CN107945140A - 一种图像修复方法、装置及设备 - Google Patents
一种图像修复方法、装置及设备 Download PDFInfo
- Publication number
- CN107945140A CN107945140A CN201711384098.5A CN201711384098A CN107945140A CN 107945140 A CN107945140 A CN 107945140A CN 201711384098 A CN201711384098 A CN 201711384098A CN 107945140 A CN107945140 A CN 107945140A
- Authority
- CN
- China
- Prior art keywords
- image
- breakage
- maker
- intact
- mrow
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008439 repair process Effects 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008676 import Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 230000006378 damage Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种图像修复方法包括：由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；根据训练好的生成对抗网络对所述待修复的图像进行修复。根据训练好的生成对抗网络对待修复的图像进行修复，可以解决处理图像时需要使用修复区域模板的问题，并且通过生成对抗网络中的生成器中编码器和解码器之间的特征融合，可以有效的对大块的破损模块进行有效的修复。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种图像修复方法、装置及设备。
背景技术
我国历史悠久，古人遗留下来了大量的文人古画。这些古画历经几百上千年，对于了解人类文明的发展具有重要价值。但是由于自然风化或人为的破坏等原因，对它们造成不同程度的损失或者残缺，严重地影响了它们的视觉效果以及鉴赏价值。因此，修复它们是一项非常有价值和有意义的工作。
目前，图像修复主要分为两类：基于像素的修复算法、基于图像块的修复算法。其中，基于像素的修复算法是对像素点进行操作，一般用于修复小面积破损模块，主要包括基于偏微分方程(英文全称为Partial differential equation,英文简称为PDE)算法、基于邻域模板及插值的算法等。基于图像块的修复算法是对图像块进行操作，一般用于修复大面积的破损模块，其主要包括：基于样本的修复算法、基于纹理合成的修复算法等。
由于目前的图像修复技术需要用户提供待修复区域模板，制作模板的好坏直接影响图像最后的修复效果，并且仅对小范围的损坏有较好的效果，但当破坏区域较大时，纹理图像的破损模块的修复会产生平滑效果，同时会产生一定程度的模糊。
发明内容
有鉴于此，本发明实施例提供了一种图像修复方法、装置及设备，以解决现有技术中需要用户提供待修复区域模板，且当破坏区域较大时，纹理图像的破损模块的修复会产生平滑效果，同时会产生一定程度的模糊的问题。
本发明实施例的第一方面提供了一种图像修复方法，所述图像修复方法包括：
由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
根据训练好的生成对抗网络对所述待修复的图像进行修复。
结合第一方面，在第一方面的第一种可能实现方式中，所述由待修复的图像生成多个破损图像的步骤包括：
在待修复的图像的完好图像处生成多个破损模块；
将所述破损模块中每个像素点的像素值，与所述破损模块的像素点的位置对应的完好图像的像素点的像素值融合，生成多个破损图像。
结合第一方面，在第一方面的第二种可能实现方式中，所述通过所述生成对抗网络学习所述待修复的图像的特征的步骤包括：
将所述破损图像导入生成器，通过所述生成器生成复原图像，通过判断网络计算得到的所述复原物图像和完好图像的相似度，根据所计算的相似度优化训练所述生成器；
将破损图像导入优化后的生成器生成复原图像，将生成的复原图像和完好图像导入所述判断网络，对所述判断网络进行优化训练；
重复对所述生成器和所述判断网络进行优化训练到预定次数，或者所述生成器和所述判断网络收敛。
结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述将所述破损图像导入生成器，通过所述生成器生成复原图像的步骤包括：
将所述破损图像导入编码器，通过第一卷积核和第二卷积和交替进行卷积运算，对所述破损图像进行降维运算；
将降维后的图像导入解码器，选择第一卷积核作为反卷积核，结合编码器中相同维度的特征进行反卷积运算，生成所述破损图像对应的复原图像。
结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，所述通过判断网络计算得到的所述复原物图像和完好图像的相似度的步骤包括：
选用所述解码器使用的第一卷积核，对所述复原图像和完好图像进行卷积降维运算，对降维后的图像通过激活函数确定所述复原图像和所述完好图像的相似度。
结合第一方面的第二种可能实现方式，在第一方面的第五种可能实现方式中，所述根据所计算的相似度优化训练所述生成器的步骤包括：
根据所计算的相似度优化训练所述生成器的损失函数：
LG(G,D)＝λa×Lg+λb×L1，其中，LG表示生成器的损失函数，且
G和D分别表示生成器和判别器，Lg是生成器的损失，且L1是生成器输出的复原图像和对应完好图像像素点插值的L1范数，λa和λb分别是Lg和L1的预定义权重，log表示对数函数，eps是预定义的参数，x表示破损图像，y表示完好图像，pdata(x,y)表示由破损图像和完好图像构成的数据集，G(x)表示生成器由破损图像生成的复原图像，D(G(x))表示判别器对生成器生成的复原图像进行判别的结果，E表示对数据集中每个数据所得结果的平均值；
所述将破损图像导入优化后的生成器生成复原图像，将生成的复原图像和完好图像导入所述判断网络，对所述判断网络进行优化训练的步骤包括：
根据复原图像优化训练所述判断网络的损失函数：
其中，LD表示判别器的损失函数，x表示破损图像，y表示完好图像，G和D分别表示生成器和判别器，pdata(x,y)表示由破损图像和完好图像构成的数据集，G(x)表示生成器由破损图像生成的复原图像，D(G(x))表示判别器对生成器生成的复原图像进行判别的结果，E表示对数据集中每个数据所得结果的平均值。
本发明实施例的第二方面提供了一种图像修复装置，所述图像修复装置包括：
破损图像生成单元，用于由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
学习单元，用于将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
修复单元，用于根据训练好的生成对抗网络对所述待修复的图像进行修复。
结合第二方面，在第二方面的第一种可能实现方式中，所述破损图像生成单元包括：
破损模块生成子单元，用于在待修复的图像的完好图像处生成多个破损模块；
叠加子单元，用于将所述破损模块中每个像素点的像素值，与所述破损模块的像素点的位置对应的完好图像的像素点的像素值融合，生成多个破损图像。
本发明实施例的第三方面提供了一种图像修复设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述图像修复方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述图像修复方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：根据待修改的图像生成多个破损图像，根据破损图像以及破损图像的位置所对应的完好图像导入生成对抗网络进行学习，从而根据训练好的生成对抗网络对待修复的图像进行修复，可以解决处理图像时需要使用修复区域模板的问题，并且通过生成对抗网络中的生成器中编码器和解码器之间的特征融合，可以有效的对大块的破损模块进行有效的修复。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像修复方法的实现流程示意图；
图2是本发明实施例提供的一种生成破损图像方法的实现流程示意图；
图3是本发明实施例提供的一种通过所述生成对抗网络学习所述待修复的图像的特征方法的实现流程示意图；
图4是本发明实施例提供的一种生成器生成复原图像方法的实现流程示意图；
图4a为本申请实施例提供的生成器示意图；
图5是本发明实施例提供的一种通过判断网络计算得到的所述复原物图像和完好图像的相似度方法的流程示意图；
图5a为本申请实施例提供的判断器示意图；
图6为本发明实施例提供的一种图像修复装置的结构示意图；
图7是本发明实施例提供的图像修复设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种图像修复方法的实现流程示意图，详述如下：
在步骤S101中，由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
具体的，所述待修复图像包括破损图像，以及部分完好图像。所述破损图像可以为大区域的破损图像。
所述破损图像的生成，如图2所示，可以包括如下步骤：
在步骤S201中，在待修复的图像的完好图像处生成多个破损模块；
在待修复的图像中的完好图像的区域范围内，可以任意指定多个破损模块，所述破损模块的大小、形状、面积均可以任意指定。在生成所述破损模块后，可以记录所述破损模块的形状，从而可以根据所述破损模块的形状，查找得到该破损模块的形状所对应的多个完好图像的像素信息。
所述破损模块可以由用户指定生成，也可以由系统随机生成。破损模块的个数可以根据训练的需要生成多个。所述破损模块的形状可以为包括多个不同形状、不同大小的模块。另外，为了更为有效的对破损图像进行修复，所述破损模块的形状所对应的完好图像可以选择与所述待修复区域较为相似的完好图像的位置，从而使得生成对抗网络能够更有效的学习到有用的特征。
在步骤S202中，将所述破损模块中每个像素点的像素值，与所述破损模块的像素点的位置对应的完好图像的像素点的像素值融合，生成多个破损图像。
在获取破损模块后，根据记录所述破损模块的形状，比如可以为破损模块的形状的拐点的坐标等，在待修复的图像中查找到与所述破损模块的形状对应的多个完好图像的区域，所查找的完好图像的区域与所述破损模块的形状一致，且完好图像中的像素点与破损模块的像素点的个数均对应。
根据查找到的完好图像，将完好图像中的每个像素点与破损模块中对应位置的像素点融合，可以得到由破损模块的像素点与完好图像的像素点融合后的像素。
所述完好图像中的每个像素点与破损模块中对应位置的像素点融合，可以直接将完好图像的像素点的像素值与破损模块的像素点的像素值相加，或者按照一定的比例相加，比如完好图像的像素点的像素值乘以预定的比例值后相加等，生成融合后的图像，即破损图像。
在步骤S102中，将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
根据步骤S101可以生成多个破损图像，查找所述破损图像的形状、位置所对应完好图像，并将破损图像与查找的完好图像进行拼接，可以得到多个拼接图像，可以将多个所述拼接图像作为训练样本，导入到生成对抗网络进行训练。通过生成拼接图像的方式，可以方便对训练样本进行存储，并且在后续的使用过程中，可以在拼接图像中快速的确定破损图像和与其位置、形状相对应的完好图像，可以有效的提高训练和计算的效率。
如图3所示为通过所述生成对抗网络学习所述待修复的图像的特征的实现流程示意图，包括：
在步骤S301中，将所述破损图像导入生成器，通过所述生成器生成复原图像，通过判断网络计算得到的所述复原物图像和完好图像的相似度，根据所计算的相似度优化训练所述生成器；
所述生成器可以包括编码器和解码器，通过编码器对破损图像进行卷积运算，可以对破损图像的特征的维度进行降维运算，得到降维后的图像。然后可以通过编码器对降维后的图像进行反卷积的升给运算，并且在升级运算过程中，结合与所述编码器中的特征的维度相同的编码器中的特征进行运算。具体可以如图4所示，包括：
在步骤S401中，将所述破损图像导入编码器，通过第一卷积核和第二卷积和交替进行卷积运算，对所述破损图像进行降维运算；
所述生成器可以包括22层，如图4a所示的生成器示意图中，所述第一卷积核和第二卷积核分别为4*4卷积核和3*3卷积核，在编码器的前两层先采用4*4的卷积核，然后3*3和4*4的卷积核交替使用，在卷积过程中，特征维度由128维逐渐下载到64维、32维、16维、8维、4维、2维，最后降至1维。随着特征维度的降低，所对应的每层的总特征数分别为N、2N、4N、8N，其中，N为64。
在步骤S402中，将降维后的图像导入解码器，选择第一卷积核作为反卷积核，结合编码器中相同维度的特征进行反卷积运算，生成所述破损图像对应的复原图像。
在解码器对降维后的图像进行解码时，选择第一卷积核，如图4a中选择4*4卷积核对降维后的图像进行反卷积运算，并且运算过程中结合运算的图像特征维度相同的编码器中图像的特征进行运算，从而可以有效的提高复原图像生成的准确度。
在步骤S302中，将破损图像导入优化后的生成器生成复原图像，将生成的复原图像和完好图像导入所述判断网络，对所述判断网络进行优化训练；
由所述生成器生成所述破损图像对应的复原图像后，通过判别器对复原图像进行相似度的判断，可以如图5所示，包括：
在步骤S501中，选用所述解码器使用的第一卷积核，对所述复原图像和完好图像进行卷积降维运算；
如图5a所示，所述第一卷积核为3*3的卷积核。通过3*3的反卷积核对复原图像和完好图像进行反卷积运算，图中包括9层结构对图像进行反卷积运算，使图像的特征维度降低至32*32维。
在步骤S502中，对降维后的图像通过激活函数确定所述复原图像和所述完好图像的相似度。
对降维后的图像，可以选用激活函数对降维后的图像进行判断，比如可以使用sigmoid函数(是一个在生物学中常见的S型的函数，也称为S型生长曲线)，计算降维后的图像的值，比如大于0.5则认为是完好图像，小于0.5则是复原图像。
在步骤S303中，重复对所述生成器和所述判断网络进行优化训练到预定次数，或者所述生成器和所述判断网络收敛。
通过步骤S301和步骤S302反复的交替优化，使得生成器的损失函数和判别器的损失函数得到进一步优化。其中，所述根据所计算的相似度优化训练所述生成器的步骤包括：
根据所计算的相似度优化训练所述生成器的损失函数：
LG(G,D)＝λa×Lg+λb×L1，其中，LG表示生成器的损失函数，且
G和D分别表示生成器和判别器，Lg是生成器的损失，且L1是生成器输出的复原图像和对应完好图像像素点插值的L1范数，λa和λb分别是Lg和L1的预定义权重，log表示对数函数，eps是预定义的参数，x表示破损图像，y表示完好图像，pdata(x,y)表示由破损图像和完好图像构成的数据集，G(x)表示生成器由破损图像生成的复原图像，D(G(x))表示判别器对生成器生成的复原图像进行判别的结果，E表示对数据集中每个数据所得结果的平均值；
所述将破损图像导入优化后的生成器生成复原图像，将生成的复原图像和完好图像导入所述判断网络，对所述判断网络进行优化训练的步骤包括：
根据复原图像优化训练所述判断网络的损失函数：
其中，LD表示判别器的损失函数，x表示破损图像，y表示完好图像，G和D分别表示生成器和判别器，pdata(x,y)表示由破损图像和完好图像构成的数据集，G(x)表示生成器由破损图像生成的复原图像，D(G(x))表示判别器对生成器生成的复原图像进行判别的结果，E表示对数据集中每个数据所得结果的平均值。
通过生成器和判别器迭代，可以使用优化函数Adam函数(是一种基于一阶梯度来优化随机目标函数的算法)等，对所述生成器的损失函数和判别器的损失函数。
在步骤S103中，根据训练好的生成对抗网络对所述待修复的图像进行修复。
经过生成器和判别器的交替迭代优化，得到训练好的生成对抗网络，可以对图像中的破损区域进行修复操作，生成修复后的图像。由于本申请可以根据训练好的生成对抗网络对待修复的图像进行修复，可以解决处理图像时需要使用修复区域模板的问题，并且通过生成对抗网络中的生成器中编码器和解码器之间的特征融合，可以有效的对大块的破损模块进行有效的修复。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图6本为本申请实施例提供的一种图像修复装置的结构示意图，详述如下：
本申请实施例所述图像修复装置，包括：
破损图像生成单元601，用于由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
学习单元602，用于将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
修复单元603，用于根据训练好的生成对抗网络对所述待修复的图像进行修复。
优选的，所述破损图像生成单元包括：
破损模块生成子单元，用于在待修复的图像的完好图像处生成多个破损模块；
叠加子单元，用于将所述破损模块中每个像素点的像素值，与所述破损模块的像素点的位置对应的完好图像的像素点的像素值融合，生成多个破损图像。
图6所述图像修复装置与图1所述的图像修复方法对应。
图7是本发明一实施例提供的图像修复设备的示意图。如图7所示，该实施例的图像修复设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如图像修复的程序。所述处理器70执行所述计算机程序72时实现上述各个图像修复方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至603的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述图像修复设备7中的执行过程。例如，所述计算机程序72可以被分割成破损图像生成单元、学习单元和修复单元，各单元具体功能如下：
破损图像生成单元，用于由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
学习单元，用于将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
修复单元，用于根据训练好的生成对抗网络对所述待修复的图像进行修复。
所述图像修复设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像修复设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是图像修复设备7的示例，并不构成对图像修复设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述图像修复设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述图像修复设备7的内部存储单元，例如图像修复设备7的硬盘或内存。所述存储器71也可以是所述图像修复设备7的外部存储设备，例如所述图像修复设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述图像修复设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述图像修复设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像修复方法，其特征在于，所述图像修复方法包括：
由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
根据训练好的生成对抗网络对所述待修复的图像进行修复。
2.根据权利要求1所述的图像修复方法，其特征在于，所述由待修复的图像生成多个破损图像的步骤包括：
在待修复的图像的完好图像处生成多个破损模块；
将所述破损模块中每个像素点的像素值，与所述破损模块的像素点的位置对应的完好图像的像素点的像素值融合，生成多个破损图像。
3.根据权利要求1所述的图像修复方法，其特征在于，所述通过所述生成对抗网络学习所述待修复的图像的特征的步骤包括：
将所述破损图像导入生成器，通过所述生成器生成复原图像，通过判断网络计算得到的所述复原物图像和完好图像的相似度，根据所计算的相似度优化训练所述生成器；
将破损图像导入优化后的生成器生成复原图像，将生成的复原图像和完好图像导入所述判断网络，对所述判断网络进行优化训练；
重复对所述生成器和所述判断网络进行优化训练到预定次数，或者所述生成器和所述判断网络收敛。
4.根据权利要求3所述的图像修复方法，其特征在于，所述将所述破损图像导入生成器，通过所述生成器生成复原图像的步骤包括：
将所述破损图像导入编码器，通过第一卷积核和第二卷积和交替进行卷积运算，对所述破损图像进行降维运算；
将降维后的图像导入解码器，选择第一卷积核作为反卷积核，结合编码器中相同维度的特征进行反卷积运算，生成所述破损图像对应的复原图像。
5.根据权利要求4所述的图像修复方法，其特征在于，所述通过判断网络计算得到的所述复原物图像和完好图像的相似度的步骤包括：
选用所述解码器使用的第一卷积核，对所述复原图像和完好图像进行卷积降维运算；
对降维后的图像通过激活函数确定所述复原图像和所述完好图像的相似度。
6.根据权利要求3所述图像修复方法，其特征在于，所述根据所计算的相似度优化训练所述生成器的步骤包括：
根据所计算的相似度优化训练所述生成器的损失函数：
LG(G,D)＝λa×Lg+λb×L1，其中，LG表示生成器的损失函数，且
G和D分别表示生成器和判别器，Lg是生成器的损失，且L1是生成器输出的复原图像和对应完好图像像素点差值的L1范数的平均值，λa和λb分别是Lg和L1的预定义权重，log表示对数函数，eps是预定义的参数，x表示破损图像，y表示完好图像，pdata(x,y)表示由破损图像和完好图像构成的数据集，G(x)表示生成器由破损图像生成的复原图像，D(G(x))表示判别器对生成器生成的复原图像进行判别的结果，E表示对数据集中每个数据所得结果的平均值；
所述将破损图像导入优化后的生成器生成复原图像，将生成的复原图像和完好图像导入所述判断网络，对所述判断网络进行优化训练的步骤包括：
根据复原图像优化训练所述判断网络的损失函数：
<mrow>
<msub>
<mi>L</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>y</mi>
<mo>~</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
<mo>+</mo>
<mi>e</mi>
<mi>p</mi>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>x</mi>
<mo>~</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>D</mi>
<mo>(</mo>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>e</mi>
<mi>p</mi>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中，LD表示判别器的损失函数，x表示破损图像，y表示完好图像，G和D分别表示生成器和判别器，pdata(x,y)表示由破损图像和完好图像构成的数据集，G(x)表示生成器由破损图像生成的复原图像，D(G(x))表示判别器对生成器生成的复原图像进行判别的结果，E表示对数据集中每个数据所得结果的平均值。
7.一种图像修复装置，其特征在于，所述图像修复装置包括：
破损图像生成单元，用于由待修复的图像生成多个破损图像，确定所述破损图像所在位置对应的完好图像，所述破损图像为破损图像与完好图像融合的图像；
学习单元，用于将所生成的多个破损图像与所述破损图像所在位置对应的完好图像作为训练样本，导入生成对抗网络的生成器，对生成器中的编码器和解码器之间进行特征融合，通过所述生成对抗网络学习所述待修复的图像的特征；
修复单元，用于根据训练好的生成对抗网络对所述待修复的图像进行修复。
8.根据权利要求7所述的图像修复装置，其特征在于，所述破损图像生成单元包括：
破损模块生成子单元，用于在待修复的图像的完好图像处生成多个破损模块；
叠加子单元，用于将所述破损模块中每个像素点的像素值，与所述破损模块的像素点的位置对应的完好图像的像素点的像素值融合，生成多个破损图像。
9.一种图像修复设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述图像修复方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述图像修复方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711384098.5A CN107945140A (zh) | 2017-12-20 | 2017-12-20 | 一种图像修复方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711384098.5A CN107945140A (zh) | 2017-12-20 | 2017-12-20 | 一种图像修复方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107945140A true CN107945140A (zh) | 2018-04-20 |
Family
ID=61941978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711384098.5A Pending CN107945140A (zh) | 2017-12-20 | 2017-12-20 | 一种图像修复方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107945140A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460830A (zh) * | 2018-05-09 | 2018-08-28 | 厦门美图之家科技有限公司 | 图像修复方法、装置及图像处理设备 |
| CN108711141A (zh) * | 2018-05-17 | 2018-10-26 | 重庆大学 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
| CN108765315A (zh) * | 2018-05-04 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像补全方法、装置、计算机设备及存储介质 |
| CN108765340A (zh) * | 2018-05-29 | 2018-11-06 | Oppo（重庆）智能科技有限公司 | 模糊图像处理方法、装置及终端设备 |
| CN108885787A (zh) * | 2018-07-06 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
| CN108961174A (zh) * | 2018-05-24 | 2018-12-07 | 北京飞搜科技有限公司 | 一种图像修复方法、装置以及电子设备 |
| CN109118467A (zh) * | 2018-08-31 | 2019-01-01 | 武汉大学 | 基于生成对抗网络的红外与可见光图像融合方法 |
| CN109165664A (zh) * | 2018-07-04 | 2019-01-08 | 华南理工大学 | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 |
| CN109472838A (zh) * | 2018-10-25 | 2019-03-15 | 广东智媒云图科技股份有限公司 | 一种素描生成方法及装置 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN109658346A (zh) * | 2018-11-13 | 2019-04-19 | 达闼科技（北京）有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
| CN109712092A (zh) * | 2018-12-18 | 2019-05-03 | 上海中信信息发展股份有限公司 | 档案扫描图像修复方法、装置及电子设备 |
| CN109712098A (zh) * | 2019-01-08 | 2019-05-03 | 重庆邮电大学 | 一种基于统计推理的图像修复方法 |
| CN109727209A (zh) * | 2018-12-13 | 2019-05-07 | 北京爱奇艺科技有限公司 | 一种确定残缺文物完整图像的方法及装置 |
| CN109903236A (zh) * | 2019-01-21 | 2019-06-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN110246216A (zh) * | 2019-05-28 | 2019-09-17 | 中国科学院深圳先进技术研究院 | 脊柱模型生成方法、脊柱模型生成系统及终端 |
| CN110473226A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
| CN110544214A (zh) * | 2019-08-21 | 2019-12-06 | 北京奇艺世纪科技有限公司 | 一种图像修复方法、装置及电子设备 |
| CN110569864A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像生成方法和装置 |
| CN110874819A (zh) * | 2018-08-29 | 2020-03-10 | 中国电信股份有限公司 | 视频图像修复方法、装置以及存储介质 |
| CN111242874A (zh) * | 2020-02-11 | 2020-06-05 | 北京百度网讯科技有限公司 | 图像修复的方法、装置、电子设备和存储介质 |
| CN111402156A (zh) * | 2020-03-11 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 一种涂抹图像的复原方法、装置及存储介质和终端设备 |
| CN111724310A (zh) * | 2019-03-21 | 2020-09-29 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
| CN112132172A (zh) * | 2020-08-04 | 2020-12-25 | 绍兴埃瓦科技有限公司 | 基于图像处理的模型训练方法、装置、设备和介质 |
| CN112365422A (zh) * | 2020-11-17 | 2021-02-12 | 重庆邮电大学 | 基于深层聚合网络的不规则缺失图像修复方法及其系统 |
| CN112465718A (zh) * | 2020-11-27 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
| CN113096037A (zh) * | 2021-03-31 | 2021-07-09 | 北京交通大学 | 一种基于深度学习的轮对光条图像的修复方法 |
| CN113570508A (zh) * | 2020-04-29 | 2021-10-29 | 上海耕岩智能科技有限公司 | 图像修复方法及装置、存储介质、终端 |
| CN113643564A (zh) * | 2021-07-27 | 2021-11-12 | 中国科学院深圳先进技术研究院 | 一种停车数据修复方法、装置、计算机设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376535A (zh) * | 2014-11-04 | 2015-02-25 | 徐州工程学院 | 一种基于样本的快速图像修复方法 |
| CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| US20170091588A1 (en) * | 2015-09-02 | 2017-03-30 | Sam Houston State University | Exposing inpainting image forgery under combination attacks with hybrid large feature mining |
| CN107133934A (zh) * | 2017-05-18 | 2017-09-05 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
-
2017
- 2017-12-20 CN CN201711384098.5A patent/CN107945140A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376535A (zh) * | 2014-11-04 | 2015-02-25 | 徐州工程学院 | 一种基于样本的快速图像修复方法 |
| US20170091588A1 (en) * | 2015-09-02 | 2017-03-30 | Sam Houston State University | Exposing inpainting image forgery under combination attacks with hybrid large feature mining |
| CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| CN107133934A (zh) * | 2017-05-18 | 2017-09-05 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| RAYMOND A. YEH: ""Semantic Image Inpainting with Deep Generative Models"", 《ARXIV》 * |
Cited By (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765315A (zh) * | 2018-05-04 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像补全方法、装置、计算机设备及存储介质 |
| CN108765315B (zh) * | 2018-05-04 | 2021-09-07 | Oppo广东移动通信有限公司 | 图像补全方法、装置、计算机设备及存储介质 |
| CN108460830A (zh) * | 2018-05-09 | 2018-08-28 | 厦门美图之家科技有限公司 | 图像修复方法、装置及图像处理设备 |
| CN108711141A (zh) * | 2018-05-17 | 2018-10-26 | 重庆大学 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
| CN108711141B (zh) * | 2018-05-17 | 2022-02-15 | 重庆大学 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
| CN108961174A (zh) * | 2018-05-24 | 2018-12-07 | 北京飞搜科技有限公司 | 一种图像修复方法、装置以及电子设备 |
| CN108765340A (zh) * | 2018-05-29 | 2018-11-06 | Oppo（重庆）智能科技有限公司 | 模糊图像处理方法、装置及终端设备 |
| CN109165664B (zh) * | 2018-07-04 | 2020-09-22 | 华南理工大学 | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 |
| CN109165664A (zh) * | 2018-07-04 | 2019-01-08 | 华南理工大学 | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 |
| WO2020006762A1 (zh) * | 2018-07-06 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
| CN108885787A (zh) * | 2018-07-06 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
| CN110874819B (zh) * | 2018-08-29 | 2022-06-17 | 中国电信股份有限公司 | 视频图像修复方法、装置以及存储介质 |
| CN110874819A (zh) * | 2018-08-29 | 2020-03-10 | 中国电信股份有限公司 | 视频图像修复方法、装置以及存储介质 |
| CN109118467B (zh) * | 2018-08-31 | 2021-11-16 | 武汉大学 | 基于生成对抗网络的红外与可见光图像融合方法 |
| CN109118467A (zh) * | 2018-08-31 | 2019-01-01 | 武汉大学 | 基于生成对抗网络的红外与可见光图像融合方法 |
| CN110569864A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像生成方法和装置 |
| CN109472838A (zh) * | 2018-10-25 | 2019-03-15 | 广东智媒云图科技股份有限公司 | 一种素描生成方法及装置 |
| CN109658346A (zh) * | 2018-11-13 | 2019-04-19 | 达闼科技（北京）有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN109727209A (zh) * | 2018-12-13 | 2019-05-07 | 北京爱奇艺科技有限公司 | 一种确定残缺文物完整图像的方法及装置 |
| CN109712092A (zh) * | 2018-12-18 | 2019-05-03 | 上海中信信息发展股份有限公司 | 档案扫描图像修复方法、装置及电子设备 |
| CN109712098A (zh) * | 2019-01-08 | 2019-05-03 | 重庆邮电大学 | 一种基于统计推理的图像修复方法 |
| CN109903236B (zh) * | 2019-01-21 | 2020-12-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN109903236A (zh) * | 2019-01-21 | 2019-06-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN111724310A (zh) * | 2019-03-21 | 2020-09-29 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
| CN111724310B (zh) * | 2019-03-21 | 2023-08-15 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
| CN110246216B (zh) * | 2019-05-28 | 2023-02-28 | 中国科学院深圳先进技术研究院 | 脊柱模型生成方法、脊柱模型生成系统及终端 |
| CN110246216A (zh) * | 2019-05-28 | 2019-09-17 | 中国科学院深圳先进技术研究院 | 脊柱模型生成方法、脊柱模型生成系统及终端 |
| CN110473226A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
| CN110544214A (zh) * | 2019-08-21 | 2019-12-06 | 北京奇艺世纪科技有限公司 | 一种图像修复方法、装置及电子设备 |
| CN111242874A (zh) * | 2020-02-11 | 2020-06-05 | 北京百度网讯科技有限公司 | 图像修复的方法、装置、电子设备和存储介质 |
| CN111242874B (zh) * | 2020-02-11 | 2023-08-29 | 北京百度网讯科技有限公司 | 图像修复的方法、装置、电子设备和存储介质 |
| CN111402156B (zh) * | 2020-03-11 | 2021-08-03 | 腾讯科技（深圳）有限公司 | 一种涂抹图像的复原方法、装置及存储介质和终端设备 |
| CN111402156A (zh) * | 2020-03-11 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 一种涂抹图像的复原方法、装置及存储介质和终端设备 |
| TWI823084B (zh) * | 2020-04-29 | 2023-11-21 | 大陸商上海耕岩智能科技有限公司 | 圖像修復方法及裝置、存儲介質、終端 |
| CN113570508A (zh) * | 2020-04-29 | 2021-10-29 | 上海耕岩智能科技有限公司 | 图像修复方法及装置、存储介质、终端 |
| CN112132172A (zh) * | 2020-08-04 | 2020-12-25 | 绍兴埃瓦科技有限公司 | 基于图像处理的模型训练方法、装置、设备和介质 |
| CN112365422A (zh) * | 2020-11-17 | 2021-02-12 | 重庆邮电大学 | 基于深层聚合网络的不规则缺失图像修复方法及其系统 |
| CN112465718A (zh) * | 2020-11-27 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于生成对抗网络的两阶段图像修复方法 |
| CN113096037A (zh) * | 2021-03-31 | 2021-07-09 | 北京交通大学 | 一种基于深度学习的轮对光条图像的修复方法 |
| CN113096037B (zh) * | 2021-03-31 | 2023-08-22 | 北京交通大学 | 一种基于深度学习的轮对光条图像的修复方法 |
| CN113643564A (zh) * | 2021-07-27 | 2021-11-12 | 中国科学院深圳先进技术研究院 | 一种停车数据修复方法、装置、计算机设备以及存储介质 |
| CN113643564B (zh) * | 2021-07-27 | 2022-08-26 | 中国科学院深圳先进技术研究院 | 一种停车数据修复方法、装置、计算机设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107945140A (zh) | 一种图像修复方法、装置及设备 | |
| Eades et al. | Algorithms for drawing graphs: an annotated bibliography | |
| CN110020620A (zh) | 一种大姿态下的人脸识别方法、装置及设备 | |
| Cuillière et al. | Automatic construction of structural CAD models from 3D topology optimization | |
| Grajewski et al. | Improving the skills and knowledge of future designers in the field of ecodesign using virtual reality technologies | |
| Seiler et al. | Robust interactive cutting based on an adaptive octree simulation mesh | |
| CN105488515A (zh) | 训练卷积神经网路分类器的方法和图像处理装置 | |
| Paszyńska et al. | A graph grammar model of the hp adaptive three dimensional finite element method. part I | |
| Muguercia et al. | Fracture modeling in computer graphics | |
| CN116108789B (zh) | 一种模拟电路版图结构化特性表示还原方法及组件 | |
| CN111461164A (zh) | 样本数据集的扩容方法及模型的训练方法 | |
| CN114241524A (zh) | 人体姿态估计方法、装置、电子设备及可读存储介质 | |
| CN112990374B (zh) | 图像分类方法、装置、电子设备及介质 | |
| Tao et al. | VesselMap: A web interface to explore multivariate vascular data | |
| Tang et al. | A genetic algorithm for VLSI floorplanning using O-tree representation | |
| Vasicek et al. | Evolutionary functional approximation of circuits implemented into FPGAs | |
| CN105335995A (zh) | 一种多光源全局光照绘制方法及装置 | |
| CN116167825A (zh) | 基于电子商务的商品推荐方法、装置、设备及存储介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN108734568A (zh) | 一种特征组合方法、装置、终端设备及存储介质 | |
| Ruiz-Gironés et al. | Using a computational domain and a three-stage node location procedure for multi-sweeping algorithms | |
| CA2854724C (en) | Designing a folded sheet object | |
| CN104063601B (zh) | 基于小微贷款资产池损失率计算的监控方法及系统 | |
| Silva et al. | A continuous restricted Boltzmann machine and logistic regression framework for circuit classification | |
| Demir et al. | Proceduralization of Urban models |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
| RJ01 | Rejection of invention patent application after publication |