CN109118438A - 一种基于生成对抗网络的高斯模糊图像复原方法 - Google Patents
一种基于生成对抗网络的高斯模糊图像复原方法 Download PDFInfo
- Publication number
- CN109118438A CN109118438A CN201810701178.7A CN201810701178A CN109118438A CN 109118438 A CN109118438 A CN 109118438A CN 201810701178 A CN201810701178 A CN 201810701178A CN 109118438 A CN109118438 A CN 109118438A
- Authority
- CN
- China
- Prior art keywords
- network
- gaussian blur
- image
- confrontation network
- recovery method
- 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 32
- 238000011084 recovery Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 241000961787 Josa Species 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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 Processing (AREA)
Abstract
本发明的一种基于生成式对抗网络的高斯模糊图像复原方法,包括生成对抗网络参数训练学习、生成对抗网络应用于高斯模糊图像复原两个步骤,实现了端到端进行图像复原。生成对抗网络包含生成器和判别器两部分,其中生成器和判别器都主要由卷积网络层组成。其中网络的训练过程为:依据构建的高斯模糊核集合,对清晰图像进行模糊,得到训练用的清晰图像和模糊图像数据对集合,用来训练生成对抗网络。给定单幅高斯模糊图像,输入训练好的模型,即可复原的清晰图像。通过使用生成对抗网络,借鉴卷积神经网络的学习和拟合能力,本发明可进一步用以搭建高斯模糊图像复原系统,获得非常好的高斯模糊图像复原效果,在实际中有着重要的实用价值。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种基于生成对抗网络的高斯模糊图像盲复原算法,用于去除图像中的高斯模糊现象。
背景技术
图像在获取过程中容易出现质量降低的现象。当相机处于高速气流中时,相机与气流摩擦生热造成气流密度不均匀,使得图像呈现湍流模糊,就会得到高斯模糊图像。图像去模糊(也称图像复原技术)就是从模糊图像中恢复出清晰图像的技术。这是图像处理中很有挑战性同时又有着极高实用价值的研究内容。研究者们主要集中于利用已有的图像先验知识,提出了很多的图像去模糊技术。其中,这些技术根据点扩散函数(PSF)是否已知,去模糊技术主要分为非盲去模糊和盲去模糊两类。
图像复原早期,研究者们主要研究非盲去模糊技术,逆滤波、维纳滤波、最小二乘方滤波[1]等方法很早就研究者们提出来,但是这几种方法模型过于简单,复原图像存在噪声大,边缘信息丢失严重等问题。针对这些问题,近年来,文献[2]提出了基于超拉普拉斯先验的图像去模糊技术,较为理想的复原了图像边缘,但是仍旧存在算法运行效率低的问题。
在实际中应用中,很难获取图像的点扩散函数,使得非盲去模糊技术应用范围受限。现在,研究者们的主要研究方向在盲去模糊技术,即在点扩散函数未知的情况下,基于尽可能少的先验信息的条件获取尽可能好的图像复原效果。文献[3]将变分贝叶斯方法和梯度先验知识结合起来,获得了图像盲去模糊技术的突破,虽然仍旧存在边缘恢复效果差的情况,但是却也使得盲去模糊技术真正在实际中得以应用。文献[4]考虑边缘恢复问题,提出通过正则化的自然稀疏属性来估计单一的模糊图像的模糊核,对于图像边缘信息得到了很好的恢复效果,但是算法运行效率问题依旧存在。随着深度学习在计算机视觉的很多问题上取得的突破进展,很多学者将卷积神经网络用于图像去模糊,取得了极好的效果,但也存在网络训练复杂、数据获取麻烦等问题。专利[5]提出了卷积神经网络来估计图像块的模糊核,再通过优化马尔可夫随机场模型获得图像逐点不同的运动模糊核。最后,基于估计的运动模糊核解卷积算法获得复原图像的技术,但是该技术不是端到端的解决方案,实际应用中操作比较麻烦。
上述图像去模糊技术均有局限性。图像非盲复原技术假设图像点扩散函数是已知的,但是实际中点扩散函数极为复杂,是未知的。图像盲复原技术需要同时估计点扩散函数和清晰图像,是病态问题,存在多个解的问题,很难得到最优解。图像复原技术的主要难点在于在图像先验知识很少的情况下依旧恢复出边缘、细节良好的图像,同时解决算法运行效率不高的问题。
参考文献
[1]Helstrom C W.Image Restoration by the Method of Least Squares[J](利用最小二乘法的图像复原).Josa,1967,57(3):297-303.
[2]Krishnan D,Fergus R.Fast image deconvolution using hyper-Laplacianpriors(使用超拉普拉斯先验的快速图像解卷积).International Conference on NeuralInformation Processing Systems(国际神经信息处理系统会议).Curran AssociatesInc.2009:1033-1041.
[3]R.Fergus,B.Singh,A.Hertzmann,S.Roweis,and W.Freeman.Removingcamera shake from a single photograph(单张照片的相机抖动消除).ACMTransactions on Graphics(美国计算机学会图形学汇刊),25(3):787–794,2006.
[4]Jinshan Pan and Zhixun Su,Fast l0-Regularized Kernel Estimationfor Robust Motion Deblurring(鲁棒运动去模糊的快L0正则核估计),IEEE SignalProcessing Letters(IEEE信号处理快报),20(9):841-844,2013.
[5]孙剑,曹文飞,徐宗本.一种基于深度神经网络的图像非均匀运动模糊去除方法,A fuzzy image removal method based on heterogeneous depth Neural Network:,CN 104680491 B[P].2016.
发明内容
针对上述现有技术的缺陷和不足,本发明提供一种基于生成对抗网络的高斯模糊图像复原方法。主要关注于去除图像高斯模糊问题。同时作为一种通用模型也适用于去除离焦模糊等问题。本方法假定图像模糊为高斯模糊,即图像模糊核为全局均匀模糊,采用卷积神经网络,自动训练得出模糊图像和清晰图像之间的参数模型,从而去除图像模糊获取清晰图像。
本发明的一种基于生成对抗网络的高斯模糊图像复原方法中,需要搭建深度生成对抗网络,实现方案包括以下步骤:
步骤1、构建高斯模糊核集合,其中高斯模糊卷积核的标准差为0-15之间的十个数,每间隔M(0<M<=1.5)取一个值,即标准差为:M,2M,…,10M。高斯模糊卷积核的尺寸大小为标准差的N(0<N<=10)倍,即卷积核尺寸大小为:0.5N,6N,…,30N;
步骤2、构建生成对抗网络的训练集,将清晰图像与高斯模糊核集合当中的某个模糊核卷积,得到清晰图像对应的模糊图像,同时,再为模糊图像加上一个标准差为0.01的高斯随机噪声,从而得到由{清晰图像,模糊图像}对构成的网络训练集;
步骤3、搭建深度生成对抗网络,用步骤2构建的训练集学习生成对抗网络的参数,得到用于去除图像高斯模糊的生成对抗网络网络模型;
步骤4、使用训练得到的网络模型,依据构建好的端到端的系统,将任意格式和大小的单幅模糊图像直接输入模型,输出得到高斯模糊图像复原后对应的清晰图像。
其中,搭建生成对抗网络的生成器,需要使用修正的残差网络来加深网络层数以提升网络的拟合能力,从而得到深度生成对抗网络。包含n层修正的残差网络层,每个残差网络层组成为:卷积层、非线性响应函数、卷积层,所有卷积层滤波器的尺寸大小都是5*5。
其中,搭建的生成对抗网络的判别器,用来判别网络是否有输出,其组成依次为:10层卷积层、1层全连接层和一个S型函数,所有卷积层滤波器的尺寸是5*5,全连接层神经元个数为512。
其中,网络的训练使用反向传播算法,优化算法使用自适应矩估计算法。
步骤3中的网络的对抗损失函数公式为:
S(Sk)、Lk、B分别表示输入的清晰图像、模型恢复的清晰图像、输入的模糊图像,K表示多尺度使用的尺度(即为3个尺度),ck·wk、hk分别表示每个尺度输入图像的通道数、宽度、高度。
总体而言,通过本发明所构思的以上技术方案,与现有技术相比,主要具备以下的技术优点:
(1)本方法是基于生成对抗网络模型的图像复原方法,通过大规模数据的训练深度神经网络模型,实现端到端高斯模糊图像的复原。为避免模糊核的估计,设计了端到端的网络学习模糊图像和清晰图像之间的关系,利用卷积神经网络的强学习能力和拟合能力,直接得到复原后的清晰图像;
(2)本方法网络模型简单,通过修正的残差网络层加深网络深度,网络容易训练。与此同时,得到的网络模型运行效率高;
(3)本方法用于相机与高速气流摩擦生热造成气流密度不均匀导致的高斯模糊,同时也可适用于离焦模糊复原等方面。在相机处理软件、图像处理软件等方面有着很高的使用价值。
附图说明
图1是本发明的实施流程图;
图2是本发明生成对抗网络的结构图;
图3是图2中生成器模型结构图;
图4是图2中判别器模型说明图;
图5中(a)是输入的高斯模糊实例图像;
图5中(b)是输出的高斯模糊复原实例图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,为本发明高斯模糊图像复原算法的总流程图。本实施例的方法,具体包括以下步骤:
(1)构建高斯模糊核集合,高斯模糊卷积核的标准差为0-15之间的十个数,每间隔M(0<M<=1.5)取一个值,即M,2M,…,10M。高斯模糊卷积核的尺寸大小为标准差的N(0<M<=10)倍,即0.5N,6N,…,30N。具体地,本例选中0.5-5,M取值为0.5,N取值为6。选用1280*720的3000对数据构成训练数据集。
(2)搭建深度生成对抗网络。生成器包含30层修正的残差网络层,每个残差网络层包含两层卷积滤波和非线性响应函数,滤波器的尺寸是5*5;判别器包括10层卷积层、一层全连接层和一个S型函数,滤波器的尺寸是5*5,全连接层神经元个数为512;其中生成对抗网络的结构图如图2所示,生成器模型如图3所示,判别器模型如图4所示。使用步骤(1)产生的训练集学习生成对抗网络的参数,得到用于去除高斯模糊的深度网络模型。
(3)通过步骤(2)训练得到的网络模型,将模糊图像直接输入模型,输出得到复原后的清晰图像。如图5中的(a)是输入模型的高斯模糊图像,图5中的(b)是系统的输出图像,也就是复原的高斯模糊图像。
综上所述,本发明的一种基于生成式对抗网络的高斯模糊图像复原方法,包括生成对抗网络参数训练学习、生成对抗网络应用于高斯模糊图像复原的步骤,实现了端到端进行图像复原。生成对抗网络包含生成器和判别器两部分,其中生成器和判别器都主要由卷积网络层组成。其中网络的训练过程为:依据构建的高斯模糊核集合,对清晰图像进行模糊,得到训练用的清晰图像和模糊图像数据对集合,用来训练生成对抗网络。给定单幅高斯模糊图像,输入训练好的模型,即可复原的清晰图像。通过使用生成对抗网络,借鉴卷积神经网络的学习和拟合能力,本发明可进一步用以搭建高斯模糊图像复原系统,获得非常好的高斯模糊图像复原效果,在实际中有着重要的实用价值。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于生成对抗网络的高斯模糊图像复原方法,其特征在于,包括以下步骤:
步骤1、构建高斯模糊核集合,其中高斯模糊卷积核的标准差为0-15之间的十个数,每间隔M取一个值,0<M<=1.5,即标准差为:M,2M,…,10M;高斯模糊卷积核的尺寸大小为标准差的N倍,0<N<=10,即卷积核尺寸大小为:0.5N,6N,…,30N;
步骤2、构建生成对抗网络的训练集,将清晰图像与高斯模糊核集合当中的模糊核卷积,得到清晰图像对应的模糊图像,以及为模糊图像加上一个标准差为0.01的高斯随机噪声,得到由{清晰图像,模糊图像}对构成的网络训练集;
步骤3、搭建深度生成对抗网络,用步骤2构建的训练集学习生成对抗网络的参数,得到用于去除图像高斯模糊的生成对抗网络网络模型;
步骤4、使用训练得到的网络模型,依据构建好的端到端的系统,将任意格式和大小的单幅模糊图像直接输入模型,输出得到高斯模糊图像复原后对应的清晰图像。
2.如权利要求1所述基于生成对抗网络的高斯模糊图像复原方法,其特征在于,搭建生成对抗网络的生成器,使用修正的残差网络来加深网络层数,得到深度生成对抗网络;生成器包含n层修正的残差网络层,每个残差网络层的组成为:卷积层、非线性响应函数、卷积层,所有卷积层滤波器的尺寸大小都是5*5。
3.权利要求1所述基于生成对抗网络的高斯模糊图像复原方法,其特征在于,搭建的生成对抗网络的判别器,用来判别网络是否有输出,其组成依次为:10层卷积层、1层全连接层和一个S型函数,所有卷积层滤波器的尺寸是5*5,全连接层神经元个数为512。
4.权利要求1所述基于生成对抗网络的高斯模糊图像复原方法,其特征在于,网络的训练使用反向传播算法,优化算法使用自适应矩估计算法。
5.权利要求1所述基于生成对抗网络的高斯模糊图像复原方法,其特征在于,步骤3中的网络的对抗损失函数公式为:
S(Sk)、Lk、B分别表示输入的清晰图像、模型恢复的清晰图像、输入的模糊图像,K表示多尺度使用的尺度,ck、wk、hk分别表示每个尺度输入图像的通道数、宽度、高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810701178.7A CN109118438A (zh) | 2018-06-29 | 2018-06-29 | 一种基于生成对抗网络的高斯模糊图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810701178.7A CN109118438A (zh) | 2018-06-29 | 2018-06-29 | 一种基于生成对抗网络的高斯模糊图像复原方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109118438A true CN109118438A (zh) | 2019-01-01 |
Family
ID=64822111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810701178.7A Pending CN109118438A (zh) | 2018-06-29 | 2018-06-29 | 一种基于生成对抗网络的高斯模糊图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118438A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109978807A (zh) * | 2019-04-01 | 2019-07-05 | 西北工业大学 | 一种基于生成式对抗网络的阴影去除方法 |
CN110009579A (zh) * | 2019-03-14 | 2019-07-12 | 桂林航天工业学院 | 一种基于头脑风暴优化算法的图像复原方法及系统 |
CN110264432A (zh) * | 2019-08-19 | 2019-09-20 | 汕头大学 | 一种基于gan的coltrims图像修复方法及装置 |
CN110428006A (zh) * | 2019-08-01 | 2019-11-08 | 中国科学院自动化研究所 | 计算机生成图像的检测方法、系统、装置 |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN110910442A (zh) * | 2019-11-29 | 2020-03-24 | 华南理工大学 | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 |
CN111178401A (zh) * | 2019-12-16 | 2020-05-19 | 上海航天控制技术研究所 | 一种基于多层对抗网络的空间目标分类方法 |
CN111275637A (zh) * | 2020-01-15 | 2020-06-12 | 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 |
CN111598809A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨理工大学 | 一种基于深度学习的图像运动模糊盲去除算法 |
CN111652813A (zh) * | 2020-05-22 | 2020-09-11 | 中国科学技术大学 | 一种横向束流截面处理方法及装置 |
CN111861894A (zh) * | 2019-04-25 | 2020-10-30 | 上海理工大学 | 基于生成式对抗网络的图像去运动模糊方法 |
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 |
CN113470027A (zh) * | 2021-09-03 | 2021-10-01 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
CN114612362A (zh) * | 2022-03-18 | 2022-06-10 | 四川大学 | 基于多点扩散函数生成对抗网络的大景深成像方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
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 |
-
2018
- 2018-06-29 CN CN201810701178.7A patent/CN109118438A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
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 |
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 |
Non-Patent Citations (5)
Title |
---|
AYAN CHAKRABARTI: "A Neural Approach to Blind Motion Deblurring", 《COMPUTER VISION - ECCV 2016》 * |
CHRISTIAN J. SCHULER等: "Learning to Deblur", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
MENG WANG等: "Generative Adversarial Network based on Resnet for Conditional Image Restoration", 《ARXIV》 * |
刘洪等: "基于张量总变分的模糊图像盲复原", 《计算机应用》 * |
尹磊: "图像模糊复原及质量评价算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110009579A (zh) * | 2019-03-14 | 2019-07-12 | 桂林航天工业学院 | 一种基于头脑风暴优化算法的图像复原方法及系统 |
CN110009579B (zh) * | 2019-03-14 | 2020-11-24 | 桂林航天工业学院 | 一种基于头脑风暴优化算法的图像复原方法及系统 |
CN109978807B (zh) * | 2019-04-01 | 2020-07-14 | 西北工业大学 | 一种基于生成式对抗网络的阴影去除方法 |
CN109978807A (zh) * | 2019-04-01 | 2019-07-05 | 西北工业大学 | 一种基于生成式对抗网络的阴影去除方法 |
CN111861894B (zh) * | 2019-04-25 | 2023-06-20 | 上海理工大学 | 基于生成式对抗网络的图像去运动模糊方法 |
CN111861894A (zh) * | 2019-04-25 | 2020-10-30 | 上海理工大学 | 基于生成式对抗网络的图像去运动模糊方法 |
CN110443882B (zh) * | 2019-07-05 | 2021-06-11 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN110428006A (zh) * | 2019-08-01 | 2019-11-08 | 中国科学院自动化研究所 | 计算机生成图像的检测方法、系统、装置 |
CN110264432A (zh) * | 2019-08-19 | 2019-09-20 | 汕头大学 | 一种基于gan的coltrims图像修复方法及装置 |
CN110910442A (zh) * | 2019-11-29 | 2020-03-24 | 华南理工大学 | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 |
CN110910442B (zh) * | 2019-11-29 | 2023-09-29 | 华南理工大学 | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 |
CN111178401A (zh) * | 2019-12-16 | 2020-05-19 | 上海航天控制技术研究所 | 一种基于多层对抗网络的空间目标分类方法 |
CN111178401B (zh) * | 2019-12-16 | 2023-09-12 | 上海航天控制技术研究所 | 一种基于多层对抗网络的空间目标分类方法 |
CN111275637A (zh) * | 2020-01-15 | 2020-06-12 | 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 |
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 |
CN111598809A (zh) * | 2020-05-18 | 2020-08-28 | 哈尔滨理工大学 | 一种基于深度学习的图像运动模糊盲去除算法 |
CN111652813A (zh) * | 2020-05-22 | 2020-09-11 | 中国科学技术大学 | 一种横向束流截面处理方法及装置 |
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 |
CN113470027A (zh) * | 2021-09-03 | 2021-10-01 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
CN114612362B (zh) * | 2022-03-18 | 2023-05-23 | 四川大学 | 基于多点扩散函数生成对抗网络的大景深成像方法及系统 |
CN114612362A (zh) * | 2022-03-18 | 2022-06-10 | 四川大学 | 基于多点扩散函数生成对抗网络的大景深成像方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118438A (zh) | 一种基于生成对抗网络的高斯模糊图像复原方法 | |
Cai et al. | Framelet-based blind motion deblurring from a single image | |
Godard et al. | Deep burst denoising | |
Michaeli et al. | Blind deblurring using internal patch recurrence | |
Tran et al. | GAN-based noise model for denoising real images | |
Jia | Single image motion deblurring using transparency | |
Aljadaany et al. | Douglas-rachford networks: Learning both the image prior and data fidelity terms for blind image deconvolution | |
CN101639938B (zh) | 一种基于双边滤波器和余量去卷积的图像复原方法 | |
Liu et al. | A motion deblur method based on multi-scale high frequency residual image learning | |
Kinoshita et al. | Automatic exposure compensation using an image segmentation method for single-image-based multi-exposure fusion | |
Stainvas et al. | Blurred face recognition via a hybrid network architecture | |
Liu et al. | Lo-regularized hybrid gradient sparsity priors for robust single-image blind deblurring | |
CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
Ai et al. | Single image super-resolution via residual neuron attention networks | |
Jalata et al. | Eqadap: Equipollent domain adaptation approach to image deblurring | |
Ahn et al. | Super-resolution convolutional neural networks using modified and bilateral ReLU | |
CN102682437A (zh) | 一种基于总变分正则约束的图像解卷积方法 | |
Ge et al. | Blind image deconvolution via salient edge selection and mean curvature regularization | |
CN107301667A (zh) | 基于棋盘格图像对单透镜计算成像的psf估计方法 | |
Cui et al. | Attention-guided multi-scale feature fusion network for low-light image enhancement | |
Farid et al. | Image inpainting based on pyramids | |
Bareja et al. | An improved iterative back projection based single image super resolution approach | |
CN110717873A (zh) | 一种基于多尺度残差的交通标识去模糊检测识别算法 | |
Xu et al. | Poisson image restoration via transformed network | |
Narasimharao et al. | Advanced Techniques for Color Image Blind Deconvolution to Restore Blurred Images |
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: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |