CN108109121A - 一种基于卷积神经网络的人脸模糊快速消除方法 - Google Patents
一种基于卷积神经网络的人脸模糊快速消除方法 Download PDFInfo
- Publication number
- CN108109121A CN108109121A CN201711368815.5A CN201711368815A CN108109121A CN 108109121 A CN108109121 A CN 108109121A CN 201711368815 A CN201711368815 A CN 201711368815A CN 108109121 A CN108109121 A CN 108109121A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- layer
- image
- activation primitive
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims description 36
- 230000001815 facial effect Effects 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 6
- 238000011084 recovery Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明中提出的一种基于卷积神经网络的人脸模糊快速消除方法，其主要内容包括：模糊消除模型、卷积核生成、卷积网络结构、人脸平滑操作，其过程为，首先对图像的模糊、去模糊过程进行数学形式建模，确立卷积神经网络所需训练过程；然后输入一对具有相同内容的锐化原图和其模糊化图像，利用服从高斯过程的初始化方法生成核函数，根据该核函数对输入图像对进行训练；接着设定三种损失函数对去模糊化的图像进行平滑操作，由此指导网络训练和生成模糊消除的复原图像。本发明可以快速地在没有先验知识的情况下估计原锐化图像及卷积核，提供一个基于多尺度结构的学习模型，提高了对于较高程度模糊图像的复原准确性。
Description
技术领域
本发明涉及图像复原领域，尤其是涉及了一种基于卷积神经网络的人脸模糊快速消除方法。
背景技术
随着各种智能手持终端设备如手机、平板电脑的广泛普及，越来越多用于记录人们日常生活的图像和视频被拍摄出来。同时各种电子器件价格不断下降，使得日常可用摄像装置的性能和拍摄出的图像质量逐渐提升。高清晰度的图像和视频不仅可以给人带来美的视觉享受，还能精确记录证件号码，图像等重要信息。由于各种因素的影响，如摄像者手抖、目标物体运动、对焦失败等，日常生活中所生成图像和视频有相当比例的部分是模糊的。模糊现象的存在会降低图像的清晰度，严重影响到图像的质量，从而对图像和视频的视觉观赏效果造成极大的损害。而且由于其他计算机视觉任务，如图像检索、物体识别、图像分割等，对于图像清晰度都有一定的要求，模糊现象还会极大的降低这些视觉算法的精度和性能。图像去除模糊技术可以应用在日常生活中的门禁系统、移动支付、智能家居等方面；在军事领域中的情报搜集、远程低功耗传输等方便具有发展潜力；在治安领域，重点场所布控、特殊人群身份确认、户籍管理等方面的应用也需要对模糊图像进行消除。然而，现存多数复原算法大部分都是仅针对单张人脸图像，利用数学知识，将其看作是人脸图像退化的逆过程，是一个不正常的求逆问题，最后得到的复原人脸图像分辨率往往并不是很高，通常不能够满足社会和研究者的要求。
本发明提出了一种基于卷积神经网络的人脸模糊快速消除方法，首先对图像的模糊、去模糊过程进行数学形式建模，确立卷积神经网络所需训练过程；然后输入一对具有相同内容的锐化原图和其模糊化图像，利用服从高斯过程的初始化方法生成核函数，根据该核函数对输入图像对进行训练；接着设定三种损失函数对去模糊化的图像进行平滑操作，由此指导网络训练和生成模糊消除的复原图像。本发明可以快速地在没有先验知识的情况下估计原锐化图像及卷积核，提供一个基于多尺度结构的学习模型，提高了对于较高程度模糊图像的复原准确性。
发明内容
针对解决在人脸图像中进行模糊消除的问题，本发明的目的在于提供一种基于卷积神经网络的人脸模糊快速消除方法，首先对图像的模糊、去模糊过程进行数学形式建模，确立卷积神经网络所需训练过程；然后输入一对具有相同内容的锐化原图和其模糊化图像，利用服从高斯过程的初始化方法生成核函数，根据该核函数对输入图像对进行训练；接着设定三种损失函数对去模糊化的图像进行平滑操作，由此指导网络训练和生成模糊消除的复原图像。
为解决上述问题，本发明提供一种基于卷积神经网络的人脸模糊快速消除方法，其主要内容包括：
(一)模糊消除模型；
(二)卷积核生成；
(三)卷积网络结构；
(四)人脸平滑操作。
其中，所述的模糊消除模型，对图像的模糊化与去模糊化操作进行建模，具体为：
1)模糊化：给定输入图像x和模糊核k，其模糊化后的图像为y＝x*k+n，其中n是噪声；
2)去模糊化：给定模糊图像y，其复原图像x和模糊核k的估计值通过求解最小化项得到，其中βx,k是噪声；
3)用非线性操作函数F表示神经网络，其解决过程为，通过求解最小化项 使得去模糊化的图像越来越接近原始输入图像。
所述的卷积核生成，使用二维的服从高斯过程的核函数来生成卷积核k(t1,t2)，
其中，参数σf和l分别设置为0.25和0.3。
所述的卷积网络结构，包括端对端结构和多尺度结构。
所述的端对端结构，从输入图像到输出图像之间，依次由输入层、卷积层(3×3)、激活函数层、6个相同结构的多尺度结构、卷积层(1×1)和输出层组成，其中，3×3和1×1分别指该卷积核的大小；激活函数使用线性整流函数。
所述的多尺度结构，给定一个多尺度结构，其所有输入特征，先经过一个卷积层(1×1)后，接着分别经过5个分支，接着该5个分支的输出会合并后作为此多尺度结构的总输出，具体5个分支的构造为：
1)分支1：激活函数层、卷积层(1×1)；
2)分支2：激活函数层、卷积层(3×3)、激活函数层、卷积层(1×1)；
3)分支3：激活函数层、卷积层(5×5)、激活函数层、卷积层(1×1)；
4)分支4：激活函数层、卷积层(7×7)、激活函数层、卷积层(1×1)；
5)分支5：激活函数层、卷积层(14×14)、激活函数层、卷积层(1×1)；
其中，激活函数采用线性整流函数。
所述的人脸平滑操作，分别设置L2范数损失函数总偏差损失函数和面部失真函数来控制人脸拟合及失真程度，全局损失函数由上述三种损失函数线性叠加而成：
其中，α和β是控制常数。
所述的L2范数损失函数，对于复原图像和输入图像x之间，计算其二者差异值的平方，即：.
其中，W、H分别为图像的宽度和高度，C为通道数。
所述的总偏差损失函数，对于复原图像，在计算其在相邻像素点之间的扭曲程度，即：
该运算限定在二维平面上。
所述的面部失真函数，计算复原图像和输入图像x分别通过网络最终的全连接层得到的结果之间的二阶差异，即：
其中，Φ表示最终的人脸重构识别的连接层。
附图说明
图1是本发明一种基于卷积神经网络的人脸模糊快速消除方法的系统流程图。
图2是本发明一种基于卷积神经网络的人脸模糊快速消除方法的端对端结构图。
图3是本发明一种基于卷积神经网络的人脸模糊快速消除方法的多尺度结构图。
图4是本发明一种基于卷积神经网络的人脸模糊快速消除方法的实例图。
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是本发明一种基于卷积神经网络的人脸模糊快速消除方法的系统流程图。主要包括模糊消除模型；卷积核生成；卷积网络结构；人脸平滑操作。
其中，模糊消除模型，对图像的模糊化与去模糊化操作进行建模，具体为：
1)模糊化：给定输入图像x和模糊核k，其模糊化后的图像为y＝x*k+n，其中n是噪声；
2)去模糊化：给定模糊图像y，其复原图像x和模糊核k的估计值通过求解最小化项得到，其中βx，k是噪声；
3)用非线性操作函数F表示神经网络，其解决过程为，通过求解最小化项 使得去模糊化的图像越来越接近原始输入图像。
卷积核生成，使用二维的服从高斯过程的核函数来生成卷积核k(t1，t2)，
其中，参数σf和l分别设置为0.25和0.3。
卷积网络结构，包括端对端结构和多尺度结构。
人脸平滑操作，分别设置L2范数损失函数总偏差损失函数和面部失真函数来控制人脸拟合及失真程度，全局损失函数由上述三种损失函数线性叠加而成：
其中，α和β是控制常数。
L2范数损失函数，对于复原图像和输入图像x之间，计算其二者差异值的平方，即：.
其中，W、H分别为图像的宽度和高度，C为通道数。
总偏差损失函数，对于复原图像，在计算其在相邻像素点之间的扭曲程度，即：
该运算限定在二维平面上。
面部失真函数，计算复原图像和输入图像x分别通过网络最终的全连接层得到的结果之间的二阶差异，即：
其中，Φ表示最终的人脸重构识别的连接层。
图2是本发明一种基于卷积神经网络的人脸模糊快速消除方法的端对端结构图。如图所示，从输入图像到输出图像之间，依次由输入层、卷积层(3×3)、激活函数层、6个相同结构的多尺度结构、卷积层(1×1)和输出层组成，其中，3×3和1×1分别指该卷积核的大小；激活函数使用线性整流函数。
图3是本发明一种基于卷积神经网络的人脸模糊快速消除方法的多尺度结构图，如图所示，给定一个多尺度结构，其所有输入特征，先经过一个卷积层(1×1)后，接着分别经过5个分支，接着该5个分支的输出会合并后作为此多尺度结构的总输出，具体5个分支的构造为：
1)分支1：激活函数层、卷积层(1×1)；
2)分支2：激活函数层、卷积层(3×3)、激活函数层、卷积层(1×1)；
3)分支3：激活函数层、卷积层(5×5)、激活函数层、卷积层(1×1)；
4)分支4：激活函数层、卷积层(7×7)、激活函数层、卷积层(1×1)；
5)分支5：激活函数层、卷积层(14×14)、激活函数层、卷积层(1×1)；
其中，激活函数采用线性整流函数。
图4是本发明一种基于卷积神经网络的人脸模糊快速消除方法的实例图，如图所示，在给定超低分辨率的输入图像(第3列)的情况下，本发明方法(第1列)得到的模糊去除复原图像效果最好，清晰度最高，细节信息更丰富，也更接近实际的超高分辨率原图(第6列)。
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 (10)
1.一种基于卷积神经网络的人脸模糊快速消除方法，其特征在于，主要包括模糊消除模型(一)；卷积核生成(二)；卷积网络结构(三)；人脸平滑操作(四)。
2.基于权利要求书1所述的模糊消除模型(一)，其特征在于，对图像的模糊化与去模糊化操作进行建模，具体为：
1)模糊化：给定输入图像x和模糊核k，其模糊化后的图像为y＝x*k+n，其中n是噪声；
2)去模糊化：给定模糊图像y，其复原图像x和模糊核k的估计值通过求解最小化项argminx,k‖x*k-y‖+βx,k得到，其中βx,k是噪声；
3)用非线性操作函数F表示神经网络，其解决过程为，通过求解最小化项argminF‖F(y)-x‖，使得去模糊化的图像越来越接近原始输入图像。
3.基于权利要求书1所述的卷积核生成(二)，其特征在于，使用二维的服从高斯过程的核函数来生成卷积核：
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msqrt>
<mn>5</mn>
</msqrt>
<mo>|</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mi>l</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mn>5</mn>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>3</mn>
<msup>
<mi>l</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msqrt>
<mn>5</mn>
</msqrt>
<mo>|</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mi>l</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，参数σf和l分别设置为0.25和0.3。
4.基于权利要求书1所述的卷积网络结构(三)，其特征在于，包括端对端结构和多尺度结构。
5.基于权利要求书4所述的端对端结构，其特征在于，从输入图像到输出图像之间，依次由输入层、卷积层(3×3)、激活函数层、6个相同结构的多尺度结构、卷积层(1×1)和输出层组成，其中，3×3和1×1分别指该卷积核的大小；激活函数使用线性整流函数。
6.基于权利要求书所述的多尺度结构，其特征在于，给定一个多尺度结构，其所有输入特征，先经过一个卷积层(1×1)后，接着分别经过5个分支，接着该5个分支的输出会合并后作为此多尺度结构的总输出，具体5个分支的构造为：
1)分支1：激活函数层、卷积层(1×1)；
2)分支2：激活函数层、卷积层(3×3)、激活函数层、卷积层(1×1)；
3)分支3：激活函数层、卷积层(5×5)、激活函数层、卷积层(1×1)；
4)分支4：激活函数层、卷积层(7×7)、激活函数层、卷积层(1×1)；
5)分支5：激活函数层、卷积层(14×14)、激活函数层、卷积层(1×1)；
其中，激活函数采用线性整流函数。
7.基于权利要求书1所述的人脸平滑操作(四)，其特征在于，分别设置L2范数损失函数总偏差损失函数和面部失真函数来控制人脸拟合及失真程度，全局损失函数由上述三种损失函数线性叠加而成：
其中，α和β是控制常数。
8.基于权利要求书7所述的L2范数损失函数，其特征在于，对于复原图像和输入图像x之间，计算其二者差异值的平方，即：.
其中，W、H分别为图像的宽度和高度，C为通道数。
9.基于权利要求书7所述的总偏差损失函数，其特征在于，对于复原图像，计算其在相邻像素点之间的扭曲程度，即：
该运算限定在二维平面上。
10.基于权利要求书7所述的面部失真函数，其特征在于，分别通过网络最终的全连接层得到的结果之间的二阶差异计算复原图像和输入图像x，即：
其中，Φ表示最终的人脸重构识别的连接层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711368815.5A CN108109121A (zh) | 2017-12-18 | 2017-12-18 | 一种基于卷积神经网络的人脸模糊快速消除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711368815.5A CN108109121A (zh) | 2017-12-18 | 2017-12-18 | 一种基于卷积神经网络的人脸模糊快速消除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108109121A true CN108109121A (zh) | 2018-06-01 |
Family
ID=62211100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711368815.5A Withdrawn CN108109121A (zh) | 2017-12-18 | 2017-12-18 | 一种基于卷积神经网络的人脸模糊快速消除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108109121A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921806A (zh) * | 2018-08-07 | 2018-11-30 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN108921910A (zh) * | 2018-07-30 | 2018-11-30 | 浙江大学 | 基于可伸缩卷积神经网络的jpeg编码压缩图像复原的方法 |
| CN109345449A (zh) * | 2018-07-17 | 2019-02-15 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
| CN109360171A (zh) * | 2018-10-26 | 2019-02-19 | 北京理工大学 | 一种基于神经网络的视频图像实时去模糊方法 |
| CN110390651A (zh) * | 2019-07-23 | 2019-10-29 | 深圳大学 | 一种运动模糊视频复原方法和装置以及设备 |
| WO2020215644A1 (zh) * | 2019-04-22 | 2020-10-29 | 深圳市商汤科技有限公司 | 视频图像处理方法及装置 |
| WO2021184894A1 (zh) * | 2020-03-20 | 2021-09-23 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、系统和一种巡检机器人 |
| CN113643207A (zh) * | 2021-08-20 | 2021-11-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145546A (zh) * | 2017-04-26 | 2017-09-08 | 北京环境特性研究所 | 基于深度学习的监控视频人员模糊检索方法 |
| US20170294010A1 (en) * | 2016-04-12 | 2017-10-12 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
-
2017
- 2017-12-18 CN CN201711368815.5A patent/CN108109121A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170294010A1 (en) * | 2016-04-12 | 2017-10-12 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
| CN107145546A (zh) * | 2017-04-26 | 2017-09-08 | 北京环境特性研究所 | 基于深度学习的监控视频人员模糊检索方法 |
Non-Patent Citations (1)
| Title |
|---|
| LINGXIAO WANG ET AL: ""DeepDeblur：Fast one-step blurryface images restoration"", 《HTTPS://ARXIV.ORG/PDF/1711.09515.PDF》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345449A (zh) * | 2018-07-17 | 2019-02-15 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
| CN109345449B (zh) * | 2018-07-17 | 2020-11-10 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
| US11928792B2 (en) | 2018-07-17 | 2024-03-12 | Xi'an Jiaotong University | Fusion network-based method for image super-resolution and non-uniform motion deblurring |
| CN108921910A (zh) * | 2018-07-30 | 2018-11-30 | 浙江大学 | 基于可伸缩卷积神经网络的jpeg编码压缩图像复原的方法 |
| CN108921806A (zh) * | 2018-08-07 | 2018-11-30 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN108921806B (zh) * | 2018-08-07 | 2020-08-07 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN109360171A (zh) * | 2018-10-26 | 2019-02-19 | 北京理工大学 | 一种基于神经网络的视频图像实时去模糊方法 |
| CN109360171B (zh) * | 2018-10-26 | 2021-08-06 | 北京理工大学 | 一种基于神经网络的视频图像实时去模糊方法 |
| WO2020215644A1 (zh) * | 2019-04-22 | 2020-10-29 | 深圳市商汤科技有限公司 | 视频图像处理方法及装置 |
| CN110390651A (zh) * | 2019-07-23 | 2019-10-29 | 深圳大学 | 一种运动模糊视频复原方法和装置以及设备 |
| WO2021184894A1 (zh) * | 2020-03-20 | 2021-09-23 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、系统和一种巡检机器人 |
| CN113643207A (zh) * | 2021-08-20 | 2021-11-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108109121A (zh) | 一种基于卷积神经网络的人脸模糊快速消除方法 | |
| Yu et al. | Path-restore: Learning network path selection for image restoration | |
| Suganuma et al. | Attention-based adaptive selection of operations for image restoration in the presence of unknown combined distortions | |
| Yang et al. | BM3D-Net: A convolutional neural network for transform-domain collaborative filtering | |
| Li et al. | Weighted guided image filtering | |
| Hosseini et al. | Age and gender classification using wide convolutional neural network and Gabor filter | |
| Chan et al. | An augmented Lagrangian method for total variation video restoration | |
| Yang et al. | Fusion of median and bilateral filtering for range image upsampling | |
| CN103824050B (zh) | 一种基于级联回归的人脸关键点定位方法 | |
| CN111275626A (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
| Xia et al. | Novel cooperative neural fusion algorithms for image restoration and image fusion | |
| Bilal et al. | A robust technique for copy-move forgery detection from small and extremely smooth tampered regions based on the DHE-SURF features and mDBSCAN clustering | |
| Zeng et al. | A generalized DAMRF image modeling for superresolution of license plates | |
| CN105469353B (zh) | 水印图像的嵌入方法和装置及提取方法和装置 | |
| CN111340077B (zh) | 基于注意力机制的视差图获取方法和装置 | |
| Kumwilaisak et al. | Image denoising with deep convolutional neural and multi-directional long short-term memory networks under Poisson noise environments | |
| Bai et al. | Adaptive correction procedure for TVL1 image deblurring under impulse noise | |
| Kim et al. | Fast 2D complex Gabor filter with kernel decomposition | |
| Xia et al. | Single image rain removal via a simplified residual dense network | |
| CN114529982A (zh) | 基于流式注意力的轻量级人体姿态估计方法及系统 | |
| Sharma et al. | A hybrid technique to discriminate Natural Images, Computer Generated Graphics Images, Spliced, Copy Move tampered images and Authentic images by using features and ELM classifier | |
| Zhao et al. | Fractal dimension estimation of RGB color images using maximum color distance | |
| CN109669537B (zh) | 一种基于计算机虚拟界面的人机交互系统 | |
| Fu et al. | Night removal by color estimation and sparse representation | |
| CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180601 |
|
| WW01 | Invention patent application withdrawn after publication |