CN109377459B - 一种生成式对抗网络的超分辨率去模糊方法 - Google Patents
一种生成式对抗网络的超分辨率去模糊方法 Download PDFInfo
- Publication number
- CN109377459B CN109377459B CN201811166453.6A CN201811166453A CN109377459B CN 109377459 B CN109377459 B CN 109377459B CN 201811166453 A CN201811166453 A CN 201811166453A CN 109377459 B CN109377459 B CN 109377459B
- Authority
- CN
- China
- Prior art keywords
- degrees
- network
- super
- resolution
- blur
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 17
- 230000013016 learning Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000010410 layer Substances 0.000 claims 5
- 239000011229 interlayer Substances 0.000 claims 2
- 238000011176 pooling Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000013461 design Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 230000003321 amplification Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000035045 associative learning Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
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
本发明提供了一种生成式对抗网络的超分辨率去模糊方法，包括：S1、运用DRCN网络结构，组成超分辨率深度卷积网络，建立对抗网络模型；S2、结合SRGAN网络代价函数，提升对抗网络性能；S3、选择清晰图片，进行高斯噪声、运动模糊添加，实现训练。本发明针对运动模糊的特征进行分析，对样本人工噪声进行设计，加入散焦模糊核、多方向运动模糊核，实现模糊图像两倍放大的超分辨率去运动模糊处理，并对无人机拍摄的模糊图像进行实验分析，可以极大降低专业知识经验对去模糊算法设计的影响。
Description
技术领域
本发明涉及模式识别技术领域，特别是一种生成式对抗网络的超分辨率去模糊方法。
背景技术
随着经济的快速发展，我国输变电需求持续增加，电力系统规模不断扩大，电力系统的安全和稳定问题日益显著，这对输变电技术的可靠性提出了较高要求。输变电技术的主要作用在于满足人们的电力需求，同时电力技术的熟练应用也是保障电网稳定供电的基础，同时有效的防止供电过程中意外事件的发生，推动我国电网事业的建设与发展。随着计算机技术水平的提升以及近年来深度学习技术的突破发展，将人工智能技术应用于输变电设备检测已成为实际可行策略。
围绕输变电设备是否正常运行或者是否存在潜在危险监控判断难的问题，需充分利用高性能计算资源，开展智能输变电巡检图像识别技术研究。针对无人机拍摄的输电线路图像存在较一致的图像模糊问题，运动模糊的产生是因为曝光时间内物体和相机发生了相对位移。将模糊图像清晰化是目标检测和识别等操作的重要预先处理过程，对检测识别精准度有极大影响。
图像去模糊问题的不适定性通过引入图像先验模型使其良态化，建立合适的图像先验模型成为实现图像去运动模糊的关键。国外Kundur在96年开始早期盲复原研究，只针对特定的退化模型。06年Fergus等人利用模糊核的拟合分布函数、噪声分布函数、自然图像梯度分布函数等先验统计信息进行正则化约束，复原出清晰图像，并采用变分贝叶斯方法估计出模糊核。基于边缘信息先验估计模糊核的复原算法，Joshi N等人利用较为尖锐的图像边缘求解出模糊核，但不能精确估计且算法时间消耗大。12年Hu等人提出基于梯度域修正的模糊核估计，利用梯度先验知识约束复原图像并反馈修正模糊核。13年HEK等的利用指导滤波复原，对抑制复原后的噪声，保持复原图像的细节有很好的效果。针对不同场景导致的模糊图像，构建相应的模糊核，来实现模糊核反卷积去模糊是非常困难的，因此本文为降低模糊核设计复杂度做了相关研究。近年来，稀疏表示和机器学习的算法也被引入到消模糊复原中来，用来简化算法提高算法的速度，减少噪声。深度学习发展中提出了生成式对抗网络(GANs)，以机器学习的方法进行图片构建，为构建出更清晰的图像提供了可能。
无人机数据采集作业中，采集的信息往往面对阳光直射或遭遇野外、市区等复杂背景干扰，导致采集到的图像出现运动模糊、低对比度等问题，图像质量提升对目标检测与识别有着重大影响，低质量图片导致缺陷提取的准确性降低；传统的去模糊算法基于人工计算或设定模糊核，但人工设定模糊核往往非常困难，需要启发式方法和非常专业的知识，很大程度上也靠个人经验，因此现在使用的去模糊算法还无法达到更智能化，更具适应性的能力。
发明内容
本发明的目的是提供一种生成式对抗网络的超分辨率去模糊方法，旨在解决了现有的去模糊算法存在的智能化低、适应性差的问题，实现提升训练速度、去模糊速度，降低专业知识经验对去模糊算法设计的影响。
为达到上述技术目的，本发明提供了一种生成式对抗网络的超分辨率去模糊方法，包括以下步骤：
S1、运用DRCN网络结构，组成超分辨率深度卷积网络，建立对抗网络模型；
S2、结合SRGAN网络代价函数，提升对抗网络性能；
S3、选择清晰图片，进行高斯噪声、运动模糊添加，实现训练。
优选地，所述对抗网络模型包括生成模型和判别模型，所述生成模型用于生成服从真实数据分布的样本G(z)，判别模型用于判断输入样本是真实数据还是生成数据。
优选地，所述判别模型的训练是实现最小交叉熵的过程，所述交叉熵的计算公式如下：
式中，D(x)表示x通过判别网络判断其为真实样本的概率；D(G(z))表示生成样本通过判别网络后，判断其为真实样本的概率。
优选地，所述SRGAN网络代价函数的计算公式为：
其中，
是基于内容的代价函数，用于计算内容损失，
是基于对抗学习的代价函数，用于计算对抗损失。
优选地，所述基于内容的代价函数包括像素空间均方差和特征空间均方差，所述特征空间均方差计算公式为：
优选地，所述对抗损失的计算公式如下：
其中，
是一个图像属于真实的高分辨率图像的概率；
是重建的高分辨率图像。
优选地，所述高斯噪声、运动模糊添加具体为：运用5类散焦模糊核、16*18类运动模糊核进行超分辨率训练样本制作。
优选地，所述5类散焦模糊核运用圆形区域值滤波器构建，模糊半径为r，r＝{1，2，3，4，5}。
优选地，所述16*18类运动模糊核定义如下：
规定运动像素的个数为m，m＝{5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20}；逆时针方向旋转角度θ，θ＝{0°，10°，20°，30°，40°，50°，60°，70°，80°，90°，100°，110°，120°，130°，140°，150°，160°，170°}，运动模糊核以m，θ自由组合，实现16*18个运动模糊核构建。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
与现有技术相比，本发明通过运用深度学习自动学习特征的优势，实现特征的自主学习，运用两个网络对抗式的结构、相互竞争的训练模式，实现图片生成网络能力的提升，并通过使用GPU加快学习网络的处理速度优点，提升训练速度、去模糊速度。其中生成式对抗网络GAN可经过学习自动生成图像，从而能够做到有条件性的学习，有指导性的进行图像生成。本发明针对运动模糊的特征进行分析，对样本人工噪声进行设计，加入散焦模糊核、多方向运动模糊核，实现模糊图像两倍放大的超分辨率去运动模糊处理，并对无人机拍摄的模糊图像进行实验分析，可以极大降低专业知识经验对去模糊算法设计的影响。
附图说明
图1为本发明实施例中所提供的一种生成式对抗网络的超分辨率去模糊方法流程图；
图2为本发明实施例中所提供的一种生成式对抗网络模型示意图；
图3为本发明实施例中所提供的散焦模糊核示意图；
图4为本发明实施例中所提供的16种运动模糊核示意图。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种生成式对抗网络的超分辨率去模糊方法进行详细说明。
如图1所示，本发明实施例公开了一种生成式对抗网络的超分辨率去模糊方法，包括以下步骤：
S1、运用DRCN网络结构，组成超分辨率深度卷积网络，建立对抗网络模型；
S2、结合SRGAN网络代价函数，提升对抗网络性能；
S3、选择清晰图片，进行高斯噪声、运动模糊添加，实现训练。
生成式对抗网络由两个模型构成，生成模型G和判别模型D，随机噪声高斯噪声z1和运动噪声z2通过生成模型G生成尽量服从真实数据分布Pdata的样本G(z)，判别模型D可以判断出输入样本是真实数据x还是生成数据G(z)，如图2所示。
在生成器给定的情况下，优化判别器。所述判别器为一个二分类模型，训练判别器是实现最小化交叉熵的过程，E(·)为期望值的计算，x采样于真实数据分布Pdata(x)，z采样于先验分布Pz(z)。生成器为了学习数据x的分布，由先验噪声分布Pz(z)构建了一个映射空间G(z；θg)，所对应的判别器映射函数为D(x；θd)，输出一个标量表示x为真实数据的概率。
可将上述公式分为两部分，第一部分为
其中x表示真实样本，D(x)表示x通过判别网络判断其为真实样本的概率；第二部分为
z表示输入生成样本的噪声，G(z)表示生成网络由噪声z生成的样本，而D(G(z))表示生成样本通过判别网络后，判断其为真实样本的概率。生成网络是要让生成样本越接近真实样本越好，即D(G(z))越接近1越好，这时V(D，G)会变小，而判别网络的目的是要让D(x)接近1，而D(G(z))接近0，此时V(D，G)会增大。
SRGAN超分辨率方法使用GAN来生成图像的细节，SRGAN的代价函数为：
其中，
是基于内容的代价函数，用于计算内容损失，
是基于对抗学习的代价函数，用于计算对抗损失，基于内容的代价函数除了上述像素空间的最小均方差之外，又包含了一个基于特征空间的最小均方差，该特征是利用VGG网络提取的图像高层次特征，特征均方差公式如下：
生成网络与鉴别网络的对抗式学习的代价函数是基于判别器输出的概率，对抗性损失的计算如下：
其中，
是一个图像属于真实的高分辨率图像的概率。
是重建的高分辨率图像。
选择较清晰图片，进行高斯噪声、运动模糊添加，实现训练，运用5类散焦模糊核、16*18类运动模糊核进行超分辨率训练样本制作。其中5类散焦模糊核运用圆形区域值滤波器构建，模糊半径r，r＝{1，2，3，4，5}。为清楚显示模糊核的轮廓，此处五类模糊核矩阵都乘以相应的倍数来显示，如图3所示，第一行为散焦模糊核，其中disc_k_a*b指散焦模糊核半径为a，模糊核矩阵放大倍数为b。
其中5类散焦模糊核，运用圆形区域值滤波器构建，模糊半径为r，r＝{1,2,3,4,5}。其中16*18类运动模糊核定义如下：规定运动像素的个数为m，m＝{5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20}；逆时针方向旋转角度θ，θ＝{0°，10°，20°，30°，40°，50°，60°，70°，80°，90°，100°，110°，120°，130°，140°，150°，160°，170°}，运动模糊核以m，θ自由组合，实现16*18个运动模糊核构建。如图4所示，其为16种运动模糊核。
实验中模型参数使用VGG19进行初始化，此处VGG19为在Imagnet数据集上训练的VGG19权重。初始化完成后对生成网络进行预训练，预训练参数如表1第二行所示。进行50代的预训练后将参数导入对抗网络中的卷积层中，并进行对抗网络的训练。对抗网络中生成网络训练参数如表1中第三行所示。对抗网络中鉴别网络训练参数：卷积层8层、从生成网络的第二代开始训练更新鉴别器、每一代进行一次鉴别器更新。
表1
| Conv-num | batch-shape | upscale | batch-size | epoch-size | epoch |
| 3 | 200*200 | 2 | 15 | 72 | 50 |
| 16 | 180*180 | 2 | 15 | 72 | 500 |
本发明实施例通过运用深度学习自动学习特征的优势，实现特征的自主学习，运用两个网络对抗式的结构、相互竞争的训练模式，实现图片生成网络能力的提升，并通过使用GPU加快学习网络的处理速度优点，提升训练速度、去模糊速度。其中农生成式对抗网络GAN可经过学习自动生成图像，从而能够做到有条件性的学习，有指导性的进行图像生成。本发明针对运动模糊的特征进行分析，对样本人工噪声进行设计，加入散焦模糊核、多方向运动模糊核，实现模糊图像两倍放大的超分辨率去运动模糊处理，并对无人机拍摄的模糊图像进行实验分析，可以极大降低专业知识经验对去模糊算法设计的影响。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种生成式对抗网络的超分辨率去模糊方法，其特征在于，包括以下步骤：
S1、运用DRCN网络结构，组成超分辨率深度卷积网络，建立对抗网络模型；
S2、结合SRGAN网络代价函数，提升对抗网络性能；所述SRGAN网络代价函数的计算公式为：
其中，
是基于内容的代价函数，用于计算内容损失，
是基于对抗学习的代价函数，用于计算对抗损失；
所述基于内容的代价函数包括像素空间均方差和特征空间均方差，所述特征空间均方差计算公式为：
其中，Wi,j指网络ij层间特征图的宽度；Hi,j指网络ij层间特征图的高度；φi,j(IHR)x1,y1指原图像在网络第ij层间的特征图在点(x1，y1)上的值；
指重建高分辨率图像在网络第ij层间的特征图在点(x1，y1)上的值；i指第i个最大池化层；j指第i个最大池化层前的第j个卷积层；x1指特征图横坐标x1变量；y1指特征图纵坐标y1变量；
S3、选择清晰图片，进行高斯噪声、运动模糊添加，实现训练；
所述高斯噪声、运动模糊添加具体为：运用5类散焦模糊核、16*18类运动模糊核进行超分辨率训练样本制作；
5类散焦模糊核的模糊半径r＝{1,2,3,4,5}，为清楚显示模糊核的轮廓，五类模糊核矩阵乘以相应的倍数来显示，模糊核矩阵放大倍数为b；
16*18类运动模糊核定义如下：规定运动像素的个数为m，m＝{5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20}；逆时针方向旋转角度θ，θ＝{0°，10°，20°，30°，40°，50°，60°，70°，80°，90°，100°，110°，120°，130°，140°，150°，160°，170°}，运动模糊核以m、θ自由组合，实现16*18个运动模糊核构建。
2.根据权利要求1所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述对抗网络模型包括生成模型和判别模型，所述生成模型用于生成服从真实数据分布的样本G(z)，判别模型用于判断输入样本是真实数据还是生成数据。
3.根据权利要求2所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述判别模型的训练是实现最小交叉熵的过程，所述交叉熵的计算公式如下：
式中，D(x)表示真实样本数据x通过判别网络判断其为真实样本的概率；D(G(z))表示生成样本通过判别网络后，判断其为真实样本的概率；x～Pdata(x)代表：x指真实样本数据，Pdata(x)指真实样本分布，真实样本数据x采样于真实样本分布Pdata(x)；z～Pz(z)代表：z指噪声，Pz(z)指先验分布Pz(z)，噪声z采样于先验分布Pz(z)。
4.根据权利要求1所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述对抗损失的计算公式如下：
其中，
是一个图像属于真实的高分辨率图像的概率；
是重建的高分辨率图像；θD指鉴别器网络，由权重和偏差组成；N指图片总数，n指第n张图片。
5.根据权利要求1所述的一种生成式对抗网络的超分辨率去模糊方法，其特征在于，所述5类散焦模糊核运用圆形区域值滤波器构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811166453.6A CN109377459B (zh) | 2018-09-30 | 2018-09-30 | 一种生成式对抗网络的超分辨率去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811166453.6A CN109377459B (zh) | 2018-09-30 | 2018-09-30 | 一种生成式对抗网络的超分辨率去模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109377459A CN109377459A (zh) | 2019-02-22 |
| CN109377459B true CN109377459B (zh) | 2022-03-18 |
Family
ID=65403685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811166453.6A Active CN109377459B (zh) | 2018-09-30 | 2018-09-30 | 一种生成式对抗网络的超分辨率去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109377459B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120024B (zh) | 2019-05-20 | 2021-08-17 | 百度在线网络技术（北京）有限公司 | 图像处理的方法、装置、设备和存储介质 |
| CN110264415B (zh) * | 2019-05-24 | 2020-06-12 | 北京爱诺斯科技有限公司 | 一种消除抖动模糊的图像处理方法 |
| CN110796584A (zh) * | 2019-10-28 | 2020-02-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 运动模糊图像建模方法、装置、存储介质及巡检机器人 |
| CN111476095A (zh) * | 2020-03-05 | 2020-07-31 | 平安科技（深圳）有限公司 | 一种表情属性识别方法、装置、计算机设备及存储介质 |
| CN111833248B (zh) * | 2020-06-19 | 2023-06-16 | 西北大学 | 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统 |
| 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 |
| CN112488944A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 样本生成和模型训练方法、装置、设备和计算机可读介质 |
| CN113033542B (zh) * | 2021-04-25 | 2024-03-01 | 中国电子系统技术有限公司 | 一种文本识别模型的生成方法以及装置 |
| TWI783721B (zh) * | 2021-10-08 | 2022-11-11 | 瑞昱半導體股份有限公司 | 決定去模糊化濾波器係數的方法 |
| CN115456914B (zh) * | 2022-11-08 | 2023-03-24 | 浙江优众新材料科技有限公司 | 一种基于先验知识的散焦图像去模糊方法、装置及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104112252A (zh) * | 2013-04-19 | 2014-10-22 | 杭州海康威视数字技术股份有限公司 | 一种图像去模糊的方法和装置 |
| CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
| CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
-
2018
- 2018-09-30 CN CN201811166453.6A patent/CN109377459B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104112252A (zh) * | 2013-04-19 | 2014-10-22 | 杭州海康威视数字技术股份有限公司 | 一种图像去模糊的方法和装置 |
| CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
| CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
Non-Patent Citations (4)
| Title |
|---|
| DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks;Orest Kupyn et al.;《https://arxiv.org/pdf/1711.07064.pdf》;20180404;第1-6页 * |
| Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network;Christian Ledig et al.;《2017 IEEE Conference on Computer Vision and Pattern Recognition》;20171109;第105-110页 * |
| 单幅模糊图像复原技术的研究与实现;张晓军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915;第2014年卷(第9期);第I138-1032页 * |
| 单幅运动模糊图像的盲复原研究;汪华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115;第2018年卷(第1期);第I138-1776页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109377459A (zh) | 2019-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109377459B (zh) | 一种生成式对抗网络的超分辨率去模糊方法 | |
| Tian et al. | Deep learning on image denoising: An overview | |
| Engin et al. | Cycle-dehaze: Enhanced cyclegan for single image dehazing | |
| Divakar et al. | Image denoising via CNNs: An adversarial approach | |
| Cai et al. | Blind inpainting using the fully convolutional neural network | |
| CN110969589A (zh) | 基于多流注意对抗网络的动态场景模糊图像盲复原方法 | |
| CN111161178A (zh) | 基于生成式对抗网络的单幅低光图像增强方法 | |
| CN110136075B (zh) | 一种基于边缘锐化循环生成对抗网络的遥感影像去雾方法 | |
| CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
| Zuo et al. | Convolutional neural networks for image denoising and restoration | |
| CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
| CN111340716A (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
| CN111915486A (zh) | 基于图像超分辨重建的对抗样本防御方法 | |
| Zhou et al. | SurroundNet: Towards effective low-light image enhancement | |
| Pires et al. | Image denoising using attention-residual convolutional neural networks | |
| Guo et al. | D3-Net: Integrated multi-task convolutional neural network for water surface deblurring, dehazing and object detection | |
| CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
| Zhang et al. | Mffe: Multi-scale feature fusion enhanced net for image dehazing | |
| CN113034371A (zh) | 一种基于特征嵌入的红外与可见光图像融合方法 | |
| Xu et al. | Multi-scale dehazing network via high-frequency feature fusion | |
| İncetaş et al. | A novel image Denoising approach using super resolution densely connected convolutional networks | |
| CN112819731B (zh) | 灰度图像增强方法、装置、计算机设备及存储介质 | |
| Li et al. | FA-GAN: a feature attention GAN with fusion discriminator for non-homogeneous dehazing | |
| Ren et al. | Least squares dcgan based semantic image inpainting | |
| Nanavati et al. | Generative adversarial networks: A comparative analysis |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Applicant after: Electric Power Research Institute of State Grid Shandong Electric Power Company Applicant after: National Network Intelligent Technology Co., Ltd. Applicant after: State Grid Co., Ltd. Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Applicant before: Electric Power Research Institute of State Grid Shandong Electric Power Company Applicant before: Shandong Luneng Intelligent Technology Co., Ltd. Applicant before: State Grid Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201027 Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Applicant after: National Network Intelligent Technology Co.,Ltd. Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Applicant before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co. Applicant before: National Network Intelligent Technology Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |