CN109410144B - 一种基于深度学习的端到端图像去雾处理方法 - Google Patents
一种基于深度学习的端到端图像去雾处理方法 Download PDFInfo
- Publication number
- CN109410144B CN109410144B CN201811289744.4A CN201811289744A CN109410144B CN 109410144 B CN109410144 B CN 109410144B CN 201811289744 A CN201811289744 A CN 201811289744A CN 109410144 B CN109410144 B CN 109410144B
- Authority
- CN
- China
- Prior art keywords
- image
- fog
- convolution
- layer
- neural 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 239000010410 layer Substances 0.000 claims abstract description 49
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011229 interlayer Substances 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000011084 recovery Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 10
- 238000002834 transmittance Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- 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
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
本发明涉及一种基于深度学习的端到端图像去雾处理方法，该方法通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像，其中，所述深度卷积神经网络包括：特征提取模块，包括多个卷积子模块，对输入图像进行卷积计算，提取多维特征图谱；特征池化模块，包括多个池化层，每个池化层对应连接于一所述卷积子模块之后，对所述多维特征图谱进行去冗余处理；恢复模块，包括多个反卷积子模块，连接于所述特征池化模块之后，输出与输入图像具有相同分辨率的输出图像；层间跳跃连接层，设有多个，实现池化层的输出与相应反卷积子模块的输入间的层间跳跃连接，融合多尺度特征图谱。与现有技术相比，本发明具有去雾效果好、过程简单等优点。
Description
技术领域
本发明涉及一种图像处理方法，尤其是涉及一种基于深度学习的端到端图像去雾处理方法。
背景技术
雾是陆地和海洋上常见的大气现象。在有雾的天气中，存在很多具有一定尺寸的大气微小颗粒。它们不仅吸收目标物体/场景的反射光，同时自身的反射光同目标物体的反射光一起进入相机，使得相机获取的光线信息受到干扰，无法对目标物体/场景进行清晰成像。由于成像的模糊和噪声，给基于计算机视觉的各种算法在性能上带来很大的困难和挑战，如目标识别/跟踪、场景分割、自动驾驶等。
随着图像处理技术的发展，图像去雾受到了广泛的关注。目前图像去雾算法主要可以分为两类：第一类是基于大气散射模型的传统图像恢复，采用人为定义的图像特征提取，聚类或是信息统计等，估算大气散射模型中的透射率及大气光强，通过该散射模型的逆向求解来得到去雾图像，该类型方法的主要缺点是透射率和大气光强估算准确率和鲁棒性不高，会出现图像色彩失真和引入噪声等现象；第二类是采用深度卷积网络模型，基于大样本量训练，让网络自身学习到如何估算透射率和大气光强，再通过模型公式求解无雾图像；或是神经网络并不显式估算这两个参数，而是直接输出恢复的无雾图像。深度学习模型的优点在于不用人为定义特征的提取方法，网络本身可以学到如何提取所需特征，比传统的图像处理方法在去雾效果上具有更高的恢复准确度和普适度。
目前图像传统去雾处理方法在恢复准确度和普适度上存在较大不足，而现有大部分基于深度学习的方法并没有实现有效的端到端图像去雾，还需要通过估算的透射率和大气光强进行后处理。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的端到端图像去雾处理方法。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的端到端图像去雾处理方法，该方法通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像，其中，所述深度卷积神经网络包括：
特征提取模块，包括多个卷积子模块，对输入图像进行卷积计算，提取多维特征图谱；
特征池化模块，包括多个池化层，每个池化层对应连接于一所述卷积子模块之后，对所述多维特征图谱进行去冗余处理；
恢复模块，包括多个反卷积子模块，连接于所述特征池化模块之后，输出与输入图像具有相同分辨率的输出图像；
层间跳跃连接层，设有多个，实现池化层的输出与相应反卷积子模块的输入间的层间跳跃连接，融合多尺度特征图谱。
进一步地，所述卷积子模块包括相连接的两层卷积层。
进一步地，所述反卷积子模块包括相连接的一层反卷积层和一层卷积层。
进一步地，所述层间跳跃连接层为一卷积层。
进一步地，所述深度卷积神经网络中，每个卷积层后设有非线性激活层。
进一步地，所述深度卷积神经网络训练时采用的样本数据库通过如下方式生成：
获取无雾图像，对无雾图像进行加雾处理，生成不同光照强度和雾化浓度下的有雾图像，即一幅无雾图像对应多幅有雾图像，以无雾-有雾图像组作为样本，组成样本数据库。
进一步地，所述加雾处理采用的加雾处理函数为：
G(I)＝F(I)*T(I)+a*(1-T(I))
其中，I为原始无雾RGB图像，F(I)表示对图像进行随机处理函数，T(I)＝{t(p)|p为I的任一像素}为图像对应的透射率，t(p)为像素p的透射率，a为大气光强，G(I)为生成的有雾图像。
进一步地，所述深度卷积神经网络训练时采用图像差异代价函数更新网络参数，所述图像差异代价函数L表示为：
L＝L1+L2
L1＝|R(G(I))-I|
L2＝|R(G1(I))-RG2(I)|
其中，L1表示有雾图像与真实无雾图像比较得到的差异代价，L2表示一致性比较差异代价，I为无雾图像，G(I)为有雾图像，R表示通过神经网络变换，G1(I)和G2(I)表示由同一无雾图像处理获得的不同有雾图像。
与现有技术相比，本发明具有以如下有益效果：
1)本发明构成了深度卷积神经网络，设置有层间跳跃连接层，可以让网络融合多尺度下的特征图谱，加速网络收敛速度同时能够恢复更好的图像细节。
2)本发明深度卷积神经网络中，每个卷积层后加入有非线性激活层，使得整个网络具备模拟高阶非线性函数的能力。
3)本发明采用的图像组作为样本输入，设置同时考虑单个图像差异和多个图像之间差异的组代价函数对网络参数进行更新，可以防止神经网络过拟合，提升网络鲁棒性和普适性。
4)本发明可以通过深度卷积神经网络将有雾图像直接转换为无雾图像，实现端到端图像去雾，不需要估算中间参数，同时能够获得很好的去雾效果。
附图说明
图1为本发明的流程示意图；
图2为本发明的深度卷积神经网络的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明实现一种基于深度学习的端到端图像去雾处理方法，通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像，不需要估算中间参数，同时能够获得很好的去雾效果。
如图1所示，该方法具体步骤包括：
步骤S101，获取样本数据库。
首先获取无雾图像集，基于大气散射模型对其不同浓度的加雾处理，并进行数据增强，生成相应的有雾数据集，将无雾图像集和有雾图像集组成样本数据库。
加雾处理采用的加雾处理函数为：
G(I)＝F(I)*T(I)+a*(1-T(I))
其中，I为原始无雾RGB图像，F(I)表示对图像进行随机处理函数，包括图像旋转，缩放、裁剪、对称翻转、对比度调整、颜色随机调整操作，T(I)＝{t(p)|p为I的任一像素}为图像对应的透射率，t(p)为像素p的透射率，a为大气光强，G(I)为生成的有雾图像。t(p)依据像素深度值d(p)进行估算，t(p)＝e^(-beta*d(p))。beta和a随机取自(0.7-1.3)和(0.5,1)。
本实施例中，获取NYU Depth V2Dataset，包含无雾的清晰RGB图像以及与之配准的深度图像，作为训练样本中的无雾图像集。对NYU Depth V2Dataset中的无雾图像进行加雾处理；为了能够适应不同天气条件，基于大气散射模型和图像的深度信息，生成不同光照强度和雾化浓度下的有雾图像。本实施例中共生成5万张无雾-有雾图像对作为训练样本，600张有雾-无雾图像对作为测试样本。
本实施例中，将有雾-无雾图像对裁剪并缩放至224×224图像大小。
步骤S102，构建深度卷积神经网络。
如图2所示，本发明的深度卷积神经网络包括：
特征提取模块，包括多个卷积子模块，对输入图像进行卷积计算，提取多维特征图谱；
特征池化模块，包括多个池化层，每个池化层对应连接于一所述卷积子模块之后，对所述多维特征图谱进行去冗余处理；
恢复模块，包括多个反卷积子模块，连接于所述特征池化模块之后，输出与输入图像具有相同分辨率的输出图像；
层间跳跃连接层，设有多个，实现池化层的输出与相应反卷积子模块的输入间的层间跳跃连接，融合多尺度特征图谱。
本实施例中，特征提取由5个卷积子模块构成，对输入图像和特征图谱进行卷积运算并提取多维特征图谱。每个卷积子模块包含2层卷积层，2层卷积层的卷积核大小分别为1*1和5*5，5个模块内每层包含的卷积核个数分别为64,128,256,256,512。
特征池化由5个池化层构成，分别接入第1-5个卷积子模块之后，对特征图谱进行平均值下采样，去除冗余信息，增大感受野并降低运算和存储开销。
恢复模块由5个反卷积子模块构成，每个反卷积子模块包含一个反卷积层和一个卷积层；反卷积子模块将特征图谱进行上采样，使得网络能够将多尺度感受野下提取的特征并最终恢复成具有同输入有雾图像相同分辨率的无雾图像。
层间跳跃连接层设有4个，为卷积层，将卷积得到的特征图谱与反卷积恢复的特征图谱连接，融合多尺度特征图谱。层间跳跃连接包含64个3*3的卷积核，将各个池化层的输出连接至相应反卷积层的输入；该跳跃连接可以让网络融合多尺度下的特征图谱，加速网络收敛速度同时能够恢复更好的图像细节。
深度卷积神经网络的每个卷积层后还设有非线性激活层，使得整个网络具备模拟高阶非线性函数的能力。
步骤S103，训练深度卷积神经网络。
设置网络的学习率和动量参数，利用matconvnet训练上述卷积神经网络模型，直至网络收敛。
训练时采用图像差异代价函数计算梯度并将梯度回传用以更新网络参数，图像差异代价函数L表示为：
L＝L1+L2
L1＝|R(G(I))-I|
L2＝|R(G1(I))-RG2(I)|
其中，L1表示有雾图像与真实无雾图像比较得到的差异代价，L2表示一致性比较差异代价，I为无雾图像，G(I)为有雾图像，R表示通过神经网络变换，G1(I)和G2(I)表示由同一无雾图像处理获得的不同有雾图像。
训练样本输入为图像组，组的数目为M，每组包含N副有雾图像，N副有雾图像由同一副无雾图像进行加雾处理得到。由图像差异代价函数的公式可知，其分为两项，一项为与真实无雾图像比较得到的差异代价函数L1；另一项为一致性比较差异代价函数L2，定义于每组图像之内。由于N副图像对应于同一副无雾图像，故而经过网络恢复得到对应N副恢复图像应该相同，所以两两进行差异比较可以得到一致性代价函数；该一致性代价函数可以防止神经网络过拟合，提升网络鲁棒性和普适性。本实施例中，M和N设置为8和4。
步骤S104，输入一有雾图像，利用训练好的深度卷积神经网络直接获得无雾图像。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于深度学习的端到端图像去雾处理方法，其特征在于，该方法通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像，其中，所述深度卷积神经网络包括：
特征提取模块，包括多个卷积子模块，对输入图像进行卷积计算，提取多维特征图谱；
特征池化模块，包括多个池化层，每个池化层对应连接于一所述卷积子模块之后，对所述多维特征图谱进行去冗余处理；
恢复模块，包括多个反卷积子模块，连接于所述特征池化模块之后，输出与输入图像具有相同分辨率的输出图像；
层间跳跃连接层，设有多个，实现池化层的输出与相应反卷积子模块的输入间的层间跳跃连接，将卷积得到的特征图谱与反卷积恢复的特征图谱连接，多尺度特征图谱。
2.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述卷积子模块包括相连接的两层卷积层。
3.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述反卷积子模块包括相连接的一层反卷积层和一层卷积层。
4.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述层间跳跃连接层为一卷积层。
5.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述深度卷积神经网络中，每个卷积层后设有非线性激活层。
6.根据权利要求1所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述深度卷积神经网络训练时采用的样本数据库通过如下方式生成：
获取无雾图像，对无雾图像进行加雾处理，生成不同光照强度和雾化浓度下的有雾图像，即一幅无雾图像对应多幅有雾图像，以无雾-有雾图像组作为样本，组成样本数据库。
7.根据权利要求6所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述加雾处理采用的加雾处理函数为：
G(I)＝F(I)*T(I)+a*(1-T(I))
其中，I为原始无雾RGB图像，F(I)表示对图像进行随机处理函数，T(I)＝{t(p)|p为I的任一像素}为图像对应的透射率，t(p)为像素p的透射率，a为大气光强，G(I)为生成的有雾图像。
8.根据权利要求6所述的基于深度学习的端到端图像去雾处理方法，其特征在于，所述深度卷积神经网络训练时采用图像差异代价函数更新网络参数，所述图像差异代价函数L表示为：
L＝L1+L2
L1＝|R(G(I))-I|
L2＝|R(G1(I))-RG2(I)|
其中，L1表示有雾图像与真实无雾图像比较得到的差异代价，L2表示一致性比较差异代价，I为无雾图像，G(I)为有雾图像，R表示通过神经网络变换，G1(I)和G2(I)表示由同一无雾图像处理获得的不同有雾图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811289744.4A CN109410144B (zh) | 2018-10-31 | 2018-10-31 | 一种基于深度学习的端到端图像去雾处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811289744.4A CN109410144B (zh) | 2018-10-31 | 2018-10-31 | 一种基于深度学习的端到端图像去雾处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109410144A CN109410144A (zh) | 2019-03-01 |
| CN109410144B true CN109410144B (zh) | 2020-11-27 |
Family
ID=65471008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811289744.4A Active CN109410144B (zh) | 2018-10-31 | 2018-10-31 | 一种基于深度学习的端到端图像去雾处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109410144B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097522B (zh) * | 2019-05-14 | 2021-03-19 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
| CN110363720A (zh) * | 2019-07-04 | 2019-10-22 | 北京奇艺世纪科技有限公司 | 一种图像的色彩增强方法、装置、设备和存储介质 |
| CN110648316B (zh) * | 2019-09-07 | 2021-02-26 | 创新奇智(成都)科技有限公司 | 一种基于深度学习的钢卷端面边缘检测方法 |
| CN111861936B (zh) * | 2020-07-29 | 2023-03-24 | 抖音视界有限公司 | 图像去雾方法、装置、电子设备及计算机可读存储介质 |
| CN112206063A (zh) * | 2020-09-01 | 2021-01-12 | 广东工业大学 | 一种多模态多角度牙科种植体配准方法 |
| CN113240723A (zh) * | 2021-05-18 | 2021-08-10 | 中德（珠海）人工智能研究院有限公司 | 一种单目深度估计方法、装置以及深度评估设备 |
| CN116579951A (zh) * | 2023-06-05 | 2023-08-11 | 海南大学 | 浅层特征与深层特征融合的图像去雾网络及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574827A (zh) * | 2015-12-17 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种图像去雾的方法、装置 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
| CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
| 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 |
| CN108230264A (zh) * | 2017-12-11 | 2018-06-29 | 华南农业大学 | 一种基于ResNet神经网络的单幅图像去雾方法 |
| CN108269244A (zh) * | 2018-01-24 | 2018-07-10 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
| CN108665432A (zh) * | 2018-05-18 | 2018-10-16 | 百年金海科技有限公司 | 一种基于生成对抗网络的单幅图像去雾方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103985115B (zh) * | 2014-04-01 | 2016-11-02 | 杭州电子科技大学 | 一种仿视觉感光层功能的图像多强度边缘检测方法 |
| CN106251303A (zh) * | 2016-07-28 | 2016-12-21 | 同济大学 | 一种使用深度全卷积编码‑解码网络的图像降噪方法 |
| CN106778584B (zh) * | 2016-12-08 | 2019-07-16 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
| CN106815826A (zh) * | 2016-12-27 | 2017-06-09 | 上海交通大学 | 基于场景识别的夜视图像彩色融合方法 |
| WO2018192672A1 (en) * | 2017-04-19 | 2018-10-25 | Siemens Healthcare Gmbh | Target detection in latent space |
-
2018
- 2018-10-31 CN CN201811289744.4A patent/CN109410144B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574827A (zh) * | 2015-12-17 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种图像去雾的方法、装置 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
| CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
| 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 |
| CN108230264A (zh) * | 2017-12-11 | 2018-06-29 | 华南农业大学 | 一种基于ResNet神经网络的单幅图像去雾方法 |
| CN108269244A (zh) * | 2018-01-24 | 2018-07-10 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
| CN108665432A (zh) * | 2018-05-18 | 2018-10-16 | 百年金海科技有限公司 | 一种基于生成对抗网络的单幅图像去雾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109410144A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410144B (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
| CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
| CN109509156B (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
| CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
| CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
| CN108960261B (zh) | 一种基于注意力机制的显著物体检测方法 | |
| CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
| CN112581409B (zh) | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 | |
| CN114936605A (zh) | 基于知识蒸馏的神经网络训练方法、设备及存储介质 | |
| CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
| CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
| CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
| CN111986164A (zh) | 一种基于多源Unet+Attention网络迁移的道路裂缝检测方法 | |
| WO2023212997A1 (zh) | 基于知识蒸馏的神经网络训练方法、设备及存储介质 | |
| CN110807743B (zh) | 一种基于卷积神经网络的图像去雾方法 | |
| CN114677479A (zh) | 一种基于深度学习的自然景观多视图三维重建方法 | |
| CN110751271B (zh) | 一种基于深度神经网络的图像溯源特征表征方法 | |
| CN116310098A (zh) | 一种基于注意力机制与可变卷积深度网络的多视图三维重建方法 | |
| CN116310095A (zh) | 一种基于深度学习的多视图三维重建方法 | |
| Costea et al. | Fusion scheme for semantic and instance-level segmentation | |
| Klenk et al. | Masked event modeling: Self-supervised pretraining for event cameras | |
| Tian et al. | Convolutional neural networks for steganalysis via transfer learning | |
| Zhang et al. | A Context-Aware Road Extraction Method for Remote Sensing Imagery based on Transformer Network | |
| CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| Cho et al. | Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation |
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 |