CN110782399B - 一种基于多任务cnn的图像去模糊方法 - Google Patents
一种基于多任务cnn的图像去模糊方法 Download PDFInfo
- Publication number
- CN110782399B CN110782399B CN201910780508.0A CN201910780508A CN110782399B CN 110782399 B CN110782399 B CN 110782399B CN 201910780508 A CN201910780508 A CN 201910780508A CN 110782399 B CN110782399 B CN 110782399B
- Authority
- CN
- China
- Prior art keywords
- image
- deblurring
- scale
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 238000011084 recovery Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明公开一种基于多任务CNN的图像去模糊方法，包括以下步骤：(1)获取总训练集、测试集、预处理；(2)对图像进行多尺度缩放及参数设置；(3)基于多任务卷积神经网络去模糊；多任务卷积神经网络包括三个尺度，每个尺度分为图像去模糊模块、图像细节恢复模块和特征融合模块；图像去模糊模块包含图像编码块E和图像解码块D，图像编码块E提取图像特征并进行编码，然后经过图像解码块D得到去模糊图像；图像细节恢复模块只包含具有残差结构的卷积特征提取层，网络特征图大小与输入大小保持相同，只进行模糊图像高阶特征的提取和融合，为最终的图像恢复过程提供高频信息；特征融合模块包含一个图像合并模块和一个卷积层。
Description
技术领域
本发明属于计算机图像处理的领域，多用于图像或者视频去模糊等相关领域，具体涉及 一种基于多任务CNN的图像去模糊方法。
背景技术
图像采集过程中，由于曝光时间内，摄像器材抖动或拍摄场景的快速运动，再加上大气 光线的影响，造成图像质量退化。图像质量的退化会严重影响图像的后续处理，比如图像比 对、特征提取、图像识别等。因具有前沿性、应用广等特点，图像去模糊一直是计算机视觉、 图像处理领域的热点。
现有的图像去模糊方法可分为传统方法和基于深度学习的方法。传统方法可分为基于贝 叶斯框架去模糊算法[1]，变分方法，基于稀疏表示[2]的方法。基于贝叶斯框架去模糊算法提供 了未观测变量的后验概率的分析近似，以推导出这些变量的统计特性。变分方法将不适定的 问题转换为适当的问题，其特征在于探索额外的约束以减小未知变量的解空间的大小。基于 稀疏表示的方法将参考图像用作正则化器，使得可以从对应的锐利信息恢复模糊信息。尽管 这些方法在去模糊方面取得很大的进展，但是在盲图像去模糊的情况下，由于应用场景的复 杂性，模糊核往往难以获得并且在空域上是不断变化的，因此很难将模糊的过程进行参数化。 目前，基于深度学习去模糊方法在恢复模糊图像的过程中不用估计模糊核而被广泛应用。如 SRN-DeblurNet[7]，DeblurGAN[8]等，其大多基于卷积神经网络(CNN)学习模糊图像到清晰图 像之间的映射关系，得到较好的去模糊效果。但是目前大多利用卷积神经网络恢复图像，没 有考虑图像细节信息的恢复，导致图像去模糊后细节纹理丢失。另一方面，单任务的网络模 型的泛化能力不够，自适应性不足，很难实现多类型多场景的图像去模糊任务。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于多任务CNN的图像去模糊方 法，本发明在多尺度结构中采用由粗到细的策略，在每个尺度上对图像进行去模糊，同时上 一尺度图像去模糊的结果经过上采样作为下一尺度的输入。另外，本发明在每一尺度上增加 了细节恢复子任务，可进一步增强去模糊网络对图像细节方面的恢复。
本发明的目的是通过以下技术方案实现的：
权利要求确定后此处完善
与现有技术相比，本发明的技术方案所带来的有益效果是：
在多尺度卷积神经网络[6]的基础上增加细节恢复任务，在每一尺度上恢复模糊图像的同 时增加细节恢复模块(如图1所示)提取图像的细节特征并与恢复的清晰图像进行融合，进一 步增强原有网络对图像细节方面的恢复。
附图说明
图1为多任务卷积神经网络结构示意图。
图2为图像去模糊模块的结构示意图。
图3为细节恢复模块的结构示意图。
表1几种算法复原结果客观指标对比
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。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。
本发明提出增加细节恢复的卷积神经网络，设计了一图像细节恢复模块充分提取和保护 模糊图像的细节特征，提出增加梯度损失以增强网络对细节的恢复能力。在整体结构上，基 于Multi-scale[6]的网络结构，提出了一种多任务端到端学习的去模糊CNN网络。
1.算法基本原理
针对目前大多卷积神经网络在去模糊过程中没有考虑图像细节信息的恢复，导致图像去 模糊后细节纹理丢失问题。本发明在Multi-scale的基础上开发出一种多任务卷积神经网络。 首先利用多尺度网络结构，在每一尺度上将模糊图像和上一尺度恢复的清晰图像作为输入， 然后恢复出这一尺度的清晰图像：
Ii+1＝Neti+1(Bi+1,Ii↑；θ)
其中Ii+1和Bi+1为第i+1尺度的清晰图像和模糊图像，θ为网络参数，Neti+1为第i+1个尺度 的卷积神经网络，Ii为第i尺度上恢复的清晰图像。同时，本发明在每一尺度上恢复模糊图像 的同时增加细节恢复的子任务，即在每一尺度上增加特征提取子网络，将提取的细节特征信 息加入恢复的清晰图像，进一步增强去模糊网络对图像细节方面的恢复：
Iti＝Neti(Bi,Ii；θ)+Bti
其中Iti为增加细节特征的清晰图像，Bi，Ii分别为第i个尺度的模糊图像和经过卷积神经网络 恢复的清晰图像，Bti为第i个尺度特征提取子网络提取的细节特征信息。
本发明方法的步骤如下:
步骤1、获取总训练集、测试集、预处理：
训练集为深度学习方法去模糊中常用的GOPRO数据集。包含3214对图像，其中2103对图像用于训练，1111对图像用于测试。为了防止网络过拟合，使用数据增强的方法。在几何变换方面，将图像随机水平和垂直旋转90度。在色彩方面，将图像的RGB通道进行随机 置换以得到不同的效果。为了考虑图像劣化，将图像HSV色彩空间中的饱和度乘以[0.5,1.5]内的随机数。测试时，将GOPRO数据集的1111对用于测试的图像输入到多任务如模糊网络中，得到去模糊结果。
步骤2、图像多尺度缩放及参数设置：
在训练过程中每次输入16个批次的512*512大小的图像。首先将输入的图像用下采样的 方法分别进行2倍，4倍的缩小，将低尺度的图像输入到低尺度的卷积神经网络中得到恢复 的清晰图像。然后将低尺度恢复的清晰图像经过上采样与更高尺度的模糊图像一起作为输入 送入这一尺度的卷积神经网络中去，最终得到512*512的清晰图像作为输出。本发明超参数 设置为：迭代训练最大次数为1000，学习率为1e-4，batch大小为16，网络参数初始化方式 为Xavier方法；采用Adam优化算法。
步骤3、基于多任务卷积神经网络去模糊
本发明网络共包含三个尺度，每一尺度分为三个部分：图像去模糊模块、图像细节恢复 模块和特征融合模块，整体网络结构如图1所示
1)图像去模糊：
在图像去模糊部分包含三个图像编码块E和三个图像解码块D，图像编码块提取图像特 征并进行编码，然后经过解码块得到去模糊图像。每个图像编码块包含一个卷积层C和三个 残差块R，其中卷积层C的卷积核大小为5x5，残差块由两个5x5卷积和一个ReLU激活函 数组成，其中为了保证输出的特征图不变，padding设置为1；三个图像编码块E1，E2，E3的卷积核特征数分别为32，64，128。每个图像解码块同样包含一个卷积层C和三个残差块R，卷积核参数设置同编码块相同。图像去模糊模块结构如图2所示。
2)图像细节恢复：
细节恢复子网络只包含具有残差结构的卷积特征提取层，而不采用下采样层，网络特征 图大小与输入大小保持相同，只进行模糊图像高阶特征的提取和融合，为最终的图像恢复过 程提供高频信息。其中包含三个卷积层C和三个残差块R，为了保证输出的特征图大小不变， padding设置为1，卷积核特征图数量为64。细节恢复模块结构如图3所示。
3)特征融合：特征融合模块包含一个图像合并模块和一个卷积层，卷积核大小为5x5。将 图像去模糊模块和图像细节恢复模块输出的去模糊结果和图像细节特征进行通道合并之后进 行卷积得到最终结果，输入图像特征数量为96，输出为一张特征图，及所得到的最终去模糊 结果。
4)损失函数：
在本发明实施例中使用L2损失函数作为图像去模糊尺度多任务卷积神经网络的损失函 数：
其中对于训练集(xi,yi)，包含N个模糊/清晰图像对，θ为网络参数，Neti为第i个尺度的卷积 神经网络。
采用了多尺度策略，所以对应于每一个尺度，都有相对应的标签值，都要计算对应的损 失函数，总的多尺度(三尺度)混合损失函数为：
上式中上标表示对应的输入尺度，总的损失函数为三个尺度的混合损失函数之和。
下面将复原结果与近年先进的基于卷积神经网络的图像去模糊算法进行了比较。应用于 图像去模糊的卷积神经网络性能在很大程度上与训练数据相关，为了更客观的进行相关算法 之间的比较，本实施例中将本发明方法与当前几种先进的基于统计先验的图像去模糊算法和 基于深度学习方法的图像去模糊算法进行了客观性能指标对比。
对比的算法包括：Kim等[3]提出的动态场景图像去模糊算法、Xu等[4]提出的基于L0 稀疏表示的自然图像去模糊算法、Sun等[5]提出的基于卷积神经网络的空域可变运动模糊去 除、Nah等[6]提出的多尺度动态场景卷积神经网络图像去模糊、Tao X等[7]提出的尺度迭 代卷积神经网络图像去模糊(SRN)、Kupyn O等[8]提出的条件生成网络图像去模糊(DeblurGAN)。表1给出了本文方法及上述方法在GOPRO测试集上复原结果的平均SSIM、PSNR以及运行时间比较。
表1几种算法复原结果客观指标对比
由表1可以看到本发明提出的多任务卷积神经网络去模糊方法在GOPRO测试集上，对 比当前先进的去模糊算法包括传统基于模型的去模糊方法(Kim et al，Sun et al，Xuet al)和基 于卷积神经网络的去模糊方法(Nah et al，DeblurGAN，SRN)，取得了最高的PSNR值，在SSIM 值对比中只比DeblurGAN稍低。综合上述分析，相比于现有的主流算法，本发明提出的多任 务卷积神经网络图像去模糊算法取得了显著的图像去模糊性能，在主客观指标上有明显的提 升。
参考文献：
[1]Pan,Jinshan,et al."Blind image deblurring using dark channelprior."Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2016.
[2]Hacohen Y,Shechtman E,Lischinski D(2013)Deblurring by exampleusing dense correspondence.In:Proceedings of IEEE International Conference onComputer Vision,pp 2384-2391.
[3]Hyun Kim T,Ahn B,Mu Lee K.Dynamic scene deblurring[C].Proceedingsof the IEEE International Conference on Computer Vision.2013:3160-3167.
[4]Xu L,Zheng S,Jia J.Unnatural l0sparse representation for naturalimage deblurring[C]. Computer Vi-sion and Pattern Recognition.IEEE,2013:1107-1114.
[5]Sun J,Cao W,Xu Z,et al.Learning a convolutional neural network fornon-uniform motion blur removal[C].Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition.2015:769-777.
[6]Nah S,Kim T H,Lee K M.Deep multi-scale convolutional neuralnetwork for dynamic scene deblurring[C].Conference on Computer Vision andPattern Recognition.2017:3883-3891.
[7]Tao X,Gao H,Shen X,et al.Scale-recurrent network for deep imagedeblurring[C]. Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.2018: 8174-818.
[8]Kupyn O,Budzan V,Mykhailych M,et al.DeblurGAN:Blind motiondeblurring using conditional adversarial networks[J].arXiv preprint arXiv:1711.07064,2017.
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发 明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗 旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多 形式的具体变换，这些均属于本发明的保护范围之内。
Claims (8)
1.一种基于多任务CNN的图像去模糊方法，其特征在于，包括以下步骤：
(1)获取总训练集、测试集、预处理；
(2)对图像进行多尺度缩放及参数设置；
(3)基于多任务卷积神经网络去模糊；所述多任务卷积神经网络包括三个尺度，每个尺度分为图像去模糊模块、图像细节恢复模块和特征融合模块三部分；
图像去模糊模块包含三个图像编码块E和三个图像解码块D，图像编码块E提取图像特征并进行编码，然后经过图像解码块D得到去模糊图像；
图像细节恢复模块只包含padding为SAME的标准卷积层和具有残差结构的卷积特征提取层，其中标准卷积层和具有残差结构的卷积层的卷积核大小均为5x5，只进行模糊图像高阶特征的提取和融合，输出与输入图像大小相同的512x512的特征图，为最终的图像恢复过程提供高频信息；
特征融合模块包含一个图像合并模块和一个卷积层，卷积核大小为5x5；
基于多任务卷积神经网络去模糊的过程具体如下：
首先将小尺度模糊图像B1作为多任务卷积神经网络的输入依次进行去模糊、细节恢复和特征融合得到小尺度清晰图像I1，对I1进行上采样与中尺度模糊图像B2堆叠作为多任务卷积神经网络的输入依次进行去模糊、细节恢复和特征融合得到中尺度清晰图像I2；对I2上采样和大尺度模糊图像B3堆叠作为多任务卷积神经网络的输入进行去模糊、细节恢复和特征融合得到大尺度清晰图像I3。
2.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，步骤(1)中总训练集采用GOPRO数据集；包含3214对图像，其中2103对图像用于训练，1111对图像用于测试；为防止网络过拟合，使用数据增强的方法；在几何变换方面，将图像随机水平和垂直翻转90度；在色彩方面，将图像的RGB通道进行随机置换以得到不同的效果；为考虑图像劣化，将图像HSV色彩空间中的饱和度乘以[0.5,1.5]内的随机数；测试时，将GOPRO数据集的1111对用于测试的图像输入到多任务卷积神经网络中，得到去模糊结果。
3.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，步骤(2)中在训练过程中每次输入16个批次的512*512大小的图像；具体包括以下步骤：
(201)首先将输入的模糊图像用下采样的方法分别进行1倍，2倍，4倍的缩小，分别得到512x512,256x256,128x128大小的图像然后分别作为多尺度卷积神经网络三个尺度的输入；
(202)首先将128x128的图像输入到第1尺度的卷积神经网络中，得到初始的去模糊结果，然后在后面分别将第i，i＝1,2尺度恢复的清晰图像经过上采样与第i+1尺度的模糊图像一起作为输入送入第i+1尺度的卷积神经网络中去，最终得到512*512的清晰图像作为输出。
4.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，步骤(2)中，超参数设置为：迭代训练最大次数为1000，学习率为1e-4，batch大小为16，网络参数初始化方式为Xavier方法，采用Adam优化算法。
5.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，步骤(3)中，图像去模糊模块每个图像编码块E包含一个卷积层C和三个残差块R，其中卷积层C的卷积核大小为5x5，残差块由两个5x5卷积和一个ReLU激活函数组成，其中为保证输出的特征图不变，padding设置为1；三个图像编码块E1，E2，E3的卷积核特征数分别为32，64，128；每个图像解码块D同样包含一个卷积层C和三个残差块R，卷积核参数设置同编码块相同。
6.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，步骤(3)中，图像细节恢复模块包含三个卷积层C和三个残差块R，为保证输出的特征图大小不变，padding设置为1，卷积核特征图数量为64。
7.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，步骤(3)中特征融合模块将图像去模糊模块和图像细节恢复模块输出的去模糊结果和图像细节特征进行通道合并之后进行卷积得到最终结果，输入图像特征数量为96，输出为一张特征图，及所得到的最终去模糊结果。
8.根据权利要求1所述一种基于多任务CNN的图像去模糊方法，其特征在于，使用L2损失函数作为多任务卷积神经网络的损失函数，对于训练集(xi,yi)：
其中
提出增加梯度损失以增强网络对细节的恢复能力，梯度损失可以表示为：
混合损失函数表示为：
Lmix＝L2+αLSSIM+βLgrad
采用了多尺度策略，对应于每一个尺度，都有相对应的标签值，都要计算对应的损失函数，总的多尺度(三尺度)混合损失函数为：
上式中上标表示对应的输入尺度，总的损失函数为三个尺度的混合损失函数之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910780508.0A CN110782399B (zh) | 2019-08-22 | 2019-08-22 | 一种基于多任务cnn的图像去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910780508.0A CN110782399B (zh) | 2019-08-22 | 2019-08-22 | 一种基于多任务cnn的图像去模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782399A CN110782399A (zh) | 2020-02-11 |
| CN110782399B true CN110782399B (zh) | 2023-05-12 |
Family
ID=69383326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910780508.0A Active CN110782399B (zh) | 2019-08-22 | 2019-08-22 | 一种基于多任务cnn的图像去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782399B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539886B (zh) * | 2020-04-21 | 2023-01-03 | 西安交通大学 | 一种基于多尺度特征融合的去雾方法 |
| CN111553867B (zh) * | 2020-05-15 | 2023-05-26 | 华润数字科技有限公司 | 一种图像去模糊方法、装置、计算机设备及存储介质 |
| CN111340146A (zh) * | 2020-05-20 | 2020-06-26 | 杭州微帧信息科技有限公司 | 一种通过共享特征提取网络加速视频恢复任务的方法 |
| CN111709895B (zh) * | 2020-06-17 | 2023-05-16 | 中国科学院微小卫星创新研究院 | 基于注意力机制的图像盲去模糊方法及系统 |
| CN111882522A (zh) * | 2020-06-21 | 2020-11-03 | 浙江大学山东工业技术研究院 | 一种细胞涂片的图像处理方法 |
| CN111932474A (zh) * | 2020-07-30 | 2020-11-13 | 深圳市格灵人工智能与机器人研究院有限公司 | 基于深度学习的图像去噪方法 |
| CN111985625B (zh) * | 2020-09-04 | 2024-04-26 | 江苏濠汉信息技术有限公司 | 一种红外-可见光融合的深度神经网络及其建模方法 |
| CN112102205B (zh) * | 2020-10-15 | 2024-02-09 | 平安科技（深圳）有限公司 | 图像去模糊方法、装置、电子设备及存储介质 |
| CN112561826A (zh) * | 2020-12-22 | 2021-03-26 | 杭州趣链科技有限公司 | 基于人工智能的图像去模糊方法、装置、设备及存储介质 |
| CN112614072B (zh) * | 2020-12-29 | 2022-05-17 | 北京航空航天大学合肥创新研究院 | 一种图像复原方法、装置、图像复原设备及存储介质 |
| CN113096032B (zh) * | 2021-03-18 | 2024-03-19 | 西北工业大学 | 一种基于图像区域划分的非均匀一致模糊去除方法 |
| CN113240598A (zh) * | 2021-05-08 | 2021-08-10 | Oppo广东移动通信有限公司 | 人脸图像去模糊方法、人脸图像去模糊装置、介质与设备 |
| CN113111859B (zh) * | 2021-05-12 | 2022-04-19 | 吉林大学 | 一种基于深度学习的车牌去除模糊检测方法 |
| CN113177896B (zh) * | 2021-05-20 | 2022-05-03 | 中国人民解放军国防科技大学 | 基于多路径精化融合神经网络的图像去除模糊方法 |
| CN113409254B (zh) * | 2021-06-04 | 2022-06-07 | 哈尔滨理工大学 | 一种针对模糊成像环境的印刷品缺陷检测方法 |
| CN113450275A (zh) * | 2021-06-28 | 2021-09-28 | 上海人工智能研究院有限公司 | 基于元学习的画质增强系统及方法、存储介质 |
| CN113658076B (zh) * | 2021-08-18 | 2022-08-02 | 中科天网（广东）科技有限公司 | 基于特征纠缠调制的图像复原方法、装置、设备和介质 |
| CN114066750B (zh) * | 2021-10-22 | 2024-03-05 | 西北工业大学 | 一种基于域变换的自编码器去模糊方法 |
| CN114359082B (zh) * | 2021-12-24 | 2023-01-06 | 复旦大学 | 一种基于自建数据对的胃镜图像去模糊算法 |
| CN114549361B (zh) * | 2022-02-28 | 2023-06-30 | 齐齐哈尔大学 | 一种基于改进U-Net模型的去图像运动模糊方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
| CN108376392A (zh) * | 2018-01-30 | 2018-08-07 | 复旦大学 | 一种基于卷积神经网络的图像运动模糊去除方法 |
| CN109360171A (zh) * | 2018-10-26 | 2019-02-19 | 北京理工大学 | 一种基于神经网络的视频图像实时去模糊方法 |
| CN109741260A (zh) * | 2018-12-29 | 2019-05-10 | 天津大学 | 一种基于深度反投影网络的高效超分辨率方法 |
| CN109903237A (zh) * | 2019-01-23 | 2019-06-18 | 复旦大学 | 一种基于分离低高频的多尺度人脸图像去模糊算法 |
| CN110110783A (zh) * | 2019-04-30 | 2019-08-09 | 天津大学 | 一种基于多层特征图连接的深度学习目标检测方法 |
-
2019
- 2019-08-22 CN CN201910780508.0A patent/CN110782399B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
| CN108376392A (zh) * | 2018-01-30 | 2018-08-07 | 复旦大学 | 一种基于卷积神经网络的图像运动模糊去除方法 |
| CN109360171A (zh) * | 2018-10-26 | 2019-02-19 | 北京理工大学 | 一种基于神经网络的视频图像实时去模糊方法 |
| CN109741260A (zh) * | 2018-12-29 | 2019-05-10 | 天津大学 | 一种基于深度反投影网络的高效超分辨率方法 |
| CN109903237A (zh) * | 2019-01-23 | 2019-06-18 | 复旦大学 | 一种基于分离低高频的多尺度人脸图像去模糊算法 |
| CN110110783A (zh) * | 2019-04-30 | 2019-08-09 | 天津大学 | 一种基于多层特征图连接的深度学习目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于快速卷积神经网络的图像去模糊;任静静;方贤勇;陈尚文;汪粼波;周健;计算机辅助设计与图形学学报;第29卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782399A (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782399B (zh) | 一种基于多任务cnn的图像去模糊方法 | |
| Wang et al. | Real-esrgan: Training real-world blind super-resolution with pure synthetic data | |
| Pan et al. | Learning dual convolutional neural networks for low-level vision | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| Li et al. | Single image dehazing via conditional generative adversarial network | |
| CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
| 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 | |
| CN111127308B (zh) | 用于局部遮挡下单样本人脸识别的镜像特征重排修复方法 | |
| CN111091503B (zh) | 基于深度学习的图像去失焦模糊方法 | |
| CN113658051A (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN111275626A (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
| CN112164011B (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
| Huang et al. | Deep hyperspectral image fusion network with iterative spatio-spectral regularization | |
| CN108961186A (zh) | 一种基于深度学习的老旧影片修复重制方法 | |
| CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
| CN110490822B (zh) | 图像去运动模糊的方法和装置 | |
| CN108734677B (zh) | 一种基于深度学习的盲去模糊方法及系统 | |
| CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
| Feng et al. | URNet: A U-Net based residual network for image dehazing | |
| Xu et al. | Joint demosaicing and super-resolution (JDSR): Network design and perceptual optimization | |
| CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
| Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
| Anwar et al. | Attention-based real image restoration | |
| CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
| CN114331913B (zh) | 基于残差注意力块的运动模糊图像复原方法 |
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 |