{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“讯息”：{“索引”：{“日期部分”：[[2024,5,9]]，“日期时间”：“2024-05-09T05:54:17Z”，“时间戳”：1715234057405}，“参考计数”：36，“出版商”：“工程技术学院（IET）”，“发行”：“5”，“许可证”：[{“开始”：{-“日期部分“：[2018,4,27]]，”日期时间“：”2018-04-27T00:00:00Z“，“时间戳”：1524787200000｝，“内容版本”：“vor”，“延迟天数”：0，“URL”：“http:\/\/onlinelibrary.wiley.com\/termsAndConditions#vor”｝]，“资助者”：[｛“DOI”：“10.13039\/50101100001809”，“名称”：“国家自然科学基金会”，“DOI断言者”：“发布者”，“奖项”：[“61571410”，“61672477”]｝]，“内容域”：｛“域”：[“ietreasure.onlinelibrary.wiley.com”]，“crossmark-restriction”：true}，“short-container-title”：[“IET Computer Vision”]，”published-print“：{”date-parts“：[[2018,8]]}，”abstract“：”本研究提出了一种基于自适应稀疏表示和自学习框架的新型超2010分辨率调节模型。模型中的保真度项保证了重建图像与观测图像的一致性。自适应稀疏调节项用自适应稀疏表示约束重构图像，通过产生合适的系数，成功地协调了稀疏表示和协同表示。为了构建更有效的字典，从底层图像块中提取高频特征，并将字典学习与稀疏表示相结合。为此，使用交替最小化算法将该模型划分为三个子问题，并使用交替方向乘数法和迭代反向投影法求解子问题。为了证明该方法的有效性，在一些通用图像上进行了附加实验。实验结果表明，该方法在视觉质量和抗噪性方面均取得了较好的效果<\/jats:p>“，”DOI“：”10.1049\/iet-cvi.2017.153“，”type“：”journal-article“，”created“：{”date-parts“：[[2018,3,20]]，”date-time“：”2018-03-20T02:17:22Z“，”timestamp“：1521512242000}，”page“：count“：10，”标题“：[”通过自适应稀疏表示和自学习实现图像超分辨率Sun”，“sequence”：“additional”，“affiliation”：[｛“name”：“中国浙江省杭州市吉良大学理学院310018”}]｝，｛“given”：“飞龙”，“family”：“Cao”，“sequence”：“additional”，“affiliation”：[｛“name”：“中华人民共和国浙江省杭州市中国计量大学科学院310018“}]}]，“成员”：“265”，“在线发布”：{“日期部分”：[[2018,4,27]]}，“参考”：[{“密钥”：“e_1_2_6_2_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.neucom.2015.09.012”}，{“key”：“e_1_2_6_3_2”，”doi-assert-by“：”publisher“，”doi“：”10.1016\/j.media.2014.11.006“}，{“key”：“e_1_2_6_4_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.imavis.2014.12.003”}，“key“：”e_1_i_6_5_2“，”doi-assert-by“：”publisher“doi”：“10.1109\/TASSP.1981.1163711”}，{“key”：“e_1_2_6_7_2”，“volume-title”：“计算机视觉中的数学模型”，“作者”：“Chan T.”，“年份”：“2004”}，{“key”：“e_1_2_6_8_2”，“doi-asserted-by”：“publisher”，”doi“：”10.1007\/s11263-005-3219-7“}，”{“密钥”：“e_1_2_6_9_2”，”doi-assert-by“：”publisher“publisher”，“doi”：“10.1109\/TIP.2009.2012908”}，{“key”：“e_1_2_6_11_2“，”首页“：”1“，”文章标题“：”使用梯度轮廓优先的图像超\u2010分辨率“，”卷“：”8“，”作者“：”Sun J.“，”年份“：”2008“，”日志标题“：“IEEE计算”。视觉。模式识别。“}，{”key“：”e_1_2_6_12_2“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/TNNLS.2015.2512563“}“，{“key”：“e_1_i_6_13_2”，“doi-assert-by”：“publisher”，“doi”：“10.1016\/j.ins.2015.07.004”}，“{”密钥“：”d_2_6/14_2“，”doi-asserted-by“:”publishers“，”“doi“:”10.1016\/j.jvcir.2016.02.015“}，{“key”：“e_1_2_6_15_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.ins.2014.11.032“}，{“key”：“e_1_2_6_16_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/TIP.2016.2564643”}，}“key”：”e_1_i_6_17_2“，”doi-assert-by“：”publisher“，”doi“：”10.1109\/TIP.2014.2305844“}”，{：“10.1109\\TIP.2010.2050625”}，{“key”：“e_1_2_6_19_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.knosys.2017.02.029“｝，｛“key”：“e_1_2_6_20_2”，“doi断言者”：“publisher”，“doi”：“10.1109\/ICP.2016.7532593”｝，｛“issue”：“5”，“key”：“e_1_2_6_21_2”，“doi断言者”：“crossref”，“首页”：“196”，“doi”：“10.1016\/j.neucom.2015.007.139”，“文章标题”：“一种基于稀疏表示和非u2010局部相似性的自学习图像超u2010分辨率方法10.1109\/TIP.2012.2192127“}，{“key”：“e_1_2_6_24_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/38.988747”}，}“keys”：“e_1_2_6_25_2”，”doi-assert-by“：”publisher“，”doi“：”10.1109\/TMM.2015.2512046 2010图像超\u2010分辨率“，”卷“：”99“，”作者：“张勇”，“年份”：“2017年”，“期刊标题”：“IEEE Trans。系统。人类网络。系统。“}，{”issue“：”26“，”key“：”e_1_2_6_27_2“，”首页“：”3556“，”article-title“：”使用高斯过程回归的单图像超分辨率，基于词典的采样和学生可能性“，”volume“：“7”，”author“：”Wang H.“，”year“：”2017“，”journal-title”：“IEEE Trans.image process.”}，”{“key”：“e_1_i_6_28_2”，”doi-asserted-by“：”publisher“，“DOI“：”10.1109\/TPAMI.2015.2439281“}，{“key”：“e_1_2_6_29_2”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1016\/j.patrec.2013.08.010”}，}“key”：”e_1_i_6_30_2“，”DOI-assert-by“：”publisher“，”DOI“:”10.1109\/ICCV.2009.5459271“}”，{”key“：”e_ 2_6_31_2“，”unstructured“：”Lin Z.Chen M。Ma Y.等人：\u2018\u2019 Eprint arXiv September 2010”}，{“key”：“e_1_2_6_32_2”，“unstructured”：“Lin Z.Liu R。Su Z.：\u2018\u2010低秩表示的自适应惩罚线性化交替方向方法\u2019。神经信息处理系统（NIPS）2011年进展，第612\u2013620页“}，{“key”：“e_1_2_6_33_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1090”\/S0025-5718-2012-02598-1“}”，{10.1006\/jvci.1993.1030“}，{“key”：“e_1_2_6_35_2”，“首页”：“2187”，“article-title”：“跟踪套索：相关设计的跟踪规范规范化”，“volume”：”24“，“author”：“Grave e.”，“year”：“2011”，“journal-title“：”Adv.Neur.Inf.Process.Syst.（NIPS）“}”，{”key“：”e_1_i_6_36_2“，”doi-asserted-by“：”publisher“，”doi“：”10.1137\/080738970“}，{”键“：”e_1_2_6_37_2“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/TIP.2003.819861“}]，”container-title“：[”IET Computer Vision“]，”original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/onlinelibrary.wiley.com\/doi\/pdf\/101049\/IET-cvi.2017.0153“，”content-type“：”application\/pdf“，“content-version”：“vor”“，”intended-application“：”text-mining“}，{”URL“：”https:\/\/onlinelibrary.wiley.com/doi\/full-xml\/10.1049\/iet-cvi.2017.153“，”content-type“：”application\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL“：”https:\//onlinelibrary.wiley.com\/doi\/pdf\/101049\/iet-cvi.2017.0153“，”内容-type应用程序“：”相似性检查“}]，“存放”：{“日期-部分”：[[2023,9,15]]，“日期-时间”：“2023-09-15T10:34:03Z”，“时间戳”：1694774043000}，“分数”：1，“资源”:{“主要”：{“URL”：“https:\/\/ietresearch.onlinelibrary.wiley.com\/doi\/10.1049\/iet-cvi.2017.0153”}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期-部分“：[[2018,4,27]]}，”引用计数“：36，”新闻期刊“：{”期刊“：“5”，“published-print”：{“date-parts”：[[2018,8]]}}，“alternative-id”：[“10.1049\/iet-cvi.2017.153”]，“URL”：“http://\/dx.doi.org\/10.1049\/iet-cvi.2017.0153”，“archive”：[”Portico“]，“relationship”：{}，”ISSN“：[”1751-9632“，“1751-9640”]，”“ISSN-type”：[{“值”：“1751-9632”，“类型”：“打印”}subject“：[]，”published“：{”date-parts“：[[2018,4,27]]}，”assertion“：[{”value“：”2017-03-15“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value”：“2018-03-18”，“order”：1，“name”:“accepted”，标签“：”出版物历史“}}，{“value“：”2018-04-27“，”order“：2，”name“：”published“，”label“：”published“，”group“：{”name“:”publication_history“，”标签“：”publication history“}}]}}