CN109523478A - 图像去网格方法、存储介质 - Google Patents
图像去网格方法、存储介质 Download PDFInfo
- Publication number
- CN109523478A CN109523478A CN201811330137.8A CN201811330137A CN109523478A CN 109523478 A CN109523478 A CN 109523478A CN 201811330137 A CN201811330137 A CN 201811330137A CN 109523478 A CN109523478 A CN 109523478A
- Authority
- CN
- China
- Prior art keywords
- grid
- image
- generator
- network
- image block
- 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 54
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 22
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像去网格方法和存储介质，用于对带网格的图像进行去网格处理，该方法包括：采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入生成对抗网络模型进行训练，直到生成器生成的图像为真实；取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入预训练模型的进行特征约束训练，直到生成器生成的图像为真实；采用上一步训练好的生成器对需去网格的图像进行去网格处理。
Description
技术领域
本发明涉及图像去网格处理领域，特别地，涉及一种图像去网格方法及存储介质。
背景技术
随着信息化建设进一步的加强，人脸识别技术广泛应用到人们生活的各种场景中。在银行和其他金融相关业务中，系统会从公安部获取居民图像，与用户现场采集照片进行比对，以确认用户身份。为了保护公民的隐私，从公安部获的居民证件照是带有网格水印的。如何提高带网格证件照与现场照的比对精度，是一个迫切需要解决的技术难题。
目前有两种思路提高带网格证件照与现场照的比对精度。一是直接训练带网格的证件照和现场照，这种方法对网格证件照的数量要求较高，实测实际效果也不够理想。另一种是对带网格的证件照先去网格，再进行比对识别。
Gan(Generative Adversarial Nets)生成对抗网络是目前广泛应用的一种技术。在数据生成、无监督学习、半监督学习、风格迁移等领域，Gan都取得了不错的效果。
深度学习去网格相关的技术类似的技术有图像去噪、去脏、超分辨率等。其共同点是使用全卷积结构pixel to pixel的方法来处理，考虑图像像素点的欧式距离。此方法也可直接应用于去网格算法，在实践中此方法有如下问题：1.需要大量带网格图像和对应不带网格图像的pair对，对数据要求较高；2.只考虑了图像空间，没有考虑特征空间(去网格后的图像用来识别的好坏)，导致识别效率低。
发明内容
本发明提供了一种图像去网格方法及存储介质，以解决现有方法识别效率低的技术问题。
本发明采用的技术方案如下：
本发明的一方面提供了一种图像去网格方法，用于对带网格的图像进行去网格处理，包括：
采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入生成对抗网络模型进行训练，直到生成器生成的图像为真实；
取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入预训练模型的进行特征约束训练，直到生成器生成的图像为真实；
采用上一步训练好的生成器对需去网格的图像进行去网格处理。
进一步地，采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入生成对抗网络模型进行训练，直到生成器生成的图像为真实的过程包括：
从带网格的图像上随机抠取96*96大小的第一图像块输入生成器，由生成器生成去网格后图像块；
从不带网格的原始图像中对应抠取96*96大小的第二图像块，将去网格后图像块与第二图像块的像素均方差损失作为生成器的损失函数；
将去网格后图像块与第二图像块作为判别器的输入，将二者的分类损失作为判别器的损失函数；
将像素均方差损失和分类损失的加权损失作为生成对抗网络模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。
进一步地，生成器采用的像素均方差损失函数如下公式：
其中，Pl表示对应不带网格的第二图像块，PO表示经过生成器处理后的去网格后图像块，LMSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度；
判别器采用的分类损失函数如下公式：
进一步地，在生成对抗网络模型进行训练的过程中，生成器和判别器依次进行训练，更新一次生成器的参数再跟新一次判别器的参数。
进一步地，取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入预训练模型的进行特征约束训练，直到生成器生成的图像为真实的过程包括：
从带网格的图像的中间区域抠取包含人脸的160*160大小的第三图像块输入生成器，由生成器生成去网格后图像块；
从不带网格的原始图像的中间区域抠取包含人脸的160*160大小的第四图像块，将去网格后图像块与第四图像块的像素均方差损失作为生成器的损失函数；
将去网格后图像块与第四图像块作为识别网络的输入，经识别网络提取二者的对应特征，并将两个对应特征的余弦距离损失作为识别网络的损失函数；
将像素均方差损失和余弦距离损失的加权损失作为预训练模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。
进一步地像素均方差损失函数如下公式：
其中，Pl表示对应不带网格的第四图像块，PO表示经过生成器处理后的去网格后图像块，LMSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度；
识别网络将两个对应特征夹角的余弦值取负作为损失函数，公式如下：
其中，Fl表示Pl经过识别网络处理得到的特征，FO表示PO经过识别网络处理得到的特征。
进一步地，在预训练模型的进行特征约束训练的过程中，生成器和识别网络同时计算，训练的时候固定识别网络的参数，只训练更新生成器的参数。
进一步地，生成器的网络结构包括卷积层、多个重复的残差块、批量归一化层和求和层，求和层加入第一个卷积层后的输入，其中，残差块由卷积层、批量归一化层、参数化修正线性单元层、卷积层、批量归一化层和求和层组成；判别器的网络结构包括卷积层、带泄露线性修正单元层、批量归一化层、全连接层以及sigmoid激活层；识别网络为50层残差网络结构。
根据本发明的另一方面，还提供了一种存储介质，存储介质包括存储的程序，程序运行时执行上述的图像去网格方法。
本发明具有以下有益效果：
本发明的图像去网格方法将图像空间和特征空间相结合，将图像和网格分开，采用Gan进行训练，而后进行特征约束训练，考虑了在图像空间的损失，并且对去网格后的图像在特征空间对齐进行约束，经过此方式训练好的生成器在识别任务时的识别效率有显著提高。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的图像去网格方法中生成对抗网络训练过程的示意图；
图2是本发明优选实施例的图像去网格方法中加入特征空间约束训练过程的示意图；
图3是本发明优选实施例的图像去网格方法中应用训练好的生成器进行图像去网格处理过程的示意图；
图4是本发明优选实施例的生成器的网络结构图；
图5是本发明优选实施例的判别器的网络结构图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提出一种将图像空间和(识别)特征空间相结合的图像去网格算法。首先是用gan网络的生成器和判别器训练，获取在图像空间较为优的解。第二步，只取生成器，另选取一个训练好的识别网络，固定其参数，和生成器一起训练网络。
本发明的优选实施例提供了一种图像去网格方法，用于对带网格的图像进行去网格处理，包括：
采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入生成对抗网络模型进行训练，直到生成器生成的图像为真实；
取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入预训练模型的进行特征约束训练，直到生成器生成的图像为真实；
采用上一步训练好的生成器对需去网格的图像进行去网格处理。
本发明将Gan技术应用到去网格算法中，以带网格的证件照为输入，以其对应的不带网格的原始证件照为label，两幅图像的大小相同为178*220。
参照图1，为本发明第一步的Gan训练过程。
本发明采用的Gan网络由生成器和判别器组成。G表示生成器，D表示判别器。生成器的网络结构包括卷积层(Conv)、多个重复的残差块(residual blocks)、批量归一化层(BN)和求和层(eltwise sum)，求和层加入第一个卷积层进行卷积运算后的输入。其中，每个残差块由卷积层、批量归一化层、参数化修正线性单元层(P ReLU)、卷积层、批量归一化层和求和层组成。具体地，本优选实施例中，生成器的网络结构如图4，第一个卷积核大小为9x9，保证感受野足够大，中间部分采用的是B个重复的residual blocks。每个residualblock是卷积、BN、PReLU、卷积、BN、eltwise sum组成，两个卷积核均为64*3*3。本文在实验中设置B＝6。在重复residual blocks之后接一个64*3*3卷积核。最后一个residualblocks后面接BN和eltwise sum，此处eltwise加入的是第一个卷积层后的输入，保证足够多的底层信息。训练完成后，实际应用的时候，只需要生成器的网络参数即可。
判别器的网络结构包括卷积层、带泄露线性修正单元层(L-ReLU)、批量归一化层、全连接层(fc)以及sigmoid激活层。具体地，判别器的网络结构如图5，其采用Leaky ReLU代替生成器中用到的PReLU，卷积核的通道数依次递增。分别为两个64*3*3的卷积核，两个128*3*3的卷积核，两个256*3*3的卷积核，两个512*3*3的卷积核，最后接一个fc层，输出长度为1024。经过非线性处理后，接一个fc层映射到1个数值，使用sigmoid进行分类。
本发明中，Gan训练过程具体如下。
从带网格的图像上随机抠取96*96大小的第一图像块(patch)输入生成器，由生成器(G)生成去网格后图像块。
从不带网格的原始图像中对应抠取96*96大小的第二图像块(patch)，将去网格后图像块与第二图像块的像素均方差损失(loss)作为生成器的损失函数。本优选实施例中，生成器采用的损失函数为MSE，其公式如下：
其中，Pl表示对应不带网格的图像块(此处即第二图像块)，PO表示经过生成器G处理后的去网格后图像块，LMSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度。
将去网格后图像块与第二图像块作为判别器的输入，将二者的分类损失(loss)作为判别器(D)的损失函数。本优选实施例中，判别器采用的分类损失函数如下公式：
将像素均方差损失和分类损失的加权损失作为生成对抗网络模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。
具体地，加权损失公式如下：
L＝LGen+βLMSE (3)
其中L为加权损失，β为系数。
具体地，本实施例中，训练的时候初始学习率设置为0.001，weight_decay为0.0005，batchsize设置为32。0.001的学习率下训练20万次，再将学习率调整为0.0001训练8万次，最后将学习率调整为0.00001训练4万次结束训练。如此迭代训练，直至损失函数值最小，则表示生成器(G)生成的图像为真实。
在Gan训练的时候，生成器和判别器是依次训练的，更新一次生成器的参数就要再更新一次判别器的参数。上述Gan训练过程保证去网格后的图像在图像空间尽可能与原始图像一样。
使用Gan训练完成后，为了保证去网格的图像在特征空间的有效性，本发明引入训练好的分类模型。本发明采用的识别网络为50层残差网络(Resnet)的结构，记为R。加入识别网络后的训练过程可参考图2，以上一步训练好的生成器G和R作为预训练模型，训练G的方法和第一步一样，训练R的时候，G的输出图像和label图像经过R处理后得到对应特征，用两个特征的夹角的cos值取负为目标函数，在整个训练过程中，G和R同时计算，保证R所有的参数不更新，只更新G的参数。实验证明，经过此步骤训练后，去网格图像的识别率较第一步训练有较大提高。
本优选实施例中，加入识别特征约束训练的具体过程如下。
从带网格的图像的中间区域抠取包含人脸的160*160大小的第三图像块输入生成器，由生成器生成去网格后图像块。
从不带网格的原始图像的中间区域抠取包含人脸的160*160大小的第四图像块，将去网格后图像块与第四图像块的像素均方差损失作为生成器的损失函数。具体地，生成器的损失函数同上述公式(1)，计算过程也基本相同，此处不再赘述。
将去网格后图像块与第四图像块作为识别网络的输入，经识别网络提取二者的对应特征，并将两个对应特征的余弦(cos)距离损失作为识别网络的损失函数。具体地，识别网络将两个对应特征夹角的余弦值取负作为损失函数，公式如下：
其中，Fl表示Pl经过识别网络处理得到的特征，FO表示PO经过识别网络处理得到的特征。
将像素均方差损失和余弦距离损失的加权损失作为预训练模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。具体地，加权损失公式如下：
L＝LGen+αLMSE (5)
其中L为加权损失，α为系数。
在进行特征约束训练的过程中，生成器和识别网络同时计算，训练的时候固定识别网络的参数，只训练更新生成器的参数。
参照图3，在实际应用阶段，只需要生成器G即可。由于G是全卷积网络，输入图像可为任意大小。通过网络前向传播，即可得到去网格后的图像。
根据本发明的另一方面，还提供一种存储介质，存储介质包括存储的程序，程序运行时执行上述的图像去网格方法。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)，磁碟或者光盘等各种可以存储程序代码的介质。
本发明将Gan应用到去网格算法中，将patch作为输入，可保证训练数据量足够大。训练的时候加入特征空间的约束，保证了去网格后的图像在识别任务的有效性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种图像去网格方法，用于对带网格的图像进行去网格处理，其特征在于，包括：
采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入所述生成对抗网络模型进行训练，直到生成器生成的图像为真实；
取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入所述预训练模型的进行特征约束训练，直到生成器生成的图像为真实；
采用上一步训练好的生成器对需去网格的图像进行去网格处理。
2.根据权利要求1所述的图像去网格方法，其特征在于，所述采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入所述生成对抗网络模型进行训练，直到生成器生成的图像为真实的过程包括：
从带网格的图像上随机抠取96*96大小的第一图像块输入生成器，由生成器生成去网格后图像块；
从不带网格的原始图像中对应抠取96*96大小的第二图像块，将所述去网格后图像块与所述第二图像块的像素均方差损失作为所述生成器的损失函数；
将所述去网格后图像块与所述第二图像块作为判别器的输入，将二者的分类损失作为所述判别器的损失函数；
将所述像素均方差损失和所述分类损失的加权损失作为所述生成对抗网络模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。
3.根据权利要求2所述的图像去网格方法，其特征在于，
所述生成器采用的像素均方差损失函数如下公式：
其中，Pl表示对应不带网格的第二图像块，PO表示经过生成器处理后的去网格后图像块，LMSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度；
所述判别器采用的分类损失函数如下公式：
4.根据权利要求1所述的图像去网格方法，其特征在于，在所述生成对抗网络模型进行训练的过程中，
所述生成器和所述判别器依次进行训练，更新一次生成器的参数再跟新一次判别器的参数。
5.根据权利要求1所述的图像去网格方法，其特征在于，所述取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入所述预训练模型的进行特征约束训练，直到生成器生成的图像为真实的过程包括：
从带网格的图像的中间区域抠取包含人脸的160*160大小的第三图像块输入生成器，由生成器生成去网格后图像块；
从不带网格的原始图像的中间区域抠取包含人脸的160*160大小的第四图像块，将所述去网格后图像块与所述第四图像块的像素均方差损失作为所述生成器的损失函数；
将所述去网格后图像块与所述第四图像块作为识别网络的输入，经识别网络提取二者的对应特征，并将两个对应特征的余弦距离损失作为所述识别网络的损失函数；
将所述像素均方差损失和所述余弦距离损失的加权损失作为所述预训练模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。
6.根据权利要求5所述的图像去网格方法，其特征在于，所述像素均方差损失函数如下公式：
其中，Pl表示对应不带网格的第四图像块，PO表示经过生成器处理后的去网格后图像块，LMSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度；
所述识别网络将两个对应特征夹角的余弦值取负作为损失函数，公式如下：
其中，Fl表示Pl经过识别网络处理得到的特征，FO表示PO经过识别网络处理得到的特征。
7.根据权利要求1所述的图像去网格方法，其特征在于，在所述预训练模型的进行特征约束训练的过程中，
所述生成器和所述识别网络同时计算，训练的时候固定识别网络的参数，只训练更新生成器的参数。
8.根据权利要求1所述的图像去网格方法，其特征在于，
所述生成器的网络结构包括卷积层、多个重复的残差块、批量归一化层和求和层，所述求和层加入第一个卷积层后的输入，其中，所述残差块由卷积层、批量归一化层、参数化修正线性单元层、卷积层、批量归一化层和求和层组成；
所述判别器的网络结构包括卷积层、带泄露线性修正单元层、批量归一化层、全连接层以及sigmoid激活层；
所述识别网络为50层残差网络结构。
9.一种存储介质，所述存储介质包括存储的程序，其特征在于，所述程序运行时执行所如权利要求1至8中任一项所述的图像去网格方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330137.8A CN109523478B (zh) | 2018-11-09 | 2018-11-09 | 图像去网格方法、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330137.8A CN109523478B (zh) | 2018-11-09 | 2018-11-09 | 图像去网格方法、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109523478A true CN109523478A (zh) | 2019-03-26 |
| CN109523478B CN109523478B (zh) | 2021-06-04 |
Family
ID=65773675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811330137.8A Active CN109523478B (zh) | 2018-11-09 | 2018-11-09 | 图像去网格方法、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523478B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796608A (zh) * | 2019-08-21 | 2020-02-14 | 中山大学 | 一种基于在线迭代生成器的对抗防御方法及系统 |
| CN113284037A (zh) * | 2021-06-22 | 2021-08-20 | 南京信息工程大学 | 一种基于深度神经网络的陶瓷水印载体恢复方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| CN108446609A (zh) * | 2018-03-02 | 2018-08-24 | 南京邮电大学 | 一种基于生成对抗网络的多角度面部表情识别方法 |
| CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
| US20180268201A1 (en) * | 2017-03-15 | 2018-09-20 | Nec Laboratories America, Inc. | Face recognition using larger pose face frontalization |
| CN108615226A (zh) * | 2018-04-18 | 2018-10-02 | 南京信息工程大学 | 一种基于生成式对抗网络的图像去雾方法 |
| US20180286055A1 (en) * | 2017-04-04 | 2018-10-04 | General Electric Company | Optical flow determination system |
| US20180293734A1 (en) * | 2017-04-06 | 2018-10-11 | General Electric Company | Visual anomaly detection system |
| CN108665005A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 一种利用dcgan提高基于cnn图像识别性能的方法 |
| US20180314716A1 (en) * | 2017-04-27 | 2018-11-01 | Sk Telecom Co., Ltd. | Method for learning cross-domain relations based on generative adversarial networks |
-
2018
- 2018-11-09 CN CN201811330137.8A patent/CN109523478B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180268201A1 (en) * | 2017-03-15 | 2018-09-20 | Nec Laboratories America, Inc. | Face recognition using larger pose face frontalization |
| US20180286055A1 (en) * | 2017-04-04 | 2018-10-04 | General Electric Company | Optical flow determination system |
| US20180293734A1 (en) * | 2017-04-06 | 2018-10-11 | General Electric Company | Visual anomaly detection system |
| US20180314716A1 (en) * | 2017-04-27 | 2018-11-01 | Sk Telecom Co., Ltd. | Method for learning cross-domain relations based on generative adversarial networks |
| 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 |
| 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 |
| CN108446609A (zh) * | 2018-03-02 | 2018-08-24 | 南京邮电大学 | 一种基于生成对抗网络的多角度面部表情识别方法 |
| 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 |
| CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
| CN108615226A (zh) * | 2018-04-18 | 2018-10-02 | 南京信息工程大学 | 一种基于生成式对抗网络的图像去雾方法 |
| CN108665005A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 一种利用dcgan提高基于cnn图像识别性能的方法 |
Non-Patent Citations (3)
| Title |
|---|
| JINLIN WU 等: ""De-Mark GAN: Removing Dense Watermark with Generative Adversarial Network"", 《2018 INTERNATIONAL CONFERENCE ON BIOMETRICS (ICB)》 * |
| 唐贤伦 等: ""基于条件深度卷积生成对抗网络的图像识别方法"", 《自动化学报》 * |
| 曹仰杰 等: ""生成式对抗网络及其计算机视觉应用研究综述"", 《中国图象图形学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796608A (zh) * | 2019-08-21 | 2020-02-14 | 中山大学 | 一种基于在线迭代生成器的对抗防御方法及系统 |
| CN110796608B (zh) * | 2019-08-21 | 2021-01-01 | 中山大学 | 一种基于在线迭代生成器的对抗防御方法及系统 |
| CN113284037A (zh) * | 2021-06-22 | 2021-08-20 | 南京信息工程大学 | 一种基于深度神经网络的陶瓷水印载体恢复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109523478B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Suganuma et al. | Attention-based adaptive selection of operations for image restoration in the presence of unknown combined distortions | |
| EP3570222B1 (en) | Information processing device and method, and computer readable storage medium | |
| Wang et al. | Data dropout: Optimizing training data for convolutional neural networks | |
| CN110222831A (zh) | 深度学习模型的鲁棒性评估方法、装置及存储介质 | |
| CN112699786B (zh) | 一种基于空间增强模块的视频行为识别方法及系统 | |
| CN104850823B (zh) | 一种虹膜图像的质量评价方法及装置 | |
| CN109472193A (zh) | 人脸检测方法及装置 | |
| CN114332545B (zh) | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 | |
| Joo et al. | Periodontal disease detection using convolutional neural networks | |
| CN109523478A (zh) | 图像去网格方法、存储介质 | |
| CN112418261A (zh) | 一种基于先验原型注意力机制的人体图像多属性分类方法 | |
| Bezak | Building recognition system based on deep learning | |
| Chen et al. | Desmokenet: A two-stage smoke removal pipeline based on self-attentive feature consensus and multi-level contrastive regularization | |
| CN115424314A (zh) | 一种可识别的人脸匿名化处理方法及系统 | |
| CN113808044B (zh) | 加密掩膜确定方法、装置、设备以及存储介质 | |
| CN112101087A (zh) | 一种面部图像身份去识别方法、装置及电子设备 | |
| Połap | Neuro-heuristic voice recognition | |
| CN113609900A (zh) | 局部生成人脸定位方法、装置、计算机设备和存储介质 | |
| Hollósi et al. | Improve the accuracy of neural networks using capsule layers | |
| Su et al. | Cleaning adversarial perturbations via residual generative network for face verification | |
| Devasthale et al. | Adversarially robust deepfake video detection | |
| Zhang et al. | Conditional generative adversarial network-based image denoising for defending against adversarial attack | |
| CN107622498A (zh) | 基于场景分割的图像穿越处理方法、装置及计算设备 | |
| CN113780027A (zh) | 一种基于增广图卷积的多标签物体识别方法、装置及设备 | |
| CN113988260B (zh) | 一种数据处理方法、装置、设备及系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province Applicant after: Wisdom Eye Technology Co.,Ltd. Address before: 100193 4th Floor 403, Building A, Building 14, East Courtyard, 10 Northwest Wanglu, Haidian District, Beijing Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Image gridding method, storage medium Effective date of registration: 20221205 Granted publication date: 20210604 Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch Pledgor: Wisdom Eye Technology Co.,Ltd. Registration number: Y2022430000107 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231220 Granted publication date: 20210604 Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch Pledgor: Wisdom Eye Technology Co.,Ltd. Registration number: Y2022430000107 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province Patentee before: Wisdom Eye Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |