰富，生命周期长，完全适合煤矿井下无线通信需求，对井下无线通信系统来说是一次历史性的转变[14]。
5） 5G。5G具有超高的传输速率和用户密度、海量终端连接、超低时延、超高移动速度等。随着5G大规模商用，国家也在大力推动煤矿行业5G通信系统建设，5G已经成为了智能矿山的重要组成部分[15-16]。
井下5G无线通信系统在网络建设模式、语音支持、业务应用方面的特性如下。
网络建设模式：目前井下无线通信系统实际建设中主要是5G混合专网与5G独立专网。煤矿企业希望拥有安全可靠的自主5G专网系统，完全能够自己管控。理想模式下，可采用专有无线设备和核心网设备构建一张增强带宽、低时延、物理封闭的无线网络，实现用户语音通话与运营商公网完全隔离，且不受公网影响。
语音业务实现：在井下无线通信系统中，语音通信仍然是最基础的业务需求。4G无线通信系统采用的是长期演进语音承载（Voice over Long-Term Evolution，VoLTE）方式，WiFi采用的是VoIP方式，按照规范定义，5G可采用新空口承载语音（Voice over New Radio，VoNR）方式。测试表明，VoLTE/VoNR的语音通话质量优于VoIP方式，是首选方案。在井下无线覆盖中，目前大部分厂家的语音解决方案仍然延续了公网方式，通过4G/5G双模方式实现，增加了系统的部署复杂度与成本。5G 独立组网时，单网提供VoNR语音业务是需要尽快解决的问题，而在4G/5G混合组网时，需要实现4G/5G共用IP多媒体子系统（IP Multimedia Subsystem，IMS），研究4G与5G之间VoLTE语音与VoNR语音的无缝切换问题。
业务应用：移动语音和数据通信、高清移动视频监控与远程控制等业务已开始在井下推广应用，智能掘进、智能工作面等生产作业流程已经实现了与5G的结合[17-19]。
3. 目前面临的问题
3.1 技术融合问题
随着煤矿信息化、自动化及智能化的发展，各类监测监控系统在煤矿大量使用，各类通信技术也被广泛应用，如RS485、CAN等总线技术，工业以太网、光纤网等有线通信技术，4G、5G及WiFi等无线通信技术[20]。这些通信技术均具有各自的特点及在某些特殊场景下的应用优势，短时间内难以统一为一种技术。各类通信技术之间的互联互通存在一定壁垒，制约了煤矿智能感知的发展进程。因此，必须解决好各类技术的融合问题，使各通信系统能够及时有效地互联互通，实现井下各类工况、环境等信息的智能感知、智能决策和智能控制，推动煤矿智能化发展。
3.2 系统融合问题
煤矿应用系统包括煤矿安全监测监控系统、煤矿视频监控系统、煤矿灾害预警系统、煤矿安全隐患排查系统、煤矿动目标管理系统、煤矿供应链管理系统、办公自动化和应急预案管理系统等。随着智能化矿井的建设，需要这些系统能够实现信息共享，以便进行多源信息融合及综合利用，为矿井安全生产、协同作业、灾害预警、智能决策等提供数据支撑。但是，由于各系统由不同厂家提供，应用软件虽然可满足用户需求，但软件质量参差不齐，没有形成行业规范；各系统通信协议及硬件接口不一致，难以真正实现矿井各系统数据共享，严重影响了煤矿各系统的综合感知、信息交互及灾害预警能力，阻碍了煤矿信息化、智能化的发展进程。
3.3 设备功耗问题
煤矿井下环境特殊，在设备外壳防护、设备功耗、射频输出功率、设备最高表面温度等方面均有严格要求，只有符合相关国家标准、行业标准及规范并取得煤安证的产品才能在井下使用。5G、WiFi6等新技术的多路射频输入输出等特性增加了设备功耗，在矿用产品测试认证中存在大量新的挑战，如设备射频功率必须小于6 W的问题[21]，设备本身功耗大带来的散热及壳体设计问题，设备的供电及后备电源设计问题等。现有矿用5G基站等由于设备本身功耗大，只能做成功能单一的隔爆型产品，设备笨重、体积大，安装维护困难，制约了5G技术在矿井的普及推广。
4. 煤矿无线通信系统的发展方向
4.1 多技术融合发展
未来智能矿山通信既要支持高清视频监控所需的高带宽传输，也要支持智能工作面远程遥控所需的低时延、高可靠传输，还要支持井下万物互联的海量终端用户连接功能。不同场景对带宽、时延、功耗、可靠性有不同要求，单一的通信技术难以满足煤矿所有应用场景的需求，必须根据实际应用情况，选择适合的通信技术来满足应用需求，如WiFi6用于视频监控，5G用于远程遥控，UWB用于精确人员定位等。不同技术通过协议转换器、网关等设备实现融合，形成井上下多技术融合的一体化通信网络平台，为煤矿智能化提供可靠、适用的通信保障。
4.2 多系统有机融合
未来的智能矿山需综合运用云计算、物联网、大数据、地理信息系统、人工智能、数字孪生等技术，实现多系统有机融合，满足煤矿智能化全面感知、自主决策和敏捷响应需求。煤矿通信系统除了为其他系统提供基础的互联互通保障，还要实现煤矿各系统异构数据的互通共享，打破煤矿各系统间的数据壁垒。煤矿通信系统应提供标准接口、开放的网络架构、统一的用户数据，为监控、应急、生产等系统提供互联互通功能，并进一步提供统一数据报文，让数据在各系统内低延时、高并发、实时、同步地流通。
4.3 设备本安化和低功耗设计
矿用隔爆型设备功耗高、体积和质量大，在井下使用不便，且不能全范围使用，开发矿用本质安全型基站是未来智能矿山无线通信系统研究的重点。无线通信基站的功耗主要包括基带处理主芯片运算耗电、射频模块耗电、功率放大模块耗电3个部分：① 主芯片方面，可通过采用更低制程的主芯片提高算力，降低功耗，或通过ASIC芯片削减传统ARM架构下不需要的功能，实现紧凑架构，降低功耗，目前这2种方式都存在芯片研发瓶颈。② 射频模块方面，可通过软件无线电、系统级芯片（System on Chip，SoC）等减少射频模块的工作量，降低功耗，SoC是将部分功能分配给主芯片，还是依托芯片能力，短期内仍存在芯片自主化困难。③ 功率放大模块方面，可研制外置功率发大器，通过多制式功率放大器与主站分离设计，分摊功耗，同时研发多频段多入多出本质安全型矿用天线等设备，形成包括一站多制式多功能的本质安全型基站、多制式多频段本质安全型外置功放、多频段多入多出本质安全型矿用天线在内的整套全业务低功耗本安解决方案，推进无线通信基站的低功耗、本安化、多业务化研究。
5. 结语
煤矿井下无线通信技术随着地面通信技术的发展而不断演进，从小灵通、WiFi、3G到4G、5G，每一代无线通信技术都解决了当时矿井最主要的通信需求，促进了煤矿通信技术的发展。目前5G、WiFi6在传输速率、时延、可靠性及用户容量方面具有较大技术优势及较好的适用性，是近阶段矿用无线通信技术的主流解决方案。随着煤矿智能化的推进及通信技术的发展，多技术融合、多系统有机融合、设备本安化和低功耗设计等将成为当前井下无线通信系统的发展方向。
-
![]()
图 5 不同网络在Noise−Urban100上的图像超分辨率重建效果对比
Figure 5. Comparison of image super resolution reconstruction effect of different networks on Noise-Urban100
![]()
图 6 不同网络在Noise−B100上的图像超分辨率重建效果对比
Figure 6. Comparison of image super resolution reconstruction effect of different networks on Noise-B100
![]()
图 7 不同网络在Noise−场景1上的图像超分辨率重建效果对比
Figure 7. Comparison of image super resolution reconstruction effect of different networks on Noise-scenario 1
![]()
图 8 不同网络在Noise−场景2上的图像超分辨率重建效果对比
Figure 8. Comparison of image super resolution reconstruction effect of different networks on Noise-scenario 2
表 1 含有不同数量RFL的网络在Noise−Set14上的LPIPS和SSIM
Table 1 LPIPS and SSIM of network with different numbers of residual feature fusion layer on Noise-Set14
RFL数量 0 1 2 3 4 LPIPS 0.585 0.528 0.492 0.470 0.461 SSIM 0.627 0.669 0.717 0.752 0.763 
下载: 导出CSV
表 2 含有不同数量RFL的网络在Noise−B100上的LPIPS和SSIM
Table 2 LPIPS and SSIM of network with different numbers of residual feature fusion layer on Noise-B100
RFL数量 0 1 2 3 4 LPIPS 0.632 0.598 0.563 0.532 0.525 SSIM 0.650 0.665 0.671 0.682 0.688
下载: 导出CSV
表 3 消融实验结果
Table 3 Results of ablation experiments
DRCDM RFAM PSNR SSIM × × 30.12 0.8968 √ × 30.50 0.9306 × √ 30.42 0.9289 √ √ 30.58 0.9315
下载: 导出CSV
表 4 不同网络在测试集上的LPIPS对比
Table 4 Comparison of LPIPS of different networks on test set
测试集 缩放因子 LPIPS Bicubic ESPCN EDSR RCAN DBPN CSNLN NLSN EFDN Ours Noise−Set5 4 0.716 0.535 0.693 0.582 0.678 0.547 0.545 0.542 0.357 8 0.626 0.525 0.653 0.557 0.564 0.539 0.537 0.529 0.453 Noise−Set14 4 0.782 0.521 0.740 0.629 0.742 0.562 0.563 0.559 0.461 8 0.692 0.603 0.708 0.623 0.672 0.579 0.577 0.575 0.540 Noise−Urban100 4 0.894 0.671 0.715 0.681 0.707 0.677 0.675 0.672 0.492 8 0.782 0.681 0.798 0.712 0.718 0.675 0.672 0.673 0.612 Noise−B100 4 0.708 0.610 0.654 0.642 0.683 0.618 0.616 0.613 0.525 8 0.810 0.723 0.795 0.776 0.788 0.721 0.719 0.717 0.685 Noise−场景1 4 0.823 0.623 0.714 0.588 0.677 0.615 0.542 0.523 0.502 8 0.799 0.633 0.702 0.655 0.625 0.725 0.622 0.630 0.615 Noise−场景2 4 0.816 0.556 0.742 0.596 0.764 0.645 0.566 0.526 0.510 8 0.795 0.645 0.756 0.637 0.755 0.655 0.678 0.636 0.622
下载: 导出CSV
表 5 不同网络在测试集上的SSIM对比
Table 5 Comparison of SSIM of different networks on test set
测试集 缩放因子 SSIM Bicubic ESPCN EDSR RCAN DBPN CSNLN NLSN EFDN Ours Noise−Set5 4 0.599 0.697 0.602 0.675 0.608 0.692 0.695 0.697 0.736 8 0.565 0.672 0.552 0.612 0.587 0.632 0.638 0.640 0.712 Noise−Set14 4 0.567 0.707 0.592 0.611 0.588 0.630 0.637 0.636 0.763 8 0.538 0.647 0.508 0.598 0.551 0.647 0.653 0.655 0.701 Noise−Urban100 4 0.698 0.801 0.708 0.788 0.711 0.789 0.792 0.795 0.877 8 0.531 0.710 0.605 0.658 0.649 0.718 0.719 0.721 0.785 Noise−B100 4 0.563 0.651 0.617 0.635 0.573 0.645 0.648 0.651 0.688 8 0.496 0.522 0.472 0.495 0.493 0.525 0.528 0.531 0.559 Noise−场景1 4 0.814 0.789 0.846 0.855 0.823 0.845 0.865 0.845 0.878 8 0.768 0.723 0.756 0.745 0.755 0.767 0.774 0.792 0.802 Noise−场景2 4 0.717 0.723 0.712 0.746 0.742 0.748 0.789 0.768 0.799 8 0.623 0.633 0.625 0.645 0.665 0.672 0.674 0.682 0.701
下载: 导出CSV
表 6 不同网络的复杂度和运行速度对比
Table 6 Comparison of complexity and running speed of different networks
网络 参数量/106个 每秒浮点运算次数/109 每张图像耗时/ms SSIM EDSR 43.1 1 212 1 520 0.846 RCAN 16.0 352 960 0.855 DBPN 10.4 325 756 0.823 CSNLN 7.2 110 655 0.845 NLSN 6.7 105 602 0.865 EFDN 1.2 87 450 0.845 Ours 4.8 101 465 0.866
下载: 导出CSV
-
[1] 程德强,陈杰,寇旗旗,等. 融合层次特征和注意力机制的轻量化矿井图像超分辨率重建方法[J]. 仪器仪表学报,2022,43(8):73-84. CHENG Deqiang,CHEN Jie,KOU Qiqi,et al. Lightweight super-resolution reconstruction method based on hierarchical features fusion and attention mechanism for mine image[J]. Chinese Journal of Scientific Instrument,2022,43(8):73-84.
[2] ZHUANG Cheng,LI Minqi,ZHANG Kaibing,et al. Multi-level landmark-guided deep network for face super-resolution[J]. Neural Networks,2022,152:276-286. DOI: 10.1016/j.neunet.2022.04.026
[3] TAO Hongjiu,TANG Xinjian,LIU Jian,et al. Super resolution remote sensing image processing algorithm based on wavelet transform and interpolation[C]. Conference on Image Processing and Pattern Recognition in Remote Sensing,Barcelona,2003:259-263.
[4] YANG Qi,ZHANG Yanzhu,ZHAO Tiebiao. Example-based image super-resolution via blur kernel estimation and variational reconstruction[J]. Pattern Recognition Letters,2019,117:83-89. DOI: 10.1016/j.patrec.2018.12.008
[5] KANG Xuejing,DUAN Peiqi,XU Ruyu. Single image super-resolution based on mapping-vector clustering and nonlinear pixel-reconstruction[J]. Signal Processing:Image Communication,2022,100. DOI: 10.1016/j.image.2021.116501.
[6] 高青青,赵建伟,周正华. 基于递归多尺度卷积网络的图像超分辨率重建[J]. 模式识别与人工智能,2020,33(11):972-980. GAO Qingqing,ZHAO Jianwei,ZHOU Zhenghua. Image super-resolution reconstruction based on recursive multi-scale convolutional networks[J]. Pattern Recognition and Artificial Intelligence,2020,33(11):972-980.
[7] YANG Shuyuan,LIU Zhizhou,WANG Min,et al. Multitask dictionary learning and sparse representation based single-image super-resolution reconstruction[J]. Neurocomputing,2011,74(17):3193-3203. DOI: 10.1016/j.neucom.2011.04.014
[8] DONG Chao,LOY C C,HE Kaiming,et al. Learning a deep convolutional network for image super-resolution[C]. 13th European Conference on Computer Vision,Zurich,2014:184-199.
[9] DONG Chao,LOY C C,TANG Xiao'ou,et al. Accelerating the super-resolution convolutional neural network[C]. 14th European Conference on Computer Vision,Amsterdam,2016:391-407.
[10] SHI Wenzhe,CABALLERO J,HUSZAR F,et al. Real-Time single image and video super-resolution using an efficient sub-pixel convolutional neural network[C]. IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,2016:1874-1883.
[11] HE Kaiming,ZHANG Xiangyu,REN Shaoqing,et al. Deep residual learning for image recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,2016:770-778.
[12] KIM J,LEE J K,LEE K M. Accurate image super-resolution using very deep convolutional networks[J]. IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,2016:1646-1654.
[13] LIM B,SON S,KIM H,et al. Enhanced deep residual networks for single image super-resolution[C]. 30th IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops,Honolulu,2017:1132-1140.
[14] SEGU M,TONIONI A,TOMBARI F. Batch normalization embeddings for deep domain generalization[J]. Pattern Recognition,2023,135. DOI: 10.1016/j.patcog.2022.109115.
[15] ZHANG Yulun,LI Kunpeng,LI Kai,et al. Image super-resolution using very deep residual channel attention networks[C]. 15th European Conference on Computer Vision,Munich,2018:294-310.
[16] ZHANG Yulun,TIAN Yapeng,KONG Yu,et al. Residual dense network for image super-resolution[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Salt Lake City,2018:2472-2481.
[17] CHEN Liangliang,KOU Qiqi,CHENG Deqiang,et al. Content-guided deep residual network for single image super-resolution[J]. Optik,2020,202. DOI: 10.1016/j.ijleo.2019.163678.
[18] 程德强,郭昕,陈亮亮,等. 多通道递归残差网络的图像超分辨率重建[J]. 中国图象图形学报,2021,26(3):605-618. DOI: 10.11834/jig.200108 CHENG Deqiang,GUO Xin,CHEN Liangliang,et al. Image super-resolution reconstruction from multi-channel recursive residual networks[J]. Journal of Image and Graphics,2021,26(3):605-618. DOI: 10.11834/jig.200108
[19] WOO S,PARK J,LEE J,et al. CBAM:convolutional block attention module[C]. 15th European Conference on Computer Vision,Munich,2018:3-19.
[20] LIU Jie,TANG Jie,WU Gangshan. Residual feature distillation network for lightweight image super-resolution[C]. European Conference on Computer Vision Workshops,Glasgow,2020:41-55.
[21] BEVILACQUA M,ROUMY A,GUILLEMOT C,et al. Low-complexity single-Image super-resolution based on nonnegative neighbor embedding[C]. 23rd British Machine Vision Conference,Surrey,2012. DOI: 10.5244/C.26.135.
[22] ROMANO Y,PROTTER M,ELAD M. Single image interpolation via adaptive nonlocal sparsity-based modeling[J]. IEEE Transactions on Image Processing,2014,23(7):3085-3098. DOI: 10.1109/TIP.2014.2325774
[23] LIU Yun,CHENG Mingming,HU Xiaowen,et al. Richer convolutional features for edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2019,41(8):1939-1946. DOI: 10.1109/TPAMI.2018.2878849
[24] HUANG Jiabin,SINGH A,AHUJA N. Single image super-resolution from transformed self-exemplars[C]. IEEE Conference on Computer Vision and Pattern Recognition,Boston,2015:5197-5206.
[25] ZHANG Kai,ZUO Wangmeng,CHEN Yunjin,et al. Beyond a Gaussian denoiser:residual learning of deep CNN for image denoising[J]. IEEE Transactions on Image Processing,2017,26(7):3142-3155. DOI: 10.1109/TIP.2017.2662206
[26] ZHANG Kai,ZUO Wangmeng,ZHANG Lei. FFDNet:toward a fast and flexible solution for CNN-based image denoising[J]. IEEE Transactions on Image Processing,2018,27(9):4608-4622. DOI: 10.1109/TIP.2018.2839891
[27] HARIS M,SHAKHNAROVICH G,UKITA N. Deep back-projection networks for super-resolution[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Salt Lake City,2018:1664-1673.
[28] MEI Yiqun,FAN Yuchen,ZHOU Yuqian,et al. Image super-resolution with cross-scale non-local attention and exhaustive self-exemplars mining[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Seattle,2020:5689-5698.
[29] MEI Yiqun,FAN Yuchen,ZHOU Yuqian. Image super-resolution with non-local sparse attention[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Nashville,2021:3516-3525.
[30] WANG Yan. Edge-enhanced feature distillation network for efficient super-resolution[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops,New Orleans,2022:776-784.
-
期刊类型引用(8)
1. 杨文宇，胡小刚，刘朝，张楷鑫，王嘉宇，上官星驰. 智慧矿山透明瓦斯地质系统平台构建与应用. 能源与环保. 2025(03): 39-45+52 . 
百度学术
2. 贺炳伟，周明明，门少斌，张龙杰，李荣，李培煊，黄晓俊. 薄煤层井下主运巷道5G基站部署方案设计. 煤炭工程. 2025(03): 18-23 . 百度学术
3. 魏春贤，李涛，连昶锦. 时间敏感网络在煤矿的应用. 工矿自动化. 2024(S1): 65-68+99 . 本站查看
4. 侯录，闫晔，伍宪玉，侯江，赵连喜，高志，邱军军，刘玉明，伍玉娜，谢理，范亦铭. 铀矿井下无线网络技术适用性分析. 铀矿冶. 2024(03): 120-125 . 百度学术
5. 唐文明. 井下智能装备研究综述. 价值工程. 2024(30): 155-158 . 百度学术
6. 蒋栋. 基于5G技术的煤矿通信网络架构设计. 工矿自动化. 2024(S2): 96-98 . 本站查看
7. 张荣华. 5G通信技术在智能化煤矿中的应用研究. 低碳世界. 2023(11): 85-87 . 百度学术
8. 卓敏敏，赵立厂. 适应矿井线形空间的BLE多连接网络移动节点漫游通信方法. 煤矿机电. 2023(06): 10-14 . 百度学术
其他类型引用(10)
计量
- 文章访问数: 146
- HTML全文浏览量: 48
- PDF下载量: 14
- 被引次数: 18
