CN106875361B - 一种基于深度卷积神经网络去除泊松噪声的方法 - Google Patents
一种基于深度卷积神经网络去除泊松噪声的方法 Download PDFInfo
- Publication number
- CN106875361B CN106875361B CN201710086942.XA CN201710086942A CN106875361B CN 106875361 B CN106875361 B CN 106875361B CN 201710086942 A CN201710086942 A CN 201710086942A CN 106875361 B CN106875361 B CN 106875361B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- network
- poisson
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000008447 perception Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims 1
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000003252 repetitive effect Effects 0.000 claims 1
- 239000003814 drug Substances 0.000 abstract description 5
- 230000006978 adaptation Effects 0.000 abstract description 3
- 238000013499 data model Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明中提出的一种基于深度卷积神经网络去除泊松噪声的方法,其主要内容包括:网络架构、训练网络、监督框架、去除泊松噪声,其过程为,以噪声灰度图像作为输入,通过深度卷积神经网络DeNet,在每一层上均用3×3的卷积核对上一层输出进行卷积,然后提取最后一个通道与输入图像组合预测原图的清晰图像,产生对原始清晰图像的估计,最终输出所得清晰图像。本发明突破了对数据模型的依赖,易于通过训练适应某种数据类型,此外,高度可并行化可在GPU上进行快速运算,使得能够更快速得到更精确的图像,推动了医学和天文等领域后续工作的研究和发展。
Description
技术领域
本发明涉及图像去噪领域,尤其是涉及了一种基于深度卷积神经网络去除泊松噪声的方法。
背景技术
图像去噪常用于视频监控、医学、天文图像等领域,还原噪声图像并保留图像关键信息,即去除影响对图像源信息进行理解分析的因素,获得视觉更清晰的效果。具体地安全领域内可以在模糊视频中是帧中目标轮廓清晰以助于辨别特定人或物,而医学上,由于医学成像系统的复杂性常产生噪声导致医学图像质量下降,进而影响医学分析诊断系统分析的精确性,故去除泊松噪声可以使得医学分析诊断能够得到精确的图像利于医学后续工作。故尽可能的减少噪声、提高图像的质量,选用适当的方法尽可能地去除噪声干扰是一个非常重要的图像预处理步骤,换句话说图像去噪算法研究是一切图像处理的前提,具有相当重要的意义。
本发明提出了一种基于深度卷积神经网络去除泊松噪声的方法,采取监督的方法,并使用由深度神经网络所表现的强大表示能力,在没有明确依赖一个模型的情况下,学习去除泊松噪声。通过构建一个深度神经网络DeNet,接收噪声灰度图像作为输入,网络每一层均用3×3的卷积核对上一层输出进行卷积,然后提取最后一个通道与输入图像组合预测原图的清晰图像,产生对原始清晰图像的估计,最终输出所得清晰图像。本发明突破了对数据模型的依赖,易于通过训练适应某种数据类型,此外,高度可并行化可在GPU上进行快速运算,使得能够更快速得到更精确的图像,推动了医学和天文等领域后续工作的研究和发展。
发明内容
针对现有方法多需要更有效的对比推动研究的问题,本发明的目的在于提供一种基于深度卷积神经网络去除泊松噪声的方法,通过构建一个深度神经网络,采取监督的方法学习去除泊松噪声,易于通过训练适应某种数据类型,此外,高度可并行化可在GPU上进行快速运算,使得能够更快速得到更精确的图像,推动了医学和天文等领域后续工作的研究和发展。
为解决上述问题,本发明提供一种基于深度卷积神经网络去除泊松噪声的方法,其主要内容包括:
(一)网络架构;
(二)训练网络;
(三)监督框架;
(四)去除泊松噪声。
其中,所述的网络架构,是一个深度神经网络,用于将被泊松噪声污染的图像恢复成清晰图像,即去除泊松噪声,表示为DeNet,当网络估计噪声图像与清晰图像之间的差异时是以超分辨率为目的,并且与残差网络相似的是其权重梯度也是要通过后面的层并且直接从损失函数传播到每一层。
进一步地,所述的DeNet,DeNet网络接收噪声灰度图像作为输入,产生对原始清晰图像的估计,在每一层上,利用64个尺寸为3×3的卷积核在上一层输出上以步长为1做卷积,第63个输出通道用于计算后续步骤,而最后一个通道被提取出来直接与输入图像组合来预测清晰输出,这些提取层可以被视为负噪声成分因为它们的和抵销了噪声,网络包括20个卷积层,其中第18层使用非线性修正线性单元(ReLU),而最后两层完全保持线性。
其中,所述的训练网络,在采用数据流图用于数值计算的开源软件库中执行网络,对5000幅图像做240K次迭代,采用了64个尺寸为128×128的图像块,图像被转换为YCbCr,Y通道在经过峰值缩放并偏移后,用作输入灰度图像,为扩张数据,在训练过程中,随机对训练图像进行裁剪和翻转垂直轴得到新的图像块,此外,噪声实现也是随机的。
进一步地,所述的训练过程,使用自适应矩估计(ADAM)优化器完成训练,分别用不同的峰值单独训练网络,为避免卷积在图像块的边界产生伪图像,在训练期间使用l2损失在图像块的中心部分裁减了外部的21个像素。在测试时,将使用对称映射的21个像素在其通过网络传递之前用于填充图像,然后裁剪回原来的大小输出最终结果。
进一步地,所述的自适应矩估计(ADAM),利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,学习率为α=10-4,β1=0.9,β2=0.999和∈=10-8,优点主要在于经过偏置校正后,每一次迭代学习率都有个确定范围,使得参数比较平稳。
其中,所述的监督框架,是为泊松去噪而构建,使网络具备固有灵活性可对特定数据进行微调,此框架使用语义类作为先验,并构建类感知去噪器,即限制为特定语义类,其中类感知是通过训练而得,并非如一般方法是通过设计或用户手动提供而得,因此它可以自动扩展到任何类型或数量的类,例如,选择人脸去噪以获得个人清晰照片集合,或者,一个潜在地训练的同时另一个深度网络对噪声图像进行自动分类。
进一步地,所述的泊松噪声,既不是累加的也不是固定的,因为其强度取决于图像强度,当信噪比(SNR)在每个像素中是时,降低图像中的强度会产生更强的噪声,因此,利用Y的最大值(其峰值)定义图像中的噪声功率,假设强度值在整个动态范围内均匀分布时,此方法具有优越的性能,并且适用于大多数自然图像。
其中,所述的去除泊松噪声,使用语义类作为先验,并构建类感知去噪器,通过深度卷积神经网络DeNet,以噪声灰度图像作为输入,每一层均用3×3的卷积核对上一层输出进行卷积,然后提取最后一个通道与输入图像组合预测原图的清晰图像,产生对原始清晰图像的估计,最终输出所得清晰图像。
附图说明
图1是本发明一种基于深度卷积神经网络去除泊松噪声的方法的系统流程图。
图2是本发明一种基于深度卷积神经网络去除泊松噪声的方法的DeNet网络架构图。
图3是本发明一种基于深度卷积神经网络去除泊松噪声的方法的去噪流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于深度卷积神经网络去除泊松噪声的方法的系统流程图。主要包括网络架构、训练网络、监督框架、去除泊松噪声。
其中,所述的网络架构,是一个深度神经网络,用于将被泊松噪声污染的图像恢复成清晰图像,即去除泊松噪声,表示为DeNet,当网络估计噪声图像与清晰图像之间的差异时是以超分辨率为目的,并且与残差网络相似的是其权重梯度也是要通过后面的层并且直接从损失函数传播到每一层。
DeNet网络接收噪声灰度图像作为输入,产生对原始清晰图像的估计,在每一层上,利用64个尺寸为3×3的卷积核在上一层输出上以步长为1做卷积,第63个输出通道用于计算后续步骤,而最后一个通道被提取出来直接与输入图像组合来预测清晰输出,这些提取层可以被视为负噪声成分因为它们的和抵销了噪声,网络包括20个卷积层,其中第18层使用非线性修正线性单元(ReLU),而最后两层完全保持线性。
其中,所述的训练网络,在采用数据流图用于数值计算的开源软件库中执行网络,对5000幅图像做240K次迭代,采用了64个尺寸为128×128的图像块,图像被转换为YCbCr,Y通道在经过峰值缩放并偏移后,用作输入灰度图像,为扩张数据,在训练过程中,随机对训练图像进行裁剪和翻转垂直轴得到新的图像块,此外,噪声实现也是随机的。训练期间,使用自适应矩估计(ADAM)优化器完成训练,分别用不同的峰值单独训练网络,为避免卷积在图像块的边界产生伪图像,在训练期间使用l2损失在图像块的中心部分裁减了外部的21个像素。在测试时,将使用对称映射的21个像素在其通过网络传递之前用于填充图像,然后裁剪回原来的大小输出最终结果。
其中,所述的监督框架,是为泊松去噪而构建,使网络具备固有灵活性可对特定数据进行微调,此框架使用语义类作为先验,并构建类感知去噪器,即限制为特定语义类,其中类感知是通过训练而得,并非如一般方法是通过设计或用户手动提供而得,因此它可以自动扩展到任何类型或数量的类,例如,选择人脸去噪以获得个人清晰照片集合,或者,一个潜在地训练的同时另一个深度网络对噪声图像进行自动分类。
注意,泊松噪声既不是累加的也不是固定的,因为其强度取决于图像强度,当信噪比(SNR)在每个像素中是时,降低图像中的强度会产生更强的噪声,因此,利用Y的最大值(其峰值)定义图像中的噪声功率,假设强度值在整个动态范围内均匀分布时,此方法具有优越的性能,并且适用于大多数自然图像。
其中,所述的去除泊松噪声,使用语义类作为先验,并构建类感知去噪器,通过深度卷积神经网络DeNet,以噪声灰度图像作为输入,每一层均用3×3的卷积核对上一层输出进行卷积,然后提取最后一个通道与输入图像组合预测原图的清晰图像,产生对原始清晰图像的估计,最终输出所得清晰图像。
图2是本发明一种基于深度卷积神经网络去除泊松噪声的方法的DeNet网络架构图。DeNet网络接收噪声灰度图像作为输入,产生对原始清晰图像的估计,在每一层上,利用64个尺寸为3×3的卷积核在上一层输出上以步长为1做卷积,第63个输出通道用于计算后续步骤,而最后一个通道被提取出来直接与输入图像组合来预测清晰输出,这些提取层可以被视为负噪声成分因为它们的和抵销了噪声,网络包括20个卷积层,其中第18层使用非线性修正线性单元(ReLU),而最后两层完全保持线性。
图3是本发明一种基于深度卷积神经网络去除泊松噪声的方法的去噪流程图。以噪声灰度图像作为输入,通过深度卷积神经网络DeNet,每一层均用3×3的卷积核对上一层输出进行卷积,然后提取最后一个通道与输入图像组合预测原图的清晰图像,产生对原始清晰图像的估计,最终输出所得清晰图像。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (2)
1.一种基于深度卷积神经网络去除泊松噪声的方法,其特征在于,主要包括:
(一)构建去除泊松噪声深度卷积神经网络架构,具体包括:该网络架构用于去除泊松噪声,将被泊松噪声污染的图像恢复成清晰图像,网络估计噪声图像与清晰图像之间有差异,以达到超分辨率为目的,其权重梯度通过后面的层和直接从损失函数传播到每一层,DeNet网络接收噪声灰度图像作为输入,产生对原始清晰图像的估计;DeNet网络包括20个卷积层,其中前18层使用非线性修正线性单元(ReLU),最后两层完全保持线性;在每一层上,利用64个尺寸为3×3的卷积核在上一层输出上以步长为1做卷积,前63个输出通道用于计算后续步骤,而最后一个通道被提取出来直接与输入图像组合来预测清晰输出,这些提取层被视为负噪声成分,因为它们的和抵销了噪声;
(二)基于峰值利用Adam优化器进行网络训练,具体包括:首先构建数据集,在采用数据流图用于数值计算的开源软件库中执行DeNet网络,对5000幅图像做240K次迭代训练,选择64个尺寸为128×128的图像块,将图像块转换为YCbCr,Y通道作为输入灰度图像,在经过峰值缩放并偏移;为扩张数据同时实现随机噪声,在训练过程中,对训练图像进行随机裁剪并翻转垂直轴得到新的图像块;
使用自适应矩估计优化器训练,利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,学习率为α=10-4,β1=0.9,β2=0.999和∈=10-8,分别训练不同峰值的独立网络;为避免卷积在图像块的边界产生伪图像,在训练期间使用损失在图像块的中心部分裁减了外部的21个像素,在测试时,将使用对称映射的21个像素在其通过网络传递之前用于填充图像,然后裁剪回原来的大小输出最终结果;优点主要在于经过偏置校正后,每一次迭代学习率都有个确定范围,使得参数比较平稳;
(三)构建分类感知去噪器微调数据进行泊松去噪,具体包括:为泊松去噪而构建,使网络具备固有灵活性可对特定数据进行微调,此框架使用语义类作为先验,即限制为特定语义类,其中分类感知是通过训练而得,自动扩展到任何类型或数量的类,选择人脸去噪以获得个人清晰照片集合,一个潜在训练的同时另一个深度网络对噪声图像进行自动分类;通过深度卷积神经网络DeNet,以噪声灰度图像作为输入,每一层均用3×3的卷积核对上一层输出进行卷积,然后提取最后一个通道与输入图像组合预测原图的清晰图像,产生对原始清晰图像的估计,最终输出所得清晰图像。
2.基于权利要求1所述的基于深度卷积神经网络去除泊松噪声的方法,其特征在于,所述泊松噪声,具体包括:泊松噪声的强度取决于图像强度,既不是累加的也不是固定的,当信噪比在每个像素中是时,降低图像强度会产生更强的噪声,因此,利用Y的最大值,即峰值定义图像中的噪声功率,假设强度值在整个动态范围内均匀分布时,能够适用于大多数自然图像,具有优越的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710086942.XA CN106875361B (zh) | 2017-02-17 | 2017-02-17 | 一种基于深度卷积神经网络去除泊松噪声的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710086942.XA CN106875361B (zh) | 2017-02-17 | 2017-02-17 | 一种基于深度卷积神经网络去除泊松噪声的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875361A CN106875361A (zh) | 2017-06-20 |
CN106875361B true CN106875361B (zh) | 2019-06-04 |
Family
ID=59167490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710086942.XA Active CN106875361B (zh) | 2017-02-17 | 2017-02-17 | 一种基于深度卷积神经网络去除泊松噪声的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875361B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633296B (zh) * | 2017-10-16 | 2019-10-22 | 中国电子科技集团公司第五十四研究所 | 一种卷积神经网络构建方法 |
CN107798667A (zh) * | 2017-11-23 | 2018-03-13 | 中电科新型智慧城市研究院有限公司 | 基于残差学习的人脸增强方法 |
WO2019127233A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | Methods and apparatus to simulate sensor data |
CN108549910A (zh) * | 2018-04-17 | 2018-09-18 | 中国农业大学 | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 |
CN109003240B (zh) * | 2018-07-16 | 2021-07-27 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN109242798B (zh) * | 2018-09-14 | 2021-07-20 | 南昌大学 | 一种基于三段子网络表示的泊松去噪方法 |
US11308592B2 (en) * | 2018-10-04 | 2022-04-19 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, imaging apparatus, and storage medium, that correct a captured image using a neutral network |
CN109410149B (zh) * | 2018-11-08 | 2019-12-31 | 安徽理工大学 | 一种基于并行特征提取的cnn去噪方法 |
CN109636746B (zh) * | 2018-11-30 | 2020-09-08 | 上海皓桦科技股份有限公司 | 图像噪声去除系统、方法及设备 |
US10705170B1 (en) * | 2019-02-15 | 2020-07-07 | GE Precision Healthcare LLC | Methods and systems for removing spike noise in magnetic resonance imaging |
CN110062173A (zh) * | 2019-03-15 | 2019-07-26 | 北京旷视科技有限公司 | 图像处理器与图像处理方法、设备、存储介质及智能终端 |
CN110349103A (zh) * | 2019-07-01 | 2019-10-18 | 昆明理工大学 | 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法 |
CN110852966B (zh) * | 2019-11-04 | 2022-04-22 | 西北工业大学 | 基于深度卷积神经网络的图像噪声估计方法 |
CN113516237B (zh) * | 2020-04-09 | 2024-01-09 | 黑芝麻智能科技(重庆)有限公司 | 修剪卷积神经网络的方法 |
CN113096105A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种基于有向稀疏采样的手机屏幕缺陷检测方法 |
CN117495711B (zh) * | 2023-12-29 | 2024-03-29 | 深圳智能思创科技有限公司 | 图像标记去除方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894477A (zh) * | 2016-06-03 | 2016-08-24 | 深圳市樊溪电子有限公司 | 天文图像噪声去除方法 |
CN106204468A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于ReLU卷积神经网络的图像去噪方法 |
CN106203451A (zh) * | 2016-07-14 | 2016-12-07 | 深圳市唯特视科技有限公司 | 一种图像区域特征提取及特征匹配的方法 |
CN106250840A (zh) * | 2016-07-27 | 2016-12-21 | 中国科学院自动化研究所 | 基于深度学习的嘴巴张闭状态检测方法 |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
-
2017
- 2017-02-17 CN CN201710086942.XA patent/CN106875361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894477A (zh) * | 2016-06-03 | 2016-08-24 | 深圳市樊溪电子有限公司 | 天文图像噪声去除方法 |
CN106204468A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于ReLU卷积神经网络的图像去噪方法 |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
CN106203451A (zh) * | 2016-07-14 | 2016-12-07 | 深圳市唯特视科技有限公司 | 一种图像区域特征提取及特征匹配的方法 |
CN106250840A (zh) * | 2016-07-27 | 2016-12-21 | 中国科学院自动化研究所 | 基于深度学习的嘴巴张闭状态检测方法 |
Non-Patent Citations (3)
Title |
---|
Deep convolutional architecture for natural image denoising;Xuejiao Wang etc;《2015 International Conference on Wireless Communications & Signal Processing (WCSP)》;20151231;全文 |
Denoising Convolutional Neural Network;Qingyang Xu etc.;《2015 IEEE International Conference on Information and Automation》;20151231;全文 |
基于深度神经网络的ToF深度图像去噪研究;王雪姣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160531;摘要、1.3.1节 相机的误差来源分析、1.3.2ToF深度数据去噪算法、第3章 图像端映射的深度网络摸型设计以及第4章基于深度神经网络的ToF深度困像去噪研究 |
Also Published As
Publication number | Publication date |
---|---|
CN106875361A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875361B (zh) | 一种基于深度卷积神经网络去除泊松噪声的方法 | |
EP3989111A1 (en) | Video classification method and apparatus, model training method and apparatus, device and storage medium | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
WO2021027571A1 (zh) | 基于人工智能的医学图像处理方法、医学设备和存储介质 | |
CN104517110B (zh) | 一种二维码图像的二值化方法及系统 | |
JP2022548712A (ja) | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 | |
EP3992846A1 (en) | Action recognition method and apparatus, computer storage medium, and computer device | |
Panetta et al. | Tmo-net: A parameter-free tone mapping operator using generative adversarial network, and performance benchmarking on large scale hdr dataset | |
CN108229280A (zh) | 时域动作检测方法和系统、电子设备、计算机存储介质 | |
CN108492271A (zh) | 一种融合多尺度信息的自动图像增强系统及方法 | |
CN108764247B (zh) | 基于稠密连接的深度学习物体检测方法及装置 | |
CN112785507A (zh) | 图像处理方法及装置、存储介质、终端 | |
CN110675339A (zh) | 基于边缘修复和内容修复的图像修复方法及系统 | |
US20220414838A1 (en) | Image dehazing method and system based on cyclegan | |
CN114399454A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112862023B (zh) | 对象密度确定方法、装置、计算机设备和存储介质 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
KR20190139781A (ko) | 데이터 획득 시간 최소화를 위한 cnn 기반의 고해상도 영상 생성 장치 및 그 방법 | |
CN110807741A (zh) | 图像处理网络的训练方法、图像去噪方法及装置 | |
CN113298744B (zh) | 一种端到端的红外与可见光图像融合方法 | |
CN112085668B (zh) | 一种基于区域自适应自监督学习的图像色调映射的方法 | |
CN111724306A (zh) | 一种基于卷积神经网络的图像缩小方法及系统 | |
CN116612339A (zh) | 一种核性白内障图像分级模型的构建装置及分级装置 | |
CN113554047A (zh) | 图像处理模型的训练方法、图像处理方法及对应的装置 | |
CN116309213A (zh) | 一种基于生成对抗网络的高实时多源图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |