CN108376387B - 基于聚合膨胀卷积网络的图像去模糊方法 - Google Patents

基于聚合膨胀卷积网络的图像去模糊方法 Download PDF

Info

Publication number
CN108376387B
CN108376387B CN201810008937.1A CN201810008937A CN108376387B CN 108376387 B CN108376387 B CN 108376387B CN 201810008937 A CN201810008937 A CN 201810008937A CN 108376387 B CN108376387 B CN 108376387B
Authority
CN
China
Prior art keywords
image
layer
output
constructing
network
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
Application number
CN201810008937.1A
Other languages
English (en)
Other versions
CN108376387A (zh
Inventor
张文强
缪弘
白建松
张�浩
张睿
路红
郑骁庆
彭俊杰
薛向阳
唐龙福
李敬来
王洪荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201810008937.1A priority Critical patent/CN108376387B/zh
Publication of CN108376387A publication Critical patent/CN108376387A/zh
Application granted granted Critical
Publication of CN108376387B publication Critical patent/CN108376387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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

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

本发明属于计算机数字图像处理技术领域，具体为一种基于聚合膨胀卷积网络的图像去模糊方法。本发明包括构建深度神经网络：基于条件对抗生成网络，包含生成器与鉴别器，生成器结构使用堆叠的自编码器模块，自编码器模块使用自编码器结构与跳跃连接，在构建模块上使用残差模块，残差模块使用残差网络以及多路聚合膨胀卷积，鉴别器使用5层卷积神经网络；训练深度神经网络：使用公开的、真实场景下的模糊图像数据集，利用图像内容损失函数与对抗损失函数，训练前一步中构建的深度神经网络；利用训练好的网络模型对模糊图像进行去模糊处理。本发明方法能够保证去模糊效果，并快速高效地将模糊图像恢复成清晰图像，可极大地提高图像去模糊的效率。

Description

基于聚合膨胀卷积网络的图像去模糊方法
技术领域
本发明属于计算机数字图像处理技术领域，具体涉及一种基于聚合膨胀卷积网络的图像去模糊方法。
背景技术
图像模糊是拍摄照片时常见的问题，尤其是在用手机等轻量级设备拍摄时。摄像机与物体之间的相对运动包括摄像机抖动和物体运动是造成模糊的主要原因。因为不同物体的运动通常互不相同，所以图像上的模糊程度通常在空间上是不均匀的。而且，景物的深度变化和物体的分割边界会使得模糊更为复杂。运动模糊会降低图像质量并影响许多图像处理算法的效果。仅在高质量图像上进行训练的标准网络模型在应用于因散焦、物体或相机运动而导致的模糊图像上时，性能会显着降低。所以有必要去除图像上的模糊并获得清晰的图像。同时，图像去模糊算法的效率也十分重要。目前大部分方法的效率都不高，时间和内存开销太大，这限制了图像去模糊算法的实际应用。
今年来，越来越多的方法将卷积神经网络应用于图像去模糊领域。Seungjun Nah等人提出了一个多尺度卷积神经网络进行图像去模糊。他们的模型需要三个尺度的输入模糊图像，然后将它们从粗到细处理，最后在三个尺度上输出三个对应的恢复的清晰图像。该方法去模糊效果较好，但是由于多尺度的网络结构，导致时间与内存开销过大。Ramakrishnan等人提出了基于条件生成对抗网络的卷积神经网络进行图像去模糊。他们在模型中使用了全局跳跃连接和密集体系结构，可以使网络复用前一层提取的特征。与之前的方法相比，该方法去模糊效果更好，所花费的时间更短，但是由于使用了密集体系结构，该方法仍然需要大量的内存资源。
为了解决这些问题，本发明提出了一种基于聚合膨胀卷积网络的图像去模糊方法。方法整体基于条件对抗生成网络，在网络结构上使用堆叠的自编码器结构与跳跃连接，在基础构造模块上使用聚合膨胀卷积的残差模块。网络模型利用公开的、真实场景下的模糊图像数据集进行训练。通过在基准数据集上的实验，方法表现出了良好的图像去模糊效果，并且能够大幅度地降低时间与内存开销。
发明内容
本发明的目的在于提供一种高效的、去模糊效果好的图像去模糊方法。
本发明提出的图像去模糊方法，是基于聚合膨胀卷积网络的图像去模糊方法。本发明提出的方法，包含构建生成器和鉴别器，其中生成器使用堆叠的自编码器模块和跳跃连接，自编码器模块使用聚合膨胀卷积的残差模块进行构建，鉴别器包含5层卷积层；网络模型在真实场景下的模糊图像数据集上进行训练；进行图像去模糊时，将模糊图像通过生成器进行处理，即可得到一张对应的清晰图像。本发明提出的方法能够良好地去除图像上的模糊，恢复出清晰图像，同时能够极大地减少运行时间与所需内存，具有高效性。
本发明提出的基于聚合膨胀卷积网络的图像去模糊方法，具体步骤如下：
(1)、构建深度神经网络；
(2)、训练深度神经网络；
上述步骤(1)所述的构建深度神经网络，具体过程如下：
(11)、构造生成器，其具体步骤如下：
(111)、构造网络头部：头部包含1个卷积核大小为5×5的卷积层，将输入的3通道RGB图像变换为一个64通道的特征映射；
(112)、构造网络中部：中部顺序地将自编码器模块堆叠起来，自编码器模块共2个。每一个自编码器模块还包含一个残差连接，将自编码器模块的输入与输出相加，作为自编码器模块的输出，其具体步骤如下：
(1121)、构造自编码器模块，其具体步骤如下：
(11211)、构造基于聚合膨胀卷积的残差模块，称为基础模块，其具体步骤如下：
(112111)、构造C路不同的路径，其中每一条路径都包含两个卷积核大小为3×3的卷积层，并且在每个卷积层之前都有一个激活层；第一层卷积层的输出与第二层卷积层的输入通道数相同，都为D；每条路径除了卷积层的膨胀系数都相同；C条路径中，每个卷积层的膨胀系数从1增加到D；C与D的乘积为一个常数Chr，Chr为基础模块输入的特征映射通道数；
(112112)、将C路不同的路径并联起来，基础模块的输入通过每一条路径，输出为每一条路径的输出之和；
(112113)、为基础模块添加残差连接，基础模块的输入与输出相加，作为基础模块的新输出；
(11212)、定义下采样组：一个下采样组由顺序连接的一个基础模块和一个最大池化层组成；
(11213)、定义上采样组：一个上采样组由顺序连接的一个最近邻插值层和一个基础模块组成；
(11214)、顺序连接L个下采样组，一个基础模块与L个上采样组，其中L为上采样组、下采样组的数量；
(11215)、在第i个下采样组与第L-i个上采样组中添加跳跃连接，每个跳跃连接将第i个下采样组中的基础模块的输出与第L-i个上采样组中最近邻插值层的输出相加，作为第L-i个上采样组中最近邻插值层的新输出，其中i为下采样组的编号，
Figure BDA0001539613730000031
(1122)、为每个自编码器模块添加残差连接；
(1123)、将带残差连接的自编码器模块顺序堆叠起来；
(113)、构造网络尾部：尾部包含1个非线性激活层和一个卷积核大小为5×5的卷积层，将网络中部得到的特征映射变换为输出的3通道图像；
(12)、构造鉴别器，其具体步骤如下：
(121)、定义4个不同的卷积层。每个卷积层的卷积核大小都为3×3，步长都为2，输出的特征映射通道数从64开始，不断翻倍，直至最后一层变为1，即为64，128，256，512，每一个卷积层后连接一个非线性激活层；
(122)、定义最后一层卷积层，卷积核大小为3×3,步长为1，输出的特征映射通道数为1；
(123)、将之前定义的5层卷积层顺序连接起来；
步骤(2)所述的训练深度神经网络，具体过程如下：
(21)、构造损失函数，其具体步骤如下：
(211)、构造图像内容损失函数，损失函数为l1损失函数，具体形式为：
Figure BDA0001539613730000032
其中x，y分别表示生成器的输出图像与真实图像，n表示图像中的元素总数；
(212)、构造生成器的对抗损失函数，具体形式为：
Figure BDA0001539613730000033
其中，
Figure BDA0001539613730000034
表示期望，G和D分别表示生成器和鉴别器，B表示模糊图像集合，c表示生成器的输出图像想要得到的标签；
(213)、构造鉴别器的对抗损失函数，具体形式为：
Figure BDA0001539613730000035
其中G和D分别表示生成器和鉴别器，B和S分别表示模糊图像集合和清晰图像集合，C和b分别表示生成图像和真实图像的标签；
(22)、使用公开的、真实场景下的模糊图像数据集，训练构造好的神经网络，其具体步骤如下：
(221)、获取公开的、真实场景下的模糊图像数据集；
(222)、计算鉴别器的对抗损失函数，训练一轮鉴别器；
(223)、计算图像内容损失函数与生成器的对抗损失函数，训练一轮生成器；
(224)、不断重复步骤(222)与步骤(223)，直至模型收敛；
(3)、利用训练好的网络模型进行图像去模糊；
与现有技术相比，本发明的有益效果为：
1、本发明提出了一个新颖的基于聚合膨胀卷积网络的图像去模糊方法，提升了图像去模糊的效果。
2、本发明提出的基于聚合膨胀卷积网络的图像去模糊方法效率更高，极大地节约了时间与内存开销。
3、本发明有助于图像去模糊方法被应用于实际场景中，如应用于相机、图像处理软件等。
附图说明
图1为本发明的基于聚合膨胀卷积网络的图像去模糊方法的流程图。
图2为生成器的网络结构。
图3为自编码器模块的网络结构。
图4为基于聚合膨胀卷积的残差模块的网络结构。
图5为本发明的图像去模糊效果图。
具体实施方式
本发明的聚合膨胀卷积网络的图像去模糊方法，具体步骤如下：
(1)、构建深度神经网络；
(2)、训练深度神经网络；
上述步骤(1)所述的构建深度神经网络，具体过程如下：
(11)、如图2所示，构造生成器，其具体步骤如下：
(111)、构造网络头部：头部包含1个卷积核大小为5×5的卷积层，将输入的3通道RGB图像变换为一个64通道的特征映射；
(112)、构造网络中部：中部顺序地将自编码器模块堆叠起来，自编码器模块共2个。每一个自编码器模块还包含一个残差连接，将自编码器模块的输入与输出相加，自编码器模块的输出，具体步骤如下：
(1121)、如图3所示，构造自编码器模块，具体步骤如下：
(11211)、如图4所示，构造基于聚合膨胀卷积的残差模块，具体步骤如下：
(112111)、构造C路不同的路径，其中每一条路径都包含两个卷积核大小为3×3的卷积层，并且在每个卷积层之前都有一个激活层；第一层卷积层的输出与第二层卷积层的输入通道数相同，都为D；每条路径除了卷积层的膨胀系数都相同；C条路径中，每个卷积层的膨胀系数从1增加到D；C与D的乘积为一个常数Chr，Chr为基础模块输入的特征映射通道数，其中Chr＝64,C＝4，D＝16；
(112112)、将C路不同的路径并联起来，基础模块的输入通过每一条路径，输出为每一条路径的输出之和；
(112113)、为基础模块添加残差连接，基础模块的输入与输出相加，作为基础模块的新输出；
(11212)、定义下采样组：一个下采样组由顺序连接的一个基础模块和一个最大池化层组成；
(11213)、定义上采样组：一个上采样组由顺序连接的一个最近邻插值层和一个基础模块组成；
(11214)、顺序连接L个下采样组，一个基础模块与L个上采样组，其中L为上采样组、下采样组的数量；
(11215)、在第i个下采样组与第L-i个上采样组中添加跳跃连接，每个跳跃连接将第i个下采样组中的基础模块的输出与第L-i个上采样组中最近邻插值层的输出相加，作为第L-i个上采样组中最近邻插值层的新输出，其中i为下采样组的编号，
Figure BDA0001539613730000051
(1122)、为每个自编码器模块添加残差连接；
(1123)、将带残差连接的自编码器模块顺序堆叠起来；
(113)、构造网络尾部：尾部包含1个非线性激活层和一个卷积核大小为5×5的卷积层，将网络中部得到的特征映射变换为输出的3通道图像；
(12)、构造鉴别器，具体步骤如下：
(121)、定义4个不同的卷积层。每个卷积层的卷积核大小都为3×3，步长都为2，输出的特征映射通道数从64开始，不断翻倍，直至最后一层变为1，即为64，128，256，512，每一个卷积层后连接一个非线性激活层；
(122)、定义最后一层卷积层，卷积核大小为3×3,步长为1，输出特征映射通道数为1；
(123)、将之前定义的5层卷积层顺序连接起来；
步骤(2)所述的训练深度神经网络，具体过程如下：
(21)、构造损失函数，其具体步骤如下：
(211)、构造图像内容损失函数，损失函数为l1损失函数，具体形式为：
Figure BDA0001539613730000061
其中，x，y分别表示生成器的输出图像与真实图像，n表示图像中的元素总数；
(212)、构造生成器的对抗损失函数，具体形式为：
Figure BDA0001539613730000062
其中，G和D分别表示生成器和鉴别器，B表示模糊图像集合，c表示生成器的输出图像想要得到的标签，c＝1；
(213)、构造鉴别器的对抗损失函数，具体形式为：
Figure BDA0001539613730000063
其中，G和D分别表示生成器和鉴别器，B和S分别表示模糊图像集合和清晰图像集合，a和b分别表示生成图像和真实图像的标签,a＝0，b＝1；
(22)、使用公开的、真实场景下的模糊图像数据集，训练构造好的神经网络，其具体步骤如下：
(221)、获取公开的、真实场景下的模糊图像数据集；
(222)、计算鉴别器的对抗损失函数，训练一轮鉴别器；
(223)、计算图像内容损失函数与生成器的对抗损失函数，训练一轮生成器；
(224)、不断重复步骤(222)与步骤(223)，直至模型收敛；
(3)、利用训练好的网络模型进行图像去模糊，获得清晰的图像，如图5所示。

Claims (1)

1.一种基于聚合膨胀卷积网络的图像去模糊方法，其特征在于，具体步骤如下：
(1)、构建深度神经网络；
(2)、训练深度神经网络；
(3)、利用训练好的网络模型进行图像去模糊；
其中：
步骤(1)所述的构建深度神经网络，具体过程如下：
(11)、构造生成器；
(12)、构造鉴别器；
步骤(2)所述的训练深度神经网络，具体过程如下：
(21)、构造损失函数；
(22)、使用公开的、真实场景下的模糊图像数据集，训练构造好的神经网络；
其中，步骤(11)中所述构造生成器，具体过程如下：
(111)、构造网络头部：头部包含1个卷积核大小为5×5的卷积层，将输入的3通道RGB图像变换为一个64通道的特征映射；
(112)、构造网络中部：中部顺序地将自编码器模块堆叠起来，自编码器模块共2个；每一个自编码器模块还包含一个残差连接，将自编码器模块的输入与输出相加，作为自编码器模块的输出；具体过程如下：
(1121)、构造自编码器模块；具体过程如下：
(11211)、构造基于聚合膨胀卷积的残差模块，称为基础模块；具体过程如下：
(112111)、构造C路不同的路径，其中每一条路径都包含两个卷积核大小为3×3的卷积层，并且在每个卷积层之前都有一个激活层；第一层卷积层的输出与第二层卷积层的输入通道数相同，都为D；每条路径除了卷积层的膨胀系数都相同；C条路径中，每个卷积层的膨胀系数从1增加到D；C与D的乘积为一个常数Chr，Chr为基础模块输入的特征映射通道数；
(112112)、将C路不同的路径并联起来，基础模块的输入通过每一条路径，输出为每一条路径的输出之和；
(112113)、为基础模块添加残差连接，基础模块的输入与输出相加，作为基础模块的新输出；
(11212)、定义下采样组：一个下采样组由顺序连接的一个基础模块和一个最大池化层组成；
(11213)、定义上采样组：一个上采样组由顺序连接的一个最近邻插值层和一个基础模块组成；
(11214)、顺序连接L个下采样组，一个基础模块与L个上采样组，其中L为上采样组、下采样组的数量；
(11215)、在第i个下采样组与第L-i个上采样组中添加跳跃连接，每个跳跃连接将第i个下采样组中的基础模块的输出与第L-i个上采样组中最近邻插值层的输出相加，作为第L-i个上采样组中最近邻插值层的新输出，其中i为下采样组的编号，
Figure FDA0003209446160000024
(1122)、为每个自编码器模块添加残差连接；
(1123)、将带残差连接的自编码器模块顺序堆叠起来；
(113)、构造网络尾部：尾部包含1个非线性激活层和一个卷积核大小为5×5的卷积层，将网络中部得到的特征映射变换为输出的3通道图像；
步骤(12)中所述构造鉴别器，具体过程如下：
(121)、定义4个不同的卷积层，每个卷积层的卷积核大小都为3×3，步长都为2，输出的特征映射通道数从64开始，不断翻倍，直至最后一层变为1，即为64，128，256，512，每一个卷积层后连接一个非线性激活层；
(122)、定义最后一层卷积层，卷积核大小为3×3，步长为1，输出的特征映射通道数为1；
(123)、将之前定义的5层卷积层顺序连接起来；
步骤(21)中所述构造损失函数，具体过程如下：
(211)、构造图像内容损失函数，损失函数为l1损失函数，具体形式为：
Figure FDA0003209446160000021
其中，x，y分别表示生成器的输出图像与真实图像，n表示图像中的元素总数；
(212)、构造生成器的对抗损失函数，具体形式为：
Figure FDA0003209446160000022
其中，
Figure FDA0003209446160000025
表示期望，G和D分别表示生成器和鉴别器，B表示模糊图像集合，c表示生成器的输出图像想要得到的标签；
(213)、构造鉴别器的对抗损失函数，具体形式为：
Figure FDA0003209446160000023
其中，G和D分别表示生成器和鉴别器，B和S分别表示模糊图像集合和清晰图像集合，a和b分别表示生成图像和真实图像的标签；
步骤(22)中所述使用公开的、真实场景下的模糊图像数据集，训练构造好的神经网络，具体过程如下：
(221)、获取公开的、真实场景下的模糊图像数据集；
(222)、计算鉴别器的对抗损失函数，训练一轮鉴别器；
(223)、计算图像内容损失函数与生成器的对抗损失函数，训练一轮生成器；
(224)、不断重复步骤(222)与(223)，直至模型收敛。
CN201810008937.1A 2018-01-04 2018-01-04 基于聚合膨胀卷积网络的图像去模糊方法 Active CN108376387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810008937.1A CN108376387B (zh) 2018-01-04 2018-01-04 基于聚合膨胀卷积网络的图像去模糊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810008937.1A CN108376387B (zh) 2018-01-04 2018-01-04 基于聚合膨胀卷积网络的图像去模糊方法

Publications (2)

Publication Number Publication Date
CN108376387A CN108376387A (zh) 2018-08-07
CN108376387B true CN108376387B (zh) 2021-09-17

Family

ID=63016610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810008937.1A Active CN108376387B (zh) 2018-01-04 2018-01-04 基于聚合膨胀卷积网络的图像去模糊方法

Country Status (1)

Country Link
CN (1) CN108376387B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4273793A3 (en) * 2018-08-15 2023-12-20 Hyperfine, Inc. Deep learning techniques for suppressing artefacts in magnetic resonance images
CN109363614B (zh) * 2018-08-29 2020-09-01 合肥德易电子有限公司 具有高清视像增强处理功能的智能一体化机器人腔镜系统
CN111105357B (zh) * 2018-10-25 2023-05-02 杭州海康威视数字技术股份有限公司 一种失真图像的去失真方法、装置及电子设备
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
CN109447918A (zh) * 2018-11-02 2019-03-08 北京交通大学 基于注意力机制的单幅图像去雨方法
CN110782397B (zh) * 2018-12-13 2020-08-28 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN111383187B (zh) * 2018-12-29 2024-04-26 Tcl科技集团股份有限公司 一种图像处理方法、装置及智能终端
CN109859120B (zh) * 2019-01-08 2021-03-02 北京交通大学 基于多尺度残差网络的图像去雾方法
CN109919874B (zh) * 2019-03-07 2023-06-02 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110084773A (zh) * 2019-03-25 2019-08-02 西北工业大学 一种基于深度卷积自编码网络的图像融合方法
CN110020684B (zh) * 2019-04-08 2021-01-29 西南石油大学 一种基于残差卷积自编码网络的图像去噪方法
CN110060215B (zh) * 2019-04-16 2021-09-10 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111612711B (zh) * 2019-05-31 2023-06-09 北京理工大学 一种基于生成对抗网络改进的图片去模糊方法
CN110415187B (zh) * 2019-07-04 2021-07-23 Tcl华星光电技术有限公司 图像处理方法及图像处理系统
CN110782399B (zh) * 2019-08-22 2023-05-12 天津大学 一种基于多任务cnn的图像去模糊方法
CN111091503B (zh) * 2019-11-09 2023-05-02 复旦大学 基于深度学习的图像去失焦模糊方法
CN111199521B (zh) * 2019-12-10 2022-10-18 南京理工大学 嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法
CN111199522B (zh) * 2019-12-24 2024-02-09 芽米科技(广州)有限公司 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法
CN111275637B (zh) * 2020-01-15 2024-01-30 北京工业大学 一种基于注意力模型的非均匀运动模糊图像自适应复原方法
CN111340785B (zh) * 2020-02-27 2023-04-07 广州大学 模型训练方法、产品表面缺陷检测方法和存储介质
CN112184573B (zh) * 2020-09-15 2023-05-16 西安理工大学 基于卷积神经网络的上下文聚合残差单幅图像去雨方法
CN112053308B (zh) * 2020-10-22 2023-05-26 华润数字科技有限公司 一种图像去模糊方法、装置、计算机设备及存储介质
CN112348806B (zh) * 2020-11-14 2022-08-26 四川大学华西医院 一种无参考数字病理切片模糊度评价方法
CN112435185A (zh) * 2020-11-19 2021-03-02 北京工业大学 模糊花粉图片处理方法、装置及电子设备
CN112508991B (zh) * 2020-11-23 2022-05-10 电子科技大学 一种前后景分离的熊猫照片卡通化方法
CN112435192B (zh) * 2020-11-30 2023-03-14 杭州小影创新科技股份有限公司 一种轻量级的图像清晰度增强方法
CN112446914B (zh) * 2020-12-04 2023-08-15 中国矿业大学(北京) 一种放顶煤过程中的煤矸石质量计算方法及系统
CN112508817B (zh) * 2020-12-16 2024-05-14 西北工业大学 一种基于循环生成对抗网络的图像运动盲去模糊方法
CN113469269A (zh) * 2021-07-16 2021-10-01 上海电力大学 基于多通道融合的残差卷积自编码风光荷场景生成方法
CN113628139B (zh) * 2021-08-10 2022-09-30 中国人民解放军陆军装甲兵学院 一种基于生成对抗网络的模糊图像复原方法及系统
WO2023070447A1 (zh) * 2021-10-28 2023-05-04 京东方科技集团股份有限公司 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683067A (zh) * 2017-01-20 2017-05-17 福建帝视信息科技有限公司 一种基于残差子图像的深度学习超分辨率重建方法
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
CN107092870A (zh) * 2017-04-05 2017-08-25 武汉大学 一种高分辨率影像语意信息提取方法及系统
CN107451619A (zh) * 2017-08-11 2017-12-08 深圳市唯特视科技有限公司 一种基于感知生成对抗网络的小目标检测方法
CN107527044A (zh) * 2017-09-18 2017-12-29 北京邮电大学 一种基于搜索的多张车牌清晰化方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683067A (zh) * 2017-01-20 2017-05-17 福建帝视信息科技有限公司 一种基于残差子图像的深度学习超分辨率重建方法
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
CN107092870A (zh) * 2017-04-05 2017-08-25 武汉大学 一种高分辨率影像语意信息提取方法及系统
CN107451619A (zh) * 2017-08-11 2017-12-08 深圳市唯特视科技有限公司 一种基于感知生成对抗网络的小目标检测方法
CN107527044A (zh) * 2017-09-18 2017-12-29 北京邮电大学 一种基于搜索的多张车牌清晰化方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Least Squares Generative Adversarial Networks;Xudong Mao等;《2017 IEEE International Conference on Computer Vision (ICCV)》;20171225;第2813-2821页 *

Also Published As

Publication number Publication date
CN108376387A (zh) 2018-08-07

Similar Documents

Publication Publication Date Title
CN108376387B (zh) 基于聚合膨胀卷积网络的图像去模糊方法
Li et al. Efficient and interpretable deep blind image deblurring via algorithm unrolling
CN108376392B (zh) 一种基于卷积神经网络的图像运动模糊去除方法
CN112862688B (zh) 基于跨尺度注意力网络的图像超分辨率重建系统及方法
CN109978785B (zh) 多级递归特征融合的图像超分辨率重构系统及其方法
CN111028150A (zh) 一种快速时空残差注意力视频超分辨率重建方法
CN112164011B (zh) 基于自适应残差与递归交叉注意力的运动图像去模糊方法
CN111462019A (zh) 基于深度神经网络参数估计的图像去模糊方法及系统
CN112465727A (zh) 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法
CN111915660A (zh) 基于共享特征和注意力上采样的双目视差匹配方法及系统
CN112419191B (zh) 基于卷积神经网络的图像运动模糊去除方法
CN112884650B (zh) 一种基于自适应纹理蒸馏的图像混合超分辨率方法
CN112288632A (zh) 基于精简esrgan的单图像超分辨率方法及系统
CN113421187B (zh) 一种超分辨率重建方法、系统、存储介质、设备
CN110610467A (zh) 一种基于深度学习的多帧视频去压缩噪声方法
CN114266709B (zh) 一种基于跨分支连接网络的复合降质图像解耦分析与复原方法
CN116434039B (zh) 一种基于多尺度拆分注意力机制的目标检测方法
CN113096032A (zh) 一种基于图像区域划分的非均匀一致模糊去除方法
CN114913095B (zh) 基于域适应的深度去模糊方法
CN111915492B (zh) 一种基于动态重建的多分支视频超分辨率方法及系统
CN115409713A (zh) 一种高效实时的单张图像超分变率重建系统及方法
Choi et al. Fast super-resolution algorithm using ELBP classifier
Li et al. A multistage and multiresolution deep convolutional neural network for inverse halftoning
CN113012072A (zh) 一种基于注意力网络的图像运动去模糊方法
CN115631115B (zh) 基于递归Transformer的动态图像复原方法

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