在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率(Wide Deep Super-resol...在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率(Wide Deep Super-resolution,WDSR)网络的信道估计方法,把导频值通过最小二乘估计(Least Squares,LS)初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。展开更多
在广电超高清(4K、8K)产业发展的背景下,以深度学习为代表的人工智能技术在图像超分辨率领域发展迅速。我们以对抗生成超分辨率网络(SRGAN)为基础,结合语义分割概率图和迭代校验内核(IKC)技术,提出了新颖的图像超分辨率生成模型。此模...在广电超高清(4K、8K)产业发展的背景下,以深度学习为代表的人工智能技术在图像超分辨率领域发展迅速。我们以对抗生成超分辨率网络(SRGAN)为基础,结合语义分割概率图和迭代校验内核(IKC)技术,提出了新颖的图像超分辨率生成模型。此模型可根据应用需求对图像中的目标物体进行识别,并使生成的超高清图像纹理更加真实。为此,我们以广电媒资大数据为基础制作了IFTV(Images From TV)数据集,用以对广电常见应用场景(如人脸或文字较多的场景)进行优化训练,使该模型能够在多个场景中达到令人满意的图像超分辨率效果,为今后广电领域超高清内容制作提供有力支持。展开更多
文摘在广电超高清(4K、8K)产业发展的背景下,以深度学习为代表的人工智能技术在图像超分辨率领域发展迅速。我们以对抗生成超分辨率网络(SRGAN)为基础,结合语义分割概率图和迭代校验内核(IKC)技术,提出了新颖的图像超分辨率生成模型。此模型可根据应用需求对图像中的目标物体进行识别,并使生成的超高清图像纹理更加真实。为此,我们以广电媒资大数据为基础制作了IFTV(Images From TV)数据集,用以对广电常见应用场景(如人脸或文字较多的场景)进行优化训练,使该模型能够在多个场景中达到令人满意的图像超分辨率效果,为今后广电领域超高清内容制作提供有力支持。
