CN108711141A - 利用改进的生成式对抗网络的运动模糊图像盲复原方法 - Google Patents
利用改进的生成式对抗网络的运动模糊图像盲复原方法 Download PDFInfo
- Publication number
- CN108711141A CN108711141A CN201810475368.1A CN201810475368A CN108711141A CN 108711141 A CN108711141 A CN 108711141A CN 201810475368 A CN201810475368 A CN 201810475368A CN 108711141 A CN108711141 A CN 108711141A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- loss function
- block
- restored
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000000203 mixture Substances 0.000 claims abstract description 6
- 230000009977 dual effect Effects 0.000 claims abstract description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- 238000011084 recovery Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
Abstract
本发明提出利用改进的生成式对抗网络的运动模糊图像盲复原方法，通过生成网络和判别网络对抗训练获得清晰图像，它的特点是不需要估计模糊核，可实现端对端图像盲复原。生成网络是与残差网络结合的全卷积神经网络，可加深网络层，同时降低训练时间。判别网络是由卷积层，池化层和全连接层组成的二分类网络，用于判定生成网络复原出的图像或原始清晰图像。损失函数采用平滑及非饱和梯度的最小均方差，可优化网络训练，避免梯度消失。同时在生成网络的损失函数中增加图像保真项，用于约束复原图像的分布更接近于清晰图像。
Description
技术领域
本发明属于图像处理技术领域。
背景技术
模糊图像盲复原是图像处理任务中一个基础性的课题，当模糊核未知时对运动模糊图像进行复原是严重的不适定性问题。在传统的模糊图像盲复原中，主要通过各种先验知识对图像和模糊核进行约束，建立具有泛化能力的强约束图像复原模型，其中精确的模糊核估计是关键，同时需要快速的模型求解算法，为此，这些问题成为长时期影响模糊图像盲复原技术实际应用的瓶颈。
深度学习具有自动提取特征的特点以及强大的计算能力，目前已经成为模糊图像复原研究的发展方向。深度学习虽然可以实现模糊图像到复原图像的空间映射，但是由于缺少对不同模糊类型的泛化能力，早期主要用于实现模糊图像的非盲复原。由于传统图像盲复原研究已经获得不少各具特色的研究成果，为此，最近研究者提出将深度学习与传统方法结合，实现对模糊图像的盲复原。这类方法存在的问题是计算难度大，调参复杂的过程，同时大多数情况仍然需要估计模糊核。为此，在深度学习框架下不估计模糊核的模糊图像盲复原成为研究者努力的方向，这是一个具有挑战性的难题。近期有学者提出不估计模糊核的全网络，但研究仍处于起步阶段，设计的网络较为复杂，训练不稳定。
发明内容
针对以上现有技术的不足，本发明提出一种利用改进的生成式对抗网络(GenerativeAdversarial Nets，GAN)的运动模糊图像盲复原方法，该方法基于GAN的思想，通过生成网络和判别网络的对抗训练，直接复原出清晰的图像，不需要估计模糊核，由于该网络不需要估计模糊核，可实现端对端的图像盲复原，大大提高模糊图像的复原质量和速度。
本发明的技术方案如下：
本发明提出的利用改进的生成式对抗网络的运动模糊图像盲复原方法是通过生成网络和判别网络对抗训练获得清晰图像，实现端对端图像盲复原，包括如下步骤：
步骤1、改进GAN的生成网络G和判别网络D的网络结构：改进的生成网络G由15个卷积层组成，每层的卷积核大小相同为3×3，最后一层输出为残差块；改进的判别网络D由6个卷积层，2个池化层和2个全连接层组成，其中，卷积层中卷积核大小相同，均为3×3。每隔三层卷积层设计一个采样层用于对特征图像进行降维，在输出之前为两个全连接层。
步骤2、将原始的模糊图像分块，批量输入生成网络G中，通过15个卷积层输出的残差块与输入原始的模糊图像块相加输出复原图像块，用G(B)′＝G(B)+B表示，其中，B表示模糊图像块，G(B)表示残差块，G(B)′表示复原图像块。
步骤3、将复原出图像块与清晰图像块同时输入D中进行分类。
步骤4、交替训练G和D，分别最小化G和D的损失函数，损失函数采用平滑及非饱和梯度的最小均方差，同时在生成网络的损失函数中增加图像保真项；D的损失函数改进为：
其中，L(D)为D的损失函数，D(I)表示输入为清晰图像时D的输出，D(G(B)′)表示输入为复原图像时D输出的标量，1、0分别表示清晰图像或复原图像的标签；G的损失函数改进为：
其中，L(G)为G的损失函数，是D的损失函数对G的约束项，为图像的保真项，λ表示为权重,用于调节约束项对保真项的影响。
步骤5、使G生成的复原图像块尽可能地混淆D，而D尽可能的给出准确的判断，直到G和D的损失函数值不再变化停止训练，最后将复原图像块组成整张复原图像。
本发明方法是以生成式对抗网络GAN为基础，GAN由生成网络G和判别网络D组成，对GAN进行改进，重新设计G和D的网络结构，使G可根据模糊尺度的不同来加深网络层，并降低训练时间，D为简化的两分类网络，实现判断是生成网络复原出的图像还是原始清晰图像。
并且，生成网络G和判别网络D的损失函数采用平滑及非饱和梯度的最小均方差，用于优化网络训练，避免梯度消失。同时在生成网络的损失函数中增加图像保真项，用于约束复原图像的分布更接近于清晰图像。
本发明方法与现有采用GAN来进行模糊图像盲复原的方法的不同在于：
1、损失函数的不同
本发明是在最小均方差GAN的基础上增加了图像保真项，在优化过程中按需分配，解决了梯度消失的问题，节省了训练时间，同时提高了图像质量。最小均方差则可以根据D的输出结果与标签的距离远近来决定惩罚力度，忽略距离标签近的样本去关注距离标签远的样本。从模糊图像复原的角度，为减少对足够清晰的图像的训练，增大对模糊程度大的图像的训练。
2、GAN的形式不同
本发明采用普通的生成式对抗网络，将标签改为清晰图像与模糊图像的残差，从无监督学习变为监督学习。
3、网络结构不同
本发明中生成网络采用相同卷积核大小的网络结构，将输出标签改为清晰图像与模糊图像的残差，没有归一化层，结构简单，计算速度更快。
综上所述，本发明的优点在于：
本发明不估计模糊核，简化了复原过程，利用卷积神经网络自动提取图像特征的特点，通过D对G生成图像的对抗约束，反复迭代，较好的复原出清晰的图像。G输出复原图像与模糊图像的残差块，灵活调整网络层数以扩大神经元的感受野，可接受更大尺度的模糊核，可加深网络层同时降低训练时间。G和D的损失函数均采用最小均方差，可避免梯度消失，使训练过程更加稳定，易于收敛。对G的损失函数中增加图像保真项，使复原图像的分布更接近于清晰图像。
本发明具有很大的学术价值，同时，由于运动模糊图像是模糊图像的基本类型，广泛存在于科学研究、社会活动的各个方面，为此，本发明也具有很好的社会意义。
附图说明
图1：G的网络结构图；
图2：D的网络结构图；
图3：改进的生成式对抗网络结构图；
图4：G的损失值曲线图；
图5：D的损失值曲线图；
图6：测试图像的复原结果。
具体实施方式
以下将结合附图，以运动模糊图像盲复原的整个过程为例，对本发明的优选实施例进行详细描述。优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
如图3所示，改进的生成式对抗网络包括生成网络G和判别网络D。G实现模糊图像到残差的空间映射，其中残差表示复原图像与模糊图像的差值，D对复原图像与清晰图像进行区分。
具体过程为：将模糊图像分块，批量输入G中，通过15个卷积层输出的残差块与输入的模糊图像块相加输出复原图像块，将其与清晰图像块同时输入D中进行分类。交替训练G和D，分别最小化G和D的损失函数，使G生成的复原图像块尽可能地混淆D，而D尽可能的给出准确的判断，直到G和D的损失函数值不再变化停止训练，迭代次数大于最大次数，最后将复原图像块组成整张复原图像。
在训练的过程中，当训练G时，使G生成的复原图像块在D中被误判为1即清晰图像，让复原图像更逼近于清晰图像。训练D时，尽量使D能够将G生成的复原图像判定为0或清晰图像判定为1。这样L(G)L(D)的值出现如图4和图5的对抗关系，即当L(G)达到最小时，L(D)达到最大值；当L(G)达到最大值时，L(D)达到最小值。最小均方差在最小化的过程中根据D的输出结果与标签的距离远近来决定惩罚力度，忽略距离标签近的样本去关注距离标签远的样本。从模糊图像复原的角度，为减少对足够清晰的图像的训练，增大对模糊程度大的图像的训练，从而使复原的图像整体质量更高。
以上方法中，生成网络是与残差网络结合的全卷积神经网络，可加深网络层，同时降低训练时间。判别网络是由卷积层，池化层和全连接层组成的二分类网络，用于判定生成网络复原出的图像或原始清晰图像。损失函数采用平滑及非饱和梯度的最小均方差，可优化网络训练，避免梯度消失。同时在生成网络的损失函数中增加图像保真项，用于约束复原图像的分布更接近于清晰图像。
本实施例中，改进的生成网络G由15个卷积层组成，每层的卷积核大小相同为3×3，最后一层输出为残差块，将残差块与原始的模糊图像块相加即为复原出的清晰图像块。G的网络结构如图1所示。
本实施例中，改进的判别网络D由6个卷积层，2个池化层和2个全连接层组成。其中，卷积层中卷积核大小相同，均为3×3。每隔三层卷积层设计一个采样层用于对特征图像进行降维，在输出之前为两个全连接层。D的网络结构如图2所示。
本实施例中，模糊图像复原损失函数一般为均方差，即其中I′表示复原图像，I表示清晰图像，m表示模糊图像的数量。生成网络G输出的结果为复原图像与模糊图像的残差块，于是复原图像为G(B)′＝G(B)+B，其中，B表示模糊图像块，G(B)表示残差块，G(B)′表示复原图像块。
本发明中G和D的损失函数分别改进为式(1)、(2)所示。
其中，L(G)为G的损失函数，L(D)为D的损失函数。D(I)表示输入为清晰图像时D的输出，D(G(B)′)表示输入为复原图像时D输出的标量，1、0分别表示清晰图像或复原图像的标签。是D的损失函数对G的约束项，为图像的保真项。λ表示为权重,用于调节约束项对保真项的影响。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，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。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (2)
1.利用改进的生成式对抗网络的运动模糊图像盲复原方法，其特征在于，所述方法通过生成网络和判别网络对抗训练获得清晰图像，实现端对端图像盲复原，步骤如下：
步骤1、改进GAN的生成网络G和判别网络D的网络结构：改进的生成网络G由15个卷积层组成，每层的卷积核大小相同为3×3，最后一层输出为残差块；改进的判别网络D由6个卷积层，2个池化层和2个全连接层组成，其中，卷积层中卷积核大小相同，均为3×3，每隔三层卷积层设计一个采样层用于对特征图像进行降维，在输出之前为两个全连接层；
步骤2、将原始的模糊图像分块，批量输入生成网络G中，通过15个卷积层输出的残差块与输入原始的模糊图像块相加输出复原图像块，用G(B)′＝G(B)+B表示，其中，B表示模糊图像块，G(B)表示残差块，G(B)′表示复原图像块；
步骤3、将复原出的图像块与清晰图像块同时输入判别网络D中进行分类；
步骤4、交替训练G和D，分别最小化G和D的损失函数，损失函数采用平滑及非饱和梯度的最小均方差，同时在生成网络的损失函数中增加图像保真项；D的损失函数改进为：
其中，L(D)为D的损失函数，D(I)表示输入为清晰图像时D的输出，D(G(B)′)表示输入为复原图像时D输出的标量，1、0分别表示清晰图像或复原图像的标签；G的损失函数改进为：
其中，L(G)为G的损失函数，是D的损失函数对G的约束项，为图像的保真项，λ表示为权重,用于调节约束项对保真项的影响；
步骤5、使G生成的复原图像块尽可能地混淆D，而D尽可能的给出准确的判断，直到G和D的损失函数值不再变化，停止训练，最后将复原图像块组成整张复原图像。
2.根据权利要求1所述的运动模糊图像盲复原方法，其特征在于，在训练的过程中，当训练G时，使G生成的复原图像块在D中被误判为1即清晰图像，让复原图像更逼近于清晰图像；训练D时，尽量使D能够将G生成的复原图像判定为0或清晰图像判定为1；这样使L(G)L(D)的值出现对抗关系，即当L(G)达到最小时，L(D)达到最大值；当L(G)达到最大值时，L(D)达到最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810475368.1A CN108711141B (zh) | 2018-05-17 | 2018-05-17 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810475368.1A CN108711141B (zh) | 2018-05-17 | 2018-05-17 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108711141A true CN108711141A (zh) | 2018-10-26 |
| CN108711141B CN108711141B (zh) | 2022-02-15 |
Family
ID=63868234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810475368.1A Active CN108711141B (zh) | 2018-05-17 | 2018-05-17 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108711141B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493296A (zh) * | 2018-10-31 | 2019-03-19 | 泰康保险集团股份有限公司 | 图像增强方法、装置、电子设备及计算机可读介质 |
| 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 |
| CN109949234A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 基于深度网络的视频复原模型训练方法及视频复原方法 |
| CN110113604A (zh) * | 2019-04-26 | 2019-08-09 | 电子科技大学 | 一种新型图像分层编码方法 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110288079A (zh) * | 2019-05-20 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 特征数据获取方法、装置和设备 |
| CN110599416A (zh) * | 2019-09-02 | 2019-12-20 | 太原理工大学 | 一种基于空间目标图像数据库的非合作目标图像盲复原方法 |
| CN110599435A (zh) * | 2019-09-04 | 2019-12-20 | 精英数智科技股份有限公司 | 一种图像合成的方法、装置、设备和存储介质 |
| CN110782397A (zh) * | 2018-12-13 | 2020-02-11 | 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 |
| CN110969589A (zh) * | 2019-12-03 | 2020-04-07 | 重庆大学 | 基于多流注意对抗网络的动态场景模糊图像盲复原方法 |
| WO2020087607A1 (zh) * | 2018-11-02 | 2020-05-07 | 北京大学深圳研究生院 | 一种基于Bi-Skip-Net的图像去模糊方法 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 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 |
| JP2020154605A (ja) * | 2019-03-19 | 2020-09-24 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
| CN111968047A (zh) * | 2020-07-22 | 2020-11-20 | 中国西安卫星测控中心 | 一种基于生成式对抗网络的自适应光学图像盲复原方法 |
| CN112330550A (zh) * | 2020-10-16 | 2021-02-05 | 西安工业大学 | 一种基于图像盲解卷积技术的图像复原方法及系统 |
| CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
| CN113570516A (zh) * | 2021-07-09 | 2021-10-29 | 湖南大学 | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103590A (zh) * | 2017-03-22 | 2017-08-29 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
| CN107194872A (zh) * | 2017-05-02 | 2017-09-22 | 武汉大学 | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 |
| AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
| US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
| CN107590774A (zh) * | 2017-09-18 | 2018-01-16 | 北京邮电大学 | 一种基于生成对抗网络的车牌清晰化方法及装置 |
| CN107679465A (zh) * | 2017-09-20 | 2018-02-09 | 上海交通大学 | 一种基于生成网络的行人重识别数据生成和扩充方法 |
| CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及系统 |
| CN107798669A (zh) * | 2017-12-08 | 2018-03-13 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
| CN107862668A (zh) * | 2017-11-24 | 2018-03-30 | 河海大学 | 一种基于gnn的文物图像复原方法 |
| CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
| CN107958472A (zh) * | 2017-10-30 | 2018-04-24 | 深圳先进技术研究院 | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 |
| CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
-
2018
- 2018-05-17 CN CN201810475368.1A patent/CN108711141B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
| CN107103590A (zh) * | 2017-03-22 | 2017-08-29 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
| CN107194872A (zh) * | 2017-05-02 | 2017-09-22 | 武汉大学 | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 |
| AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
| CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及系统 |
| CN107590774A (zh) * | 2017-09-18 | 2018-01-16 | 北京邮电大学 | 一种基于生成对抗网络的车牌清晰化方法及装置 |
| CN107679465A (zh) * | 2017-09-20 | 2018-02-09 | 上海交通大学 | 一种基于生成网络的行人重识别数据生成和扩充方法 |
| CN107958472A (zh) * | 2017-10-30 | 2018-04-24 | 深圳先进技术研究院 | 基于稀疏投影数据的pet成像方法、装置、设备及存储介质 |
| CN107862668A (zh) * | 2017-11-24 | 2018-03-30 | 河海大学 | 一种基于gnn的文物图像复原方法 |
| CN107798669A (zh) * | 2017-12-08 | 2018-03-13 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
| CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
| CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
Non-Patent Citations (4)
| Title |
|---|
| BING TIAN 等: "Super-resolution Deblurring Algorithm for Generative Adversarial Networks", 《2017 SECOND INTERNATIONAL CONFERENCE ON MECHANICAL, CONTROL AND COMPUTER ENGINEERING》 * |
| T M NIMISHA 等: "Blur-Invariant Deep Learning for Blind-Deblurring", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
| 徐一峰: "生成对抗网络理论模型和应用综述", 《金华职业技术学院学报》 * |
| 李策 等: "生成对抗映射网络下的图像多层感知去雾算法", 《计算机辅助设计与图形学学报》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493296A (zh) * | 2018-10-31 | 2019-03-19 | 泰康保险集团股份有限公司 | 图像增强方法、装置、电子设备及计算机可读介质 |
| WO2020087607A1 (zh) * | 2018-11-02 | 2020-05-07 | 北京大学深圳研究生院 | 一种基于Bi-Skip-Net的图像去模糊方法 |
| 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 |
| CN110782397A (zh) * | 2018-12-13 | 2020-02-11 | 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 |
| 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 |
| CN109949234A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 基于深度网络的视频复原模型训练方法及视频复原方法 |
| JP7283156B2 (ja) | 2019-03-19 | 2023-05-30 | 富士フイルムビジネスイノベーション株式会社 | 画像処理装置及びプログラム |
| JP2020154605A (ja) * | 2019-03-19 | 2020-09-24 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
| CN110113604A (zh) * | 2019-04-26 | 2019-08-09 | 电子科技大学 | 一种新型图像分层编码方法 |
| CN110113604B (zh) * | 2019-04-26 | 2021-03-30 | 电子科技大学 | 一种图像分层编码方法 |
| CN110288079A (zh) * | 2019-05-20 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 特征数据获取方法、装置和设备 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110599416A (zh) * | 2019-09-02 | 2019-12-20 | 太原理工大学 | 一种基于空间目标图像数据库的非合作目标图像盲复原方法 |
| CN110599416B (zh) * | 2019-09-02 | 2022-10-11 | 太原理工大学 | 一种基于空间目标图像数据库的非合作目标图像盲复原方法 |
| CN110599435A (zh) * | 2019-09-04 | 2019-12-20 | 精英数智科技股份有限公司 | 一种图像合成的方法、装置、设备和存储介质 |
| CN110969589A (zh) * | 2019-12-03 | 2020-04-07 | 重庆大学 | 基于多流注意对抗网络的动态场景模糊图像盲复原方法 |
| CN110969589B (zh) * | 2019-12-03 | 2023-06-02 | 重庆大学 | 基于多流注意对抗网络的动态场景模糊图像盲复原方法 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 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 |
| 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 |
| CN111968047A (zh) * | 2020-07-22 | 2020-11-20 | 中国西安卫星测控中心 | 一种基于生成式对抗网络的自适应光学图像盲复原方法 |
| CN112330550A (zh) * | 2020-10-16 | 2021-02-05 | 西安工业大学 | 一种基于图像盲解卷积技术的图像复原方法及系统 |
| CN112330550B (zh) * | 2020-10-16 | 2023-08-08 | 西安工业大学 | 一种基于图像盲解卷积技术的图像复原方法及系统 |
| CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
| CN113570516A (zh) * | 2021-07-09 | 2021-10-29 | 湖南大学 | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 |
| CN113570516B (zh) * | 2021-07-09 | 2022-07-22 | 湖南大学 | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108711141B (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108711141A (zh) | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 | |
| CN107748895B (zh) | 基于dct-cnn模型的无人机着陆地貌图像分类方法 | |
| Wang et al. | Training deeper convolutional networks with deep supervision | |
| CN109543502A (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
| CN108596053A (zh) | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 | |
| CN110223259A (zh) | 一种基于生成式对抗网络的道路交通模糊图像增强方法 | |
| CN109002845A (zh) | 基于深度卷积神经网络的细粒度图像分类方法 | |
| CN107301400A (zh) | 一种语义导向的半监督视频对象分割方法 | |
| CN107092959A (zh) | 基于stdp非监督学习算法的硬件友好型脉冲神经网络模型 | |
| CN106203331A (zh) | 一种基于卷积神经网络的人群密度估算方法 | |
| CN105005774A (zh) | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 | |
| CN112395442B (zh) | 移动互联网上的低俗图片自动识别与内容过滤方法 | |
| CN112906485A (zh) | 基于改进的yolo模型的视障人士辅助障碍物感知方法 | |
| CN109003234B (zh) | 针对运动模糊图像复原的模糊核计算方法 | |
| CN112489050A (zh) | 一种基于特征迁移的半监督实例分割算法 | |
| CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
| CN111462191A (zh) | 一种基于深度学习的非局部滤波器无监督光流估计方法 | |
| CN112434723B (zh) | 一种基于注意力网络的日/夜间图像分类及物体检测方法 | |
| CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
| CN114820579A (zh) | 一种基于语义分割的图像复合缺陷的检测方法及系统 | |
| CN111832453A (zh) | 基于双路深度神经网络的无人驾驶场景实时语义分割方法 | |
| CN112669343A (zh) | 一种基于深度学习的壮族少数民族服饰分割方法 | |
| CN110135501A (zh) | 基于神经网络框架的高动态范围图像取证方法 | |
| CN115205594A (zh) | 一种基于混合样本的长尾图像数据分类方法 | |
| CN110334743B (zh) | 一种基于卷积长短时记忆网络的渐进迁移学习方法 |
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 |