CN108665415A - 基于深度学习的图像质量提升方法及其装置 - Google Patents

基于深度学习的图像质量提升方法及其装置 Download PDF

Info

Publication number
CN108665415A
CN108665415A CN201710186768.6A CN201710186768A CN108665415A CN 108665415 A CN108665415 A CN 108665415A CN 201710186768 A CN201710186768 A CN 201710186768A CN 108665415 A CN108665415 A CN 108665415A
Authority
CN
China
Prior art keywords
deep learning
image
mapping relations
scenes
scene
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.)
Granted
Application number
CN201710186768.6A
Other languages
English (en)
Other versions
CN108665415B (zh
Inventor
吴子章
唐锐
王凡
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.)
Shenzhen Zongmu Anchi Technology Co ltd
Original Assignee
Zongmu Technology Shanghai Co Ltd
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 Zongmu Technology Shanghai Co Ltd filed Critical Zongmu Technology Shanghai Co Ltd
Priority to CN201710186768.6A priority Critical patent/CN108665415B/zh
Publication of CN108665415A publication Critical patent/CN108665415A/zh
Application granted granted Critical
Publication of CN108665415B publication Critical patent/CN108665415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • 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 by the use of more than one image, e.g. averaging, subtraction
    • G06T5/80—

Abstract

本发明提供基于深度学习的图像质量提升方法及其装置。所述方法包括：获取某一场景的畸变图像作为深度学习模型的训练值；获取所述场景的全景图像作为所述深度学习模型的真值；利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对；重复执行训练步骤直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升全景图像成像质量的模型。本发明解决了在拼接生成全景图像的过程中像素不均衡的问题，并大大提高了图像成像质量。

Description

基于深度学习的图像质量提升方法及其装置
技术领域
本发明涉及图像处理领域，特别是涉及基于深度学习的图像质量提升方法及其装置。
背景技术
全景图(Panoramic image)技术的实现过程通常是：首先，利用摄像设备在不同角度或位置对场景进行拍摄，获得反映整个三维场景信息的多张图像；然后，将这些图像根据一定的原则拼接成一张大图，在这张大图上表现整个场景的全部信息，从而实现了将整个场景信息集中到一张图上表示。
目前的全景图像，一般都采用多个鱼眼摄像头拍摄的图像或其他类型摄像头拍摄的图像拼接完成，其边缘成像质量受原始鱼眼图像或其他类型图像的投影映射效果影响。当摄像机模型在图像平面上的成像不均匀时，拼接后的全景图像在边缘部分对应原始图像的像素相对而言会比较稀疏，从而出现模糊不清的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供基于深度学习的图像质量提升方法及其装置，用于解决现有技术中由至少一个图像拼接而成的全景图像的成像质量不佳、像素不均衡等问题。
为实现上述目的及其他相关目的，本发明提供一种基于深度学习的图像质量提升方法，包括：获取某一场景的畸变图像，以作为深度学习模型的训练值；获取所述场景的全景图像，以作为所述深度学习模型的真值；利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；训练步骤：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对；重复执行所述训练步骤直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升全景图像成像质量的模型。
于本发明一实施例中，所述第一卷积神经网络模型包括：多层的卷积网络，用于对输入图像进行多个尺度多个维度的信息压缩与融合；与所述卷积网络相对应的反卷积网络，用于实现相关细节信息的还原。
于本发明一实施例中，所述利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系；所述训练步骤，还包括：选择其他场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对。
于本发明一实施例中，所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。
于本发明一实施例中，所述畸变图像由多张子畸变图像组合构成。
于本发明一实施例中，所述畸变图像包括：鱼眼图像。
于本发明一实施例中，获得的所述场景的全景图像是高清摄像头对所述场景进行拍摄后合成的像素分布均匀的图像。
为实现上述目的及其他相关目的，本发明提供一种基于深度学习的图像质量提升装置，包括：输入模块，用于获取某一场景的畸变图像，以作为深度学习模型的训练值；以及获取所述场景的全景图像，以作为所述深度学习模型的真值；学习模块，用于利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；训练模块，用于重复执行：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对，直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升全景图像成像质量的模型。
于本发明一实施例中，所述第一卷积神经网络模型包括：多层的卷积网络，用于对输入图像进行多个尺度多个维度的信息压缩与融合；与所述卷积网络相对应的反卷积网络，用于实现相关细节信息的还原。
于本发明一实施例中，所述利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系；所述训练模块还用于：选择其他场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对。
于本发明一实施例中，所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。
于本发明一实施例中，所述畸变图像由多张子畸变图像组合构成。
于本发明一实施例中，所述畸变图像包括：鱼眼图像。
于本发明一实施例中，获得的所述场景的全景图像是高清摄像头对所述场景进行拍摄后合成的像素分布均匀的图像。
如上所述，本发明的基于深度学习的图像质量提升方法及其装置，使用深度学习来逼近至少一幅子图与合成的全景图像之间的映射关系，并使用深度调节网络来调节填充细节的风格，进而更加真实地合成全景图像，提高成像的清晰度。
附图说明
图1显示为本发明一实施例中的基于深度学习的图像质量提升方法的流程图。
图2显示为本发明一实施例中的基于深度学习的图像质量提升方法的参考示意图。
图3A～3B分别显示为低分辨率图例，及其采用本发明一实施例中的基于深度学习的图像质量提升方法所生成的高分辨率图例。
图4显示为本发明一实施例中的基于深度学习的图像质量提升装置的模块图。
元件标号说明
4 基于深度学习的图像质量提升装置
401 输入模块
402 学习模块
403 训练模块
S101～S105 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1和图2，本发明提供一种基于深度学习的图像质量提升方法，即建立一种用于提升全景图像成像质量的模型，运用这个模型可以将低分辨率的全景图像处理并输出为高分辨率的全景图像。
需要说明的是，输入的低分辨率的全景图像可以是一幅图像、还可以由多幅子图像组合而成的一幅完整的图像，例如：用四个摄像头对某个场景进行拍摄，每个摄像头分别摄取所述场景的1/4，将这四个摄像头拍摄得到的四幅图像依据所述场景进行排列与组合，便可形成所述场景的全景图像。鉴于这种通过拼接生成的全景图像成像质量比较差，本发明要通过建立的模型对其进行改善。
承接上述，本发明的基于深度学习的图像质量提升方法包括如下步骤：
步骤S101：获取某一场景的畸变图像，以作为深度学习模型的训练值；所述畸变图像可以是鱼眼摄像头拍摄获取的鱼眼图像，还可以是其他类型的畸变图像。
步骤S102：获取所述场景的全景图像，以作为所述深度学习模型的真值；在一中实现方式中，本步骤所述的全景图像，可以是通过高清摄像头对所述场景进行拍摄并合成的像素分布均匀的图像。
(上述步骤S101和S102在执行顺序上不做限定，也可以同时进行。)
需要说明的是，目前高清摄像头指的是HD 1080P或HD 960P或HD 720P的摄像头，而1080P的称为全高清。720P的高清摄像头对应的分辨率为1280*720；960P的高清摄像头对应的分辨率为1280*960；1080P的高清摄像头对应的分辨率为1920*1080。高清在数字电视里有明确的规定，在摄像头里虽然没有明确规定，但已经形成了默认的行规。
步骤S103：利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；在一实施例中，所述第一卷积神经网络模型包括：多层的卷积网络(多模态条件模型)、以及与所述卷积网络相对应的反卷积网络(像素细节预测)，其中，所述多层的卷积网络用于对输入图像进行多个尺度多个维度的信息压缩与融合，所述反卷积网络用于实现相关细节信息的还原。
步骤S104：选择另一场景的畸变图像作为所述映射关系的输入，经过所述映射关系的处理后获得输出的所述另一场景的全景图像，并与所述另一场景的预设全景图像进行比对；这里，所述预设全景图像可以是预先通过高清摄像头拍摄获得的。
步骤S105：重复执行步骤S104直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升全景图像成像质量的模型。
请参阅图2，为了建立一种更加优化的用于提升全景图像成像质量的模型，所述步骤S103还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系。所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。详细的：
输入图像在经过多层的卷积网络(多模态条件模型)的处理后会生成中间图像，利用基于场景分类的神经网络模型，即第二卷积神经网络模型，可以调节根据具体场景赋予的细节信息，从而有助于后续像素细节的成功预测。
此时，对应的步骤S104的训练过程为：选择另一场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述另一场景的全景图像，并与所述另一场景的预设全景图像进行比对。对应的步骤S105的执行过程为：判断所述比对生成的差异值是否小于或等于预设值；若是，则将所述优化后的所述映射关系确定为最终的用于提升全景图像成像质量的模型；若否，则重复所述训练过程，直至比对生成的差异值小于或等于所述预设值。
如图3A～图3B所示，按照上述基于深度学习的图像质量提升方法步骤获得的用于提升全景图像成像质量的模型，可以在帮助合成全景图像的同时，在一定程度上提升全景图像的成像质量。
请参阅图4，与上述实施例原理相似的是，本发明还提供一种基于深度学习的图像质量提升装置4，包括：输入模块401、学习模块402、训练模块403。所述装置4作为一种软件实现，可通过各类机器语言编写生成，搭载于具有输入/输出、信息存储、信息处理等功能的电子设备(如：台式电脑、笔记本电脑、智能手机等)执行。
由于前述实施例中的技术特征可以应用于本装置实施例，因而不再重复赘述。
输入模块401获取某一场景的畸变图像(如：鱼眼图像等)作为深度学习模型的训练值；获取所述场景的全景图像作为所述深度学习模型的真值，其中，获得的所述场景的全景图像是高清摄像头对所述场景进行拍摄后合成的像素分布均匀的图像。
学习模块402利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，其中，所述第一卷积神经网络模型可以是：用于对输入图像进行多个尺度多个维度的信息压缩与融合的多层的卷积网络，以及用于实现相关细节信息的还原的、与所述卷积网络相对应的反卷积网络。
训练模块403用于重复执行：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对，直至比对生成的差异值小于或等于预设阈值。最后，将此时经过训练得到的映射关系确定为最终的用于提升全景图像成像质量的模型。
在一实施例中，所述利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系，其中，所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。此时，所述训练模块403还用于：选择其他场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对。
综上所述，本发明的基于深度学习的图像质量提升方法及其装置，解决了在拼接生成全景图像的过程中像素不均衡的问题，并大大提高了图像成像质量，有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (14)

1.一种基于深度学习的图像质量提升方法，其特征在于，包括：
获取某一场景的畸变图像，以作为深度学习模型的训练值；
获取所述场景的全景图像，以作为所述深度学习模型的真值；
利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；
训练步骤：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对；
重复执行所述训练步骤直至比对生成的差异值小于或等于预设阈值，并将此时经过训练得到的映射关系确定为最终的用于提升图像成像质量的模型。
2.根据权利要求1所述的基于深度学习的图像质量提升方法，其特征在于，所述第一卷积神经网络模型包括：
多层的卷积网络，用于对输入图像进行多个尺度多个维度的信息压缩与融合；
与所述卷积网络相对应的反卷积网络，用于实现相关细节信息的还原。
3.根据权利要求1所述的基于深度学习的图像质量提升方法，其特征在于，所述利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系；
所述训练步骤，还包括：选择其他场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对。
4.根据权利要求3所述的基于深度学习的图像质量提升方法，其特征在于，所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。
5.根据权利要求1或3所述的基于深度学习的图像质量提升方法，其特征在于，所述畸变图像由多张子畸变图像组合构成。
6.根据权利要求5所述的基于深度学习的图像质量提升方法，其特征在于，所述畸变图像包括：鱼眼图像。
7.根据权利要求5所述的基于深度学习的图像质量提升方法，其特征在于，获得的所述场景的全景图像是高清摄像头对所述场景进行拍摄后合成的像素分布均匀的图像。
8.一种基于深度学习的图像质量提升装置，其特征在于，包括：
输入模块，用于获取某一场景的畸变图像，以作为深度学习模型的训练值；以及获取所述场景的全景图像，以作为所述深度学习模型的真值；
学习模块，用于利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系；
训练模块，用于重复执行：选择其他场景的畸变图像作为所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对，直至比对生成的差异值小于或等于预设阈值；并将此时经过训练得到的映射关系确定为最终的用于提升图像成像质量的模型。
9.根据权利要求8所述的基于深度学习的图像质量提升装置，其特征在于，所述第一卷积神经网络模型包括：
多层的卷积网络，用于对输入图像进行多个尺度多个维度的信息压缩与融合；
与所述卷积网络相对应的反卷积网络，用于实现相关细节信息的还原。
10.根据权利要求8所述的基于深度学习的图像质量提升装置，其特征在于，所述利用建立的第一卷积神经网络模型，学习并生成所述训练值与所述真值之间的映射关系，还包括：利用建立的第二卷积神经网络模型，学习并调节在生成所述映射关系的过程中所生成的中间图像，从而优化所述映射关系；
所述训练模块还用于：选择其他场景的畸变图像作为优化后的所述映射关系的输入，从而获得输出的所述其他场景的全景图像，并与所述其他场景的预设全景图像进行比对。
11.根据权利要求10所述的基于深度学习的图像质量提升装置，其特征在于，所述第二卷积神经网络模型包括：通过利用多层的卷积网络来学习多个场景信息从而具备场景分类能力的网络模型，用于辅助所述第一卷积神经网络模型来进行有针对性地细节信息还原。
12.根据权利要求8或10所述的基于深度学习的图像质量提升装置，其特征在于，所述畸变图像由多张子畸变图像组合构成。
13.根据权利要求12所述的基于深度学习的图像质量提升装置，其特征在于，所述畸变图像包括：鱼眼图像。
14.根据权利要求12所述的基于深度学习的图像质量提升装置，其特征在于，获得的所述场景的全景图像是高清摄像头对所述场景进行拍摄后合成的像素分布均匀的图像。
CN201710186768.6A 2017-03-27 2017-03-27 基于深度学习的图像质量提升方法及其装置 Active CN108665415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710186768.6A CN108665415B (zh) 2017-03-27 2017-03-27 基于深度学习的图像质量提升方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710186768.6A CN108665415B (zh) 2017-03-27 2017-03-27 基于深度学习的图像质量提升方法及其装置

Publications (2)

Publication Number Publication Date
CN108665415A true CN108665415A (zh) 2018-10-16
CN108665415B CN108665415B (zh) 2021-11-09

Family

ID=63785392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710186768.6A Active CN108665415B (zh) 2017-03-27 2017-03-27 基于深度学习的图像质量提升方法及其装置

Country Status (1)

Country Link
CN (1) CN108665415B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008738A (zh) * 2019-12-04 2020-04-14 云南锡业集团（控股）有限责任公司研发中心 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN111125760A (zh) * 2019-12-20 2020-05-08 支付宝(杭州)信息技术有限公司 保护数据隐私的模型训练、预测方法及其系统
CN111292234A (zh) * 2018-12-07 2020-06-16 大唐移动通信设备有限公司 一种全景图像生成方法及装置
CN111445518A (zh) * 2020-03-25 2020-07-24 贝壳技术有限公司 图像转换方法和装置、深度图预测方法和装置
CN111507911A (zh) * 2020-04-02 2020-08-07 广东九联科技股份有限公司 一种基于深度学习的图像质量处理方法
CN116863429A (zh) * 2023-07-26 2023-10-10 小米汽车科技有限公司 检测模型的训练方法、可行使区域的确定方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158684A (zh) * 2010-02-12 2011-08-17 王炳立 具有图像增强功能的自适应场景图像辅助系统
CN103150705A (zh) * 2012-12-06 2013-06-12 华中科技大学 一种弱小目标图像的自适应恢复增强方法
CN103546665A (zh) * 2012-07-11 2014-01-29 北京博雅华录视听技术研究院有限公司 基于多摄像头的图像清晰度增强方法
CN104732491A (zh) * 2015-03-05 2015-06-24 北京空间机电研究所 一种边缘先验引导的单帧遥感图像超分辨率处理方法
CN105590300A (zh) * 2016-01-13 2016-05-18 中国空间技术研究院 一种基于波前畸变与光轴抖动测量信息的图像质量提升方法
CN105894451A (zh) * 2016-03-30 2016-08-24 沈阳泰科易科技有限公司 全景图像拼接方法和装置
CN106067161A (zh) * 2016-05-24 2016-11-02 深圳市未来媒体技术研究院 一种对图像进行超分辨的方法
CN106408086A (zh) * 2016-09-12 2017-02-15 上海影城有限公司 用于图像优化的深度学习神经网络处理方法及系统
CN106530256A (zh) * 2016-11-18 2017-03-22 四川长虹电器股份有限公司 一种基于改进深度学习的智能相机图像盲超分辨率系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158684A (zh) * 2010-02-12 2011-08-17 王炳立 具有图像增强功能的自适应场景图像辅助系统
CN103546665A (zh) * 2012-07-11 2014-01-29 北京博雅华录视听技术研究院有限公司 基于多摄像头的图像清晰度增强方法
CN103150705A (zh) * 2012-12-06 2013-06-12 华中科技大学 一种弱小目标图像的自适应恢复增强方法
CN104732491A (zh) * 2015-03-05 2015-06-24 北京空间机电研究所 一种边缘先验引导的单帧遥感图像超分辨率处理方法
CN105590300A (zh) * 2016-01-13 2016-05-18 中国空间技术研究院 一种基于波前畸变与光轴抖动测量信息的图像质量提升方法
CN105894451A (zh) * 2016-03-30 2016-08-24 沈阳泰科易科技有限公司 全景图像拼接方法和装置
CN106067161A (zh) * 2016-05-24 2016-11-02 深圳市未来媒体技术研究院 一种对图像进行超分辨的方法
CN106408086A (zh) * 2016-09-12 2017-02-15 上海影城有限公司 用于图像优化的深度学习神经网络处理方法及系统
CN106530256A (zh) * 2016-11-18 2017-03-22 四川长虹电器股份有限公司 一种基于改进深度学习的智能相机图像盲超分辨率系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292234A (zh) * 2018-12-07 2020-06-16 大唐移动通信设备有限公司 一种全景图像生成方法及装置
CN111292234B (zh) * 2018-12-07 2022-12-13 大唐移动通信设备有限公司 一种全景图像生成方法及装置
CN111008738A (zh) * 2019-12-04 2020-04-14 云南锡业集团（控股）有限责任公司研发中心 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN111125760A (zh) * 2019-12-20 2020-05-08 支付宝(杭州)信息技术有限公司 保护数据隐私的模型训练、预测方法及其系统
CN111125760B (zh) * 2019-12-20 2022-02-15 支付宝(杭州)信息技术有限公司 保护数据隐私的模型训练、预测方法及其系统
CN111445518A (zh) * 2020-03-25 2020-07-24 贝壳技术有限公司 图像转换方法和装置、深度图预测方法和装置
CN111445518B (zh) * 2020-03-25 2023-04-18 如你所视(北京)科技有限公司 图像转换方法和装置、深度图预测方法和装置
CN111507911A (zh) * 2020-04-02 2020-08-07 广东九联科技股份有限公司 一种基于深度学习的图像质量处理方法
CN116863429A (zh) * 2023-07-26 2023-10-10 小米汽车科技有限公司 检测模型的训练方法、可行使区域的确定方法和装置

Also Published As

Publication number Publication date
CN108665415B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN108665415A (zh) 基于深度学习的图像质量提升方法及其装置
US20200372609A1 (en) Super-resolution video reconstruction method, device, apparatus and computer-readable storage medium
US10579908B2 (en) Machine-learning based technique for fast image enhancement
US10708525B2 (en) Systems and methods for processing low light images
US8704875B2 (en) Apparatus for generating real-time stereoscopic image and method thereof
US20210133920A1 (en) Method and apparatus for restoring image
CN110853110B (zh) 一种基于生成对抗网络的图片自动调色方法
CN105701837A (zh) 一种相机几何标定处理方法及装置
WO2023010754A1 (zh) 一种图像处理方法、装置、终端设备及存储介质
CN111402139B (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
US20180198970A1 (en) High dynamic range imaging using camera arrays
RU2596062C1 (ru) Способ коррекции изображения глаз с использованием машинного обучения и способ машинного обучения
Yue et al. Recaptured screen image demoiréing
Guo et al. Real-time dense-view imaging for three-dimensional light-field display based on image color calibration and self-supervised view synthesis
WO2023010750A1 (zh) 一种图像颜色映射方法、装置、终端设备及存储介质
KR102092205B1 (ko) 초해상화, 역톤매핑 및 동시 초해상화-역톤매핑 처리된 다중 출력 이미지를 생성하는 이미지 처리 방법 및 장치
Zhang et al. Multi-branch and progressive network for low-light image enhancement
CN105791659A (zh) 图像处理方法和电子设备
CN109788199B (zh) 一种适用于具有双摄像头终端的对焦方法
KR101606539B1 (ko) 360도 원형 디스플레이의 3차원 영상 렌더링 방법
CN113658091A (zh) 一种图像评价方法、存储介质及终端设备
EP4283566A2 (en) Single image 3d photography with soft-layering and depth-aware inpainting
WO2016071566A1 (en) Variable resolution image capture
CN115049559A (zh) 模型训练、人脸图像处理、人脸模型处理方法及装置、电子设备及可读存储介质
CN112016456B (zh) 基于自适应反向投影深度学习的视频超分辨率方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211019

Address after: 518057 915, building 3, Xunmei science and Technology Plaza, No. 8, Keyuan Road, science and Technology Park community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Applicant after: Shenzhen Zongmu Anchi Technology Co.,Ltd.

Address before: Room 343, block B, building 1, No. 977, Shangfeng Road, Pudong New Area, Shanghai, 201201

Applicant before: ZONGMU TECHNOLOGY (SHANGHAI) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant