CN110223254A - 一种基于对抗生成网络的图像去噪方法 - Google Patents
一种基于对抗生成网络的图像去噪方法 Download PDFInfo
- Publication number
- CN110223254A CN110223254A CN201910497043.8A CN201910497043A CN110223254A CN 110223254 A CN110223254 A CN 110223254A CN 201910497043 A CN201910497043 A CN 201910497043A CN 110223254 A CN110223254 A CN 110223254A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- noise
- confrontation
- denoising
- 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 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000002360 preparation method Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G06T5/70—
-
- 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
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种基于对抗生成网络的图像去噪方法，其特征在于，包括如下步骤：第一步，进行数据集的准备；第二步，构建生成网络：生成网络的输入为噪声图像，提取噪声特征，并进行图像去噪处理；第三步，构建判别网络：判别网络的输入为不含噪声的清晰图像和生成网络生成的图像，然后进行判别；第四步，利用不含噪声的清晰图像和噪声图像，采用生成对抗的思想对生成对抗网络进行训练，得到训练后的图像去噪对抗生成网络，并保存训练完成的参数；所述生成对抗网络包括生成网络和判别网络；第五步，将噪声图像输入到已经训练好的生成网络中，即可得到去噪图像。本申请提出的方法不需要人为提取特征，减少了人工的干预，确保了去噪图像的质量。
Description
技术领域
本发明涉及计算机图形学与人工智能领域，具体说是一种基于对抗生成网络的图像去噪方法。
背景技术
图像在成像和传输过程中受到光电转换、数模转换以及环境噪声、信道噪声等问题的影响，会导致图像的质量变差。图像的噪声会影响图像信息的准确获取，从而会对图像目标检测、识别、图像分割等研究产生严重影响。尤其是随着社会的不断发展，各个领域都需要高质量的图像进行进一步的处理，如：安防、医学图像、工业检测等，图像的质量的高低对他们有决定性的作用。所以图像去噪具有重要的意义。
近年来有很多对图像去噪的尝试。最为典型的是采用空间域滤波、频率域滤波、傅里叶变换、小波域滤波的传统图像去噪方法。这些传统的方法只能针对图像的单一噪声进行去噪，同时需要手动调整算法，在实际应用中可行性较差。
随着深度学习神经网络技术在计算机图像处理领域的不断发展，越来越多的研究者将神经网络技术应用于图像去噪领域。通过采用自编码器、卷积神经网络、残差网络等应用于图像去噪中，取得了较好的效果。但是还存在着图像细节、纹理特征的恢复不足等问题，同时也只适用于特定的噪声，不能实现对图像的噪声盲去噪。
发明内容
为解决现有技术存在的上述缺点，本申请提供一种基于对抗生成网络的图像去噪方法，采用生成的思想，输入噪声图像和非噪声图像进行训练对抗生成网络，实现对图像的去噪。
为实现上述目的，本申请的技术方案为：一种基于对抗生成网络的图像去噪方法，包括如下步骤：
第一步，进行数据集的准备：将噪声图像和非噪声图像进行处理，并归一化到255*255的尺寸；
第二步，构建生成网络：生成网络的输入为噪声图像，提取噪声特征，并进行图像去噪处理；
第三步，构建判别网络：判别网络的输入为不含噪声的清晰图像和生成网络生成的图像，然后进行判别；
第四步，利用不含噪声的清晰图像和噪声图像，采用生成对抗的思想对生成对抗网络进行训练，得到训练后的图像去噪对抗生成网络，并保存训练完成的参数；所述生成对抗网络包括生成网络和判别网络；
第五步，将噪声图像输入到已经训练好的生成网络中，即可得到去噪图像。
进一步的，针对第二步的生成网络的构建，采用编码器和解码器架构作为生成网络，编码器输入的是噪声图像，大小为255*255，编码器包含5个向下采样层、批量规范化以及LReLu，每个向下采样层为一个卷积核为5×5步长为2的卷积层，编码得到向量；将编码得到的向量与噪声类别嵌入向量进行连接，噪声类别向量是一个64维的随机向量，使得网络在训练时能够更好的区分每种噪声；送到解码器，解码器包含5个向上采样层、批量规范化以及ReLu，每个向上采样层为一个卷积核为5×5步长为2的反卷积层，最终得到输出去噪的图像。为了减少编码过程中的图像特征损失，编码器与解码器的对应层进行跳跃连接。跳跃连接编码器和解码器的对应层。其中n为生成器网络层数，i为编码器层号，跳跃连接i层和n-i层。
进一步的，第三步中判别网络采用卷积神经网络结构，判别网络输入的是无噪声的图像以及由生成网络生成的去噪图像；判别网络的作用是需要分辨他们。判别网络采用3个级联的Conv-BN-LReLu网络结构，最后两层采用全连接神经网络，并采用sigmoid作为激活函数，输出为0到1的值，代表图片是真实的无噪声图片的概率。
进一步的，第四步在生成对抗网络的训练中，本发明结合使用对抗损失、像素匹配损失来衡量生成对抗网络生成的去噪图像与真实的无噪声图像y之间的差异，并更新网络参数；其中，如公式1所示，假设参考图像服从Pdata分布，通过与判别器D的博弈，生成器将噪声Pz生成Pdata,在模型的训练阶段，生成器尝试生成真实的结果去欺骗判别器，而判别器的目标是分辨生成结果与真实结果间的区别；Ladv代表判别网络对于生成图像与真实图像之间的判别损失；
其中，D(x)是判别器的结果，G(z)是生成器输出的结果。pdata表示真实样本分布。pinput表示噪声分布；
为了准确描述生成图像与真实图像的像素空间的相似程度，引入像素匹配损失函数，如公式2所示，其中：采用L1距离来度量生成图像与真实图像在像素空间的匹配程度；
其中，Gz代表生成器生成结果。
最后将2种损失函数组合起来，不同的损失函数具有不同的权重，采用加权求和的方式，图像去噪生成对抗网络的损失函数L如公式(3)所示
L＝wadvLadv+w1L1 (3)
其中，wadv，w1为权重系数。
本发明由于采用以上技术方案，能够取得如下的技术效果：本申请提出的方法不需要人为提取特征，减少了人工的干预，确保了去噪图像的质量。
附图说明
图1为本申请的流程图；
图2为本申请的网络结构图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施中的技术方案进行清楚、完整的描述，可以理解的是，所描述的实例仅仅是本发明的一部分实例，而不是全部的实施例。基于本发明的实施例，本领域的技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明提供了一种基于对抗生成网络通过条件生成对抗网络的图像去噪方法。通过构建对抗生成网络进行图像去噪，网络结构如图2所示。将噪声图像与样本图像输入到对抗网络中，采用生成对抗的训练思想训练对抗生成网络，获得训练好的神经网络。通过训练完成的神经网络，将噪声图像可转化为非噪声图像，并且很好的保存了图像的细节。
本发明流程图如图1所示，以及网络结构图如图2所示，具体实施步骤如下：
1调整训练数据集的图像大小，统一缩放到255*255尺寸。
2构建对抗生成网络，结构如图2所示。在训练神经网络过程中。将噪声图像输入到生成网络中，生成去除噪声的图像同时将非噪声图像与生成的去除噪声的图像输入到判别网络中，判别真伪，并计算损失函数。如公式(1)所示。对于判别网络而言，希望网络生成的去噪图像被判别出假的可能性越大越好。而生成网络希望生成的去噪图像被判别为真的可能性越大越好。所以生成网络最小化损失函数，而判别网络最大化损失函数，调整网络参数。
计算像素匹配损失函数，计算与非噪声图像的L1距离。
最后将2种损失函数组合起来，不同的损失函数具有不同的权重，采用加权求和的方式，如公式(3)所示
L＝wadvLadv+w1L1 (3)
其中，wadv＝1，w1＝100。
网络训练完成之后，将噪声图像输入到生成网络中，即可生成非噪声图像。
Claims (4)
1.一种基于对抗生成网络的图像去噪方法，其特征在于，包括如下步骤：
第一步，进行数据集的准备：将噪声图像和非噪声图像进行处理，并归一化到255*255的尺寸；
第二步，构建生成网络：生成网络的输入为噪声图像，提取噪声特征，并进行图像去噪处理；
第三步，构建判别网络：判别网络的输入为不含噪声的清晰图像和生成网络生成的图像，然后进行判别；
第四步，利用不含噪声的清晰图像和噪声图像，采用生成对抗的思想对生成对抗网络进行训练，得到训练后的图像去噪对抗生成网络，并保存训练完成的参数；所述生成对抗网络包括生成网络和判别网络；
第五步，将噪声图像输入到已经训练好的生成网络中，即可得到去噪图像。
2.根据权利要求1所述一种基于对抗生成网络的图像去噪方法，其特征在于，针对第二步的生成网络的构建，采用编码器和解码器架构作为生成网络，编码器输入的是噪声图像，大小为255*255，编码器包含5个向下采样层、批量规范化以及LReLu，每个向下采样层为一个卷积核为5×5步长为2的卷积层，编码得到向量；将编码得到的向量与噪声类别嵌入向量进行连接，噪声类别向量是一个64维的随机向量，送到解码器，解码器包含5个向上采样层、批量规范化以及ReLu，每个向上采样层为一个卷积核为5×5步长为2的反卷积层，最终得到输出去噪的图像。
3.根据权利要求1所述一种基于对抗生成网络的图像去噪方法，其特征在于，第三步中判别网络采用卷积神经网络结构，判别网络输入的是无噪声的图像以及由生成网络生成的去噪图像；判别网络采用3个级联的Conv-BN-LReLu网络结构，最后两层采用全连接神经网络，并采用sigmoid作为激活函数，输出为0到1的值，代表图片是真实的无噪声图片的概率。
4.根据权利要求1所述一种基于对抗生成网络的图像去噪方法，其特征在于，第四步在生成对抗网络的训练中，本发明结合使用对抗损失、像素匹配损失来衡量生成对抗网络生成的去噪图像与真实的无噪声图像y之间的差异，并更新网络参数；其中，如公式1所示，假设参考图像服从Pdata分布，通过与判别器D的博弈，生成器将噪声Pz生成Pdata,Ladv代表判别网络对于生成图像与真实图像之间的判别损失；
Ladv＝Ex∈pdata[logD(x)]+Ez∈pinput[log(1-D(G(z))](1)
其中，D(x)是判别器的结果，G(z)是生成器输出的结果；pdata表示真实样本分布；pinput表示噪声分布；
引入像素匹配损失函数，如公式2所示，其中：采用L1距离来度量生成图像与真实图像在像素空间的匹配程度；
其中，Gz代表生成器生成结果；
最后将2种损失函数组合起来，不同的损失函数具有不同的权重，采用加权求和的方式，图像去噪生成对抗网络的损失函数L如公式(3)所示
L＝wadvLadv+w1L1(3)
其中，wadv，w1为权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910497043.8A CN110223254A (zh) | 2019-06-10 | 2019-06-10 | 一种基于对抗生成网络的图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910497043.8A CN110223254A (zh) | 2019-06-10 | 2019-06-10 | 一种基于对抗生成网络的图像去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110223254A true CN110223254A (zh) | 2019-09-10 |
Family
ID=67815942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910497043.8A Pending CN110223254A (zh) | 2019-06-10 | 2019-06-10 | 一种基于对抗生成网络的图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223254A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738626A (zh) * | 2019-10-24 | 2020-01-31 | 广东三维家信息科技有限公司 | 渲染图的优化方法、装置及电子设备 |
| CN111091555A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 闸瓦折断目标检测方法 |
| CN111299763A (zh) * | 2020-02-28 | 2020-06-19 | 华南理工大学 | 一种抗噪声干扰的激光视觉焊缝自动跟踪方法及系统 |
| CN111369456A (zh) * | 2020-02-28 | 2020-07-03 | 深圳市商汤科技有限公司 | 图像去噪方法及装置、电子设备和存储介质 |
| CN111402159A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
| CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
| CN111476726A (zh) * | 2020-03-25 | 2020-07-31 | 清华大学 | 基于对抗神经网络的无监督双光子钙成像去噪方法及装置 |
| CN111667007A (zh) * | 2020-06-08 | 2020-09-15 | 大连民族大学 | 一种基于对抗生成网络的人脸铅笔画图像生成方法 |
| CN111680785A (zh) * | 2020-05-29 | 2020-09-18 | 山东省人工智能研究院 | 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法 |
| CN111814656A (zh) * | 2020-07-02 | 2020-10-23 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
| CN111899185A (zh) * | 2020-06-18 | 2020-11-06 | 深圳先进技术研究院 | 图像降噪模型的训练方法、装置、电子设备和存储介质 |
| CN112164008A (zh) * | 2020-09-29 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 图像数据增强网络的训练方法及其训练装置、介质和设备 |
| WO2021051893A1 (zh) * | 2019-09-17 | 2021-03-25 | 杭州群核信息技术有限公司 | 一种基于生成式对抗网络的蒙特卡洛渲染图去噪模型、方法及装置 |
| CN112767377A (zh) * | 2021-01-27 | 2021-05-07 | 电子科技大学 | 一种级联医学图像增强方法 |
| CN112785507A (zh) * | 2019-11-07 | 2021-05-11 | 上海耕岩智能科技有限公司 | 图像处理方法及装置、存储介质、终端 |
| CN112990279A (zh) * | 2021-02-26 | 2021-06-18 | 西安电子科技大学 | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
| CN113240669A (zh) * | 2021-06-11 | 2021-08-10 | 上海市第一人民医院 | 一种基于核磁影像的脊椎图像处理方法 |
| WO2021179764A1 (zh) * | 2020-03-10 | 2021-09-16 | Tcl科技集团股份有限公司 | 图像处理模型生成方法、处理方法、存储介质及终端 |
| CN113572710A (zh) * | 2021-07-21 | 2021-10-29 | 应急管理部四川消防研究所 | 基于生成对抗网络的wvd时频分析交叉项抑制方法及系统、存储介质 |
| CN113628147A (zh) * | 2021-09-08 | 2021-11-09 | 辽宁师范大学 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
| CN114757841A (zh) * | 2022-03-30 | 2022-07-15 | 西北核技术研究所 | 一种基于噪声特性的激光诱导荧光图像去噪方法 |
| CN115457568A (zh) * | 2022-09-20 | 2022-12-09 | 吉林大学 | 一种基于生成对抗网络的历史文档图像降噪方法及系统 |
| CN116912139A (zh) * | 2023-07-04 | 2023-10-20 | 华中科技大学 | 一种基于生成对抗网络的噪声合成及其模型训练方法 |
Citations (6)
| 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 |
| CN108564550A (zh) * | 2018-04-25 | 2018-09-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
| CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| JP2018181124A (ja) * | 2017-04-18 | 2018-11-15 | Kddi株式会社 | エンコーダデコーダ畳み込みニューラルネットワークにおける解像感を改善するプログラム |
| CN109345469A (zh) * | 2018-09-07 | 2019-02-15 | 苏州大学 | 一种基于条件生成对抗网络的oct成像中散斑去噪方法 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
-
2019
- 2019-06-10 CN CN201910497043.8A patent/CN110223254A/zh active Pending
Patent Citations (6)
| 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 |
| JP2018181124A (ja) * | 2017-04-18 | 2018-11-15 | Kddi株式会社 | エンコーダデコーダ畳み込みニューラルネットワークにおける解像感を改善するプログラム |
| CN108564550A (zh) * | 2018-04-25 | 2018-09-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
| CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN109345469A (zh) * | 2018-09-07 | 2019-02-15 | 苏州大学 | 一种基于条件生成对抗网络的oct成像中散斑去噪方法 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
Non-Patent Citations (2)
| Title |
|---|
| 程旭等: "基于多损失的生成式对抗目标跟踪算法", 《东南大学学报(自然科学版)》 * |
| 谢川等: "基于对抗生成网络的蒙特卡罗噪声去除算法", 《 模式识别与人工智能》 * |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021051893A1 (zh) * | 2019-09-17 | 2021-03-25 | 杭州群核信息技术有限公司 | 一种基于生成式对抗网络的蒙特卡洛渲染图去噪模型、方法及装置 |
| CN110738626A (zh) * | 2019-10-24 | 2020-01-31 | 广东三维家信息科技有限公司 | 渲染图的优化方法、装置及电子设备 |
| CN112785507A (zh) * | 2019-11-07 | 2021-05-11 | 上海耕岩智能科技有限公司 | 图像处理方法及装置、存储介质、终端 |
| US11610289B2 (en) * | 2019-11-07 | 2023-03-21 | Shanghai Harvest Intelligence Technology Co., Ltd. | Image processing method and apparatus, storage medium, and terminal |
| CN111091555A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 闸瓦折断目标检测方法 |
| CN111091555B (zh) * | 2019-12-12 | 2020-10-16 | 哈尔滨市科佳通用机电股份有限公司 | 闸瓦折断目标检测方法 |
| CN111299763B (zh) * | 2020-02-28 | 2021-09-21 | 华南理工大学 | 一种抗噪声干扰的激光视觉焊缝自动跟踪方法及系统 |
| CN111369456A (zh) * | 2020-02-28 | 2020-07-03 | 深圳市商汤科技有限公司 | 图像去噪方法及装置、电子设备和存储介质 |
| CN111299763A (zh) * | 2020-02-28 | 2020-06-19 | 华南理工大学 | 一种抗噪声干扰的激光视觉焊缝自动跟踪方法及系统 |
| WO2021179764A1 (zh) * | 2020-03-10 | 2021-09-16 | Tcl科技集团股份有限公司 | 图像处理模型生成方法、处理方法、存储介质及终端 |
| CN111402159A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
| CN111402159B (zh) * | 2020-03-13 | 2021-05-18 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
| CN111476726B (zh) * | 2020-03-25 | 2023-05-23 | 清华大学 | 基于对抗神经网络的无监督双光子钙成像去噪方法及装置 |
| CN111476726A (zh) * | 2020-03-25 | 2020-07-31 | 清华大学 | 基于对抗神经网络的无监督双光子钙成像去噪方法及装置 |
| CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
| CN111461979B (zh) * | 2020-03-30 | 2023-04-18 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
| CN111680785A (zh) * | 2020-05-29 | 2020-09-18 | 山东省人工智能研究院 | 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法 |
| CN111680785B (zh) * | 2020-05-29 | 2021-09-24 | 山东省人工智能研究院 | 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法 |
| CN111667007A (zh) * | 2020-06-08 | 2020-09-15 | 大连民族大学 | 一种基于对抗生成网络的人脸铅笔画图像生成方法 |
| CN111899185A (zh) * | 2020-06-18 | 2020-11-06 | 深圳先进技术研究院 | 图像降噪模型的训练方法、装置、电子设备和存储介质 |
| CN111814656A (zh) * | 2020-07-02 | 2020-10-23 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
| CN112164008A (zh) * | 2020-09-29 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 图像数据增强网络的训练方法及其训练装置、介质和设备 |
| CN112164008B (zh) * | 2020-09-29 | 2024-02-23 | 中国科学院深圳先进技术研究院 | 图像数据增强网络的训练方法及其训练装置、介质和设备 |
| CN112767377A (zh) * | 2021-01-27 | 2021-05-07 | 电子科技大学 | 一种级联医学图像增强方法 |
| CN112990279A (zh) * | 2021-02-26 | 2021-06-18 | 西安电子科技大学 | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
| CN113240669A (zh) * | 2021-06-11 | 2021-08-10 | 上海市第一人民医院 | 一种基于核磁影像的脊椎图像处理方法 |
| CN113572710A (zh) * | 2021-07-21 | 2021-10-29 | 应急管理部四川消防研究所 | 基于生成对抗网络的wvd时频分析交叉项抑制方法及系统、存储介质 |
| CN113628147A (zh) * | 2021-09-08 | 2021-11-09 | 辽宁师范大学 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
| CN113628147B (zh) * | 2021-09-08 | 2023-11-28 | 辽宁师范大学 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
| CN114757841A (zh) * | 2022-03-30 | 2022-07-15 | 西北核技术研究所 | 一种基于噪声特性的激光诱导荧光图像去噪方法 |
| CN115457568A (zh) * | 2022-09-20 | 2022-12-09 | 吉林大学 | 一种基于生成对抗网络的历史文档图像降噪方法及系统 |
| CN116912139A (zh) * | 2023-07-04 | 2023-10-20 | 华中科技大学 | 一种基于生成对抗网络的噪声合成及其模型训练方法 |
| CN116912139B (zh) * | 2023-07-04 | 2024-04-26 | 华中科技大学 | 一种基于生成对抗网络的噪声合成及其模型训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223254A (zh) | 一种基于对抗生成网络的图像去噪方法 | |
| CN108765319B (zh) | 一种基于生成对抗网络的图像去噪方法 | |
| CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
| CN111242862B (zh) | 多尺度融合并行稠密残差卷积神经网络图像去噪方法 | |
| CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
| CN106204482B (zh) | 基于加权稀疏的混合噪声去除方法 | |
| CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
| CN109784148A (zh) | 活体检测方法及装置 | |
| CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
| CN110837802A (zh) | 一种基于灰度共生矩阵的面部图像特征提取方法 | |
| CN112990052A (zh) | 基于人脸修复的部分遮挡人脸识别方法及装置 | |
| CN111260591A (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
| CN109493295A (zh) | 一种非局部哈尔变换图像去噪方法 | |
| CN112215054A (zh) | 一种用于水声信号去噪的深度生成对抗方法 | |
| CN111915486A (zh) | 基于图像超分辨重建的对抗样本防御方法 | |
| CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
| CN106845362B (zh) | 一种基于多尺度变换的稀疏表示的人脸识别方法 | |
| CN110647891A (zh) | 基于cnn和自编码器时序数据特征自动提取方法及系统 | |
| CN112200748A (zh) | 一种基于胶囊生成对抗网络的噪声建模的图像盲去噪方法 | |
| CN108090460A (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取算法 | |
| CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
| CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN116523794A (zh) | 一种基于卷积神经网络的低光照图像增强方法 | |
| Zou et al. | EDCNN: a novel network for image denoising |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |