CN111028166A - 一种基于迭代神经网络的视频去模糊方法 - Google Patents
一种基于迭代神经网络的视频去模糊方法 Download PDFInfo
- Publication number
- CN111028166A CN111028166A CN201911209013.9A CN201911209013A CN111028166A CN 111028166 A CN111028166 A CN 111028166A CN 201911209013 A CN201911209013 A CN 201911209013A CN 111028166 A CN111028166 A CN 111028166A
- Authority
- CN
- China
- Prior art keywords
- deblurring
- neural network
- video
- frames
- time domain
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明提供一种基于迭代神经网络的视频去模糊方法，包括构建视频去模糊模型；获取原始视频序列，并计算原始视频序列帧间的局部和全局相似性，且进一步对比建模时域信息；根据时域信息将模糊序列在特征空间中进行去模糊操作，得到去模糊特征；将去模糊操作后的特征从特征空间中恢复为清晰的图像序列；根据清晰的图像序列及目标视频序列，计算时域损失函数，反向传播训练网络。实施本发明，通过卷积神经网络和循环神经网络的耦合作用减少模型参数，并通过计算视频中全局与局部帧之间相似性用以建模时域信息，以及进一步通过时域损失函数让模型产生更连续清晰的图像序列，从而能够解决现有技术所存在的问题。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于迭代神经网络的视频去模糊方法。
背景技术
随着计算机处理器的发展，简单的图像处理任务已经广泛的应用于实际场景中，而研究人员开始研究如何从视频中获取更多的信息以得到更好的效果。然而，由于拍摄过程中物体运动或相机晃动等原因，作为输入的视频往往含有一定程度的模糊影响，而这些模糊内容往往严重影响了视频的可应用价值，因此为了将获取到的视频更好的应用，视频去模糊等视频复原任务是必不可少的前提任务。
视频去模糊是一个经典的视频复原问题。最早被提出的视频去模糊算法是逆滤波(Inverse Filter)反卷积算法，例如Nathan采用二位逆滤波算法来进行还原处理。随着研究的不断深入，Donatelli等人将偏微分方程(Partial Differential Equation,PDE)理论应用于视频序列的恢复处理。此后，Fergus等人深入研究对比了运动模糊退化的视频图像以及原始清晰的视频图像各自的梯度分布，提出一种基于分布统计模型的盲运动去模糊算法。还有Takeda针对视频图像序列的特性，充分利用时域上的信息，建立三维的时空不变的点扩散函数模型来对视频序列进行去模糊处理。
随着深度学习浪潮兴起，2D及3D卷积操作被广泛应用于时域信息的获取，并通过卷积神经网络强大的学习能力学习模糊视频到清晰视频的映射。例如，在DBN算法中，通过将相邻帧放入卷积层来获取时域上的联系；又如，考虑到视频中帧与帧之间的关系本质上是三维数据，在DBLRGAN方法中将若干相邻数据进行对齐，并进一步使用3D卷积从中抽取更逼真的时域信息。
然而，上述方法在视频去模糊领域均取得了一定的成效，但它们大多依赖于庞大的卷积神经网络，导致视频去模糊模型难以应用到实际场景中。此外，上述方法往往注重于如何建模输入帧序列之间的时序联系，而忽视了生成的视频中帧与帧的连续性，导致恢复出来的视频出现一定的时域不连续性。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于迭代神经网络的视频去模糊方法，通过卷积神经网络和循环神经网络的耦合作用减少模型参数，并通过计算视频中全局与局部帧之间相似性用以建模时域信息，以及进一步通过时域损失函数让模型产生更连续清晰的图像序列，从而能够解决现有技术所存在的问题。
为了解决上述技术问题，本发明实施例提供了一种基于迭代神经网络的视频去模糊方法，包括以下步骤：
步骤S1、构建视频去模糊模型；其中，所述视频去模糊模型包括非局部时域模块、基于卷积神经网络和循环神经网络形成的迭代模块以及若干卷积层；
步骤S2、获取原始视频序列，并通过所述视频去模糊模型中的若干卷积层和非局部时域模块，计算所述原始视频序列帧间的局部相似性和全局相似性，且进一步对比所计算出的局部相似性与全局相似性，建模所述原始视频序列帧间的时域信息；
步骤S3、根据建模后的原始视频序列帧间的时域信息，利用所述视频去模糊模型中的迭代模块在特征空间中对所述原始视频序列的模糊帧进行去模糊操作，得到原始视频序列去模糊操作后的特征；
步骤S4、将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列；
步骤S5、根据所述清晰的图像序列及所述原始清晰视频序列，计算所述视频去模糊模型的时域损失函数，并反向传播训练模型。
其中，所述步骤S2具体包括：
通过所述若干卷积层从所述原始视频的局部帧和全部帧中分别抽取相对应的特征，且利用所述非局部时域模块对分别从局部帧和全部帧中抽取的相应特征进行计算，得到局部帧之间的相似性和全部帧之间的相似性，进一步通过对比局部帧之间的相似性和全部帧之间的相似性并融合，建模所述原始视频序列帧间的时域信息。
其中，所述步骤S3具体包括：
将建模后的原始视频序列帧间的时域信息作为所述迭代模块中卷积神经网络的输入，并通过所述卷积神经网络的卷积层获取抽象高维信息的能力来捕获输入在不同位置的模糊程度，生成相应的处理参数，且进一步将建模后的原始视频序列帧间的时域信息和所生成的相应处理参数同时作为所述迭代模块中循环神经网络的输入，迭代N次直至为止完成去模糊操作，得到原始视频序列去模糊操作后的特征。
其中，所述步骤S4具体包括：
通过所述卷积神经网络及所述循环神经网络中的卷积层和上采样层，将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列，同时使用两个全局跳跃链接加速网络训练。
其中，所述步骤S5具体包括：
对所述清晰的图像序列和所述原始清晰视频序列，分别计算相应的神经网络特征，并计算所述清晰的图像序列及所述原始视频序列特征之间的均方误差后，对所述视频去模糊模型进行反向传播更新参数。
实施本发明实施例，具有如下有益效果：
1、与现有技术相比，本发明提出了一个基于迭代的去模糊模块，在每次迭代过程中，由卷积层对输入进行空间信息的检测，由相应的循环神经单元实现去模糊操作，这一设计大大减少了视频去模糊模型的参数规模；
2、本发明充分考虑了输入帧序列之间的时序信息，专门设计了一个非全局时域模块用于计算全局与局部帧之间的相似性，并将所计算出的全局相似性和局部相似性综合考虑以建模时域信息；
3、本发明在充分考虑输入帧序列之间的时序信息的情况下，确保输出的时序信息尽可能完整，进而迫使去模糊模型产生清晰且连续的视频序列。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于迭代神经网络的视频去模糊方法的流程图；
图2为本发明实施例提出的一种基于迭代神经网络的视频去模糊方法中视频去模糊模型的应用场景图；
图3为图2的视频去模糊模型中非局部时域模块的应用场景图；
图4为图2的视频去模糊模型中迭代模块的循环神经网络的应用场景图；
图5为图2的视频去模糊模型中迭代模块的卷积神经网络的应用场景图；
图6为图2的视频去模糊模型中对于生成的去模糊视频时域信息建模的效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种基于迭代神经网络的视频去模糊方法，包括以下步骤：
步骤S1、构建视频去模糊模型；其中，所述视频去模糊模型包括非局部时域模块、基于卷积神经网络和循环神经网络形成的迭代模块以及若干卷积层；
具体过程为，如图2所示，构建视频去模糊模型。视频去模糊模型包括非局部时域模块(如图3所示)、基于卷积神经网络(如图5所示)和循环神经网络(如图4所示)形成的迭代模块以及若干卷积层。
步骤S2、获取原始视频序列，并通过所述视频去模糊模型中的若干卷积层和非局部时域模块，计算所述原始视频序列帧间的局部相似性和全局相似性，且进一步对比所计算出的局部相似性与全局相似性，建模所述原始视频序列帧间的时域信息；
具体过程为，通过若干卷积层从原始视频的局部帧和全部帧中分别抽取相对应的特征，且利用非局部时域模块对分别从局部帧和全部帧中抽取的相应特征进行计算，得到局部帧之间的相似性和全部帧之间的相似性，进一步通过对比局部帧之间的相似性和全部帧之间的相似性并融合，建模原始视频序列帧间的时域信息。如图6所示，为生成的去模糊视频时域信息建模的效果图。
应当说明的是，通过计算全局范围以及局部帧与帧之间的联系，使视频去模糊模型能够更好的建模帧间的时域信息。同时，时域信息的建模具有较强的鲁棒性，在视觉效果和衡量指标上均达到了一流水平。
步骤S3、根据建模后的原始视频序列帧间的时域信息，利用所述视频去模糊模型中的迭代模块在特征空间中对所述原始视频序列的模糊帧进行去模糊操作，得到原始视频序列去模糊操作后的特征；
具体过程为，将建模后的原始视频序列帧间的时域信息作为迭代模块中卷积神经网络的输入，并通过卷积神经网络的卷积层获取抽象高维信息的能力来捕获输入在不同位置的模糊程度，生成相应的处理参数，且进一步将建模后的原始视频序列帧间的时域信息和所生成的相应处理参数同时作为所述迭代模块中循环神经网络的输入，迭代N次直至为止完成去模糊操作，得到原始视频序列去模糊操作后的特征。
应当说明的是，为了视频去模糊模型中参数的利用率，专门设计了一个基于卷积神经网络和循环神经网络的迭代模块，该模块每次通过卷积神经网络来使循环神经网络自适应的进行去模糊处理。
步骤S4、将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列；
具体过程为，通过卷积神经网络及循环神经网络中的卷积层和上采样层，将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列，同时使用两个全局跳跃链接加速网络训练。
步骤S5、根据所述清晰的图像序列及所述原始清晰视频序列，计算所述视频去模糊模型的时域损失函数，，并反向传播训练模型。
具体过程为，对清晰的图像序列和原始清晰视频序列，分别计算相应的神经网络特征，并计算清晰的图像序列及所述原始清晰视频序列特征之间的均方误差后，对所述视频去模糊模型进行反向传播更新参数。
应当说明的是，通过计算时域损失函数，确保视频去模糊模型能够恢复出清晰连续的视频。实验效果证明，上述方法能够大大减少视频去模糊模型参数而不影响模型效果。
实施本发明实施例，具有如下有益效果：
1、与现有技术相比，本发明提出了一个基于迭代的去模糊模块，在每次迭代过程中，由卷积层对输入进行空间信息的检测，由相应的循环神经单元实现去模糊操作，这一设计大大减少了视频去模糊模型的参数规模；
2、本发明充分考虑了输入帧序列之间的时序信息，专门设计了一个非全局时域模块用于计算全局与局部帧之间的相似性，并将所计算出的全局相似性和局部相似性综合考虑以建模时域信息；
3、本发明在充分考虑输入帧序列之间的时序信息的情况下，确保输出的时序信息尽可能完整，进而迫使去模糊模型产生清晰且连续的视频序列。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (5)
1.一种基于迭代神经网络的视频去模糊方法，其特征在于，所述方法包括以下步骤：
步骤S1、构建视频去模糊模型；其中，所述视频去模糊模型包括非局部时域模块、基于卷积神经网络和循环神经网络形成的迭代模块以及若干卷积层；
步骤S2、获取原始视频序列，并通过所述视频去模糊模型中的若干卷积层和非局部时域模块，计算所述原始视频序列帧间的局部相似性和全局相似性，且进一步对比所计算出的局部相似性与全局相似性，建模所述原始视频序列帧间的时域信息；
步骤S3、根据建模后的原始视频序列帧间的时域信息，利用所述视频去模糊模型中的迭代模块在特征空间中对所述原始视频序列的模糊帧进行去模糊操作，得到原始视频序列去模糊操作后的特征；
步骤S4、将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列；
步骤S5、根据所述清晰的图像序列及所述原始清晰视频序列，计算所述视频去模糊模型的时域损失函数，并反向传播训练模型。
2.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S2具体包括：
通过所述若干卷积层从所述原始视频的局部帧和全部帧中分别抽取相对应的特征，且利用所述非局部时域模块对分别从局部帧和全部帧中抽取的相应特征进行计算，得到局部帧之间的相似性和全部帧之间的相似性，进一步通过对比局部帧之间的相似性和全部帧之间的相似性并融合，建模所述原始视频序列帧间的时域信息。
3.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S3具体包括：
将建模后的原始视频序列帧间的时域信息作为所述迭代模块中卷积神经网络的输入，并通过所述卷积神经网络的卷积层获取抽象高维信息的能力来捕获输入在不同位置的模糊程度，生成相应的处理参数，且进一步将建模后的原始视频序列帧间的时域信息和所生成的相应处理参数同时作为所述迭代模块中循环神经网络的输入，迭代N次直至为止完成去模糊操作，得到原始视频序列去模糊操作后的特征。
4.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S4具体包括：
通过所述卷积神经网络及所述循环神经网络中的卷积层和上采样层，将所得到的原始视频序列去模糊操作后的特征从特征空间中恢复为清晰的图像序列，同时使用两个全局跳跃链接加速网络训练。
5.如权利要求1所述的基于迭代神经网络的视频去模糊方法，其特征在于，所述步骤S5具体包括：
对所述清晰的图像序列和所述原始清晰视频序列，分别计算相应的神经网络特征，并计算所述清晰的图像序列及所述原始视频序列特征之间的均方误差后，对所述视频去模糊模型进行反向传播更新参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911209013.9A CN111028166B (zh) | 2019-11-30 | 2019-11-30 | 一种基于迭代神经网络的视频去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911209013.9A CN111028166B (zh) | 2019-11-30 | 2019-11-30 | 一种基于迭代神经网络的视频去模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111028166A true CN111028166A (zh) | 2020-04-17 |
| CN111028166B CN111028166B (zh) | 2022-07-22 |
Family
ID=70207722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911209013.9A Active CN111028166B (zh) | 2019-11-30 | 2019-11-30 | 一种基于迭代神经网络的视频去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028166B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539884A (zh) * | 2020-04-21 | 2020-08-14 | 温州大学 | 一种基于多注意力机制融合的神经网络视频去模糊方法 |
| CN111815604A (zh) * | 2020-07-08 | 2020-10-23 | 讯飞智元信息科技有限公司 | 高炉风口监测方法、装置、电子设备和存储介质 |
| CN112614072A (zh) * | 2020-12-29 | 2021-04-06 | 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 |
| CN113284068A (zh) * | 2021-06-04 | 2021-08-20 | 中国科学院光电技术研究所 | 一种基于通道共享时空网络的自适应光学图像盲复原方法 |
| US20220058396A1 (en) * | 2019-11-19 | 2022-02-24 | Tencent Technology (Shenzhen) Company Limited | Video Classification Model Construction Method and Apparatus, Video Classification Method and Apparatus, Device, and Medium |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255392A (zh) * | 2018-09-30 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 基于非局部神经网络的视频分类方法、装置及设备 |
| 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 |
| CN109886871A (zh) * | 2019-01-07 | 2019-06-14 | 国家新闻出版广电总局广播科学研究院 | 基于通道注意力机制和多层特征融合的图像超分辨率方法 |
| US20190246102A1 (en) * | 2018-02-08 | 2019-08-08 | Electronics And Telecommunications Research Institute | Method and apparatus for video encoding and video decoding based on neural network |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110473147A (zh) * | 2018-05-09 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种视频去模糊方法和装置 |
-
2019
- 2019-11-30 CN CN201911209013.9A patent/CN111028166B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190246102A1 (en) * | 2018-02-08 | 2019-08-08 | Electronics And Telecommunications Research Institute | Method and apparatus for video encoding and video decoding based on neural network |
| CN110473147A (zh) * | 2018-05-09 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种视频去模糊方法和装置 |
| CN109255392A (zh) * | 2018-09-30 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 基于非局部神经网络的视频分类方法、装置及设备 |
| 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 |
| CN109886871A (zh) * | 2019-01-07 | 2019-06-14 | 国家新闻出版广电总局广播科学研究院 | 基于通道注意力机制和多层特征融合的图像超分辨率方法 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
Non-Patent Citations (2)
| Title |
|---|
| DING LIU ET AL.: "Non-Local Recurrent Network for Image Restoration", 《32ND CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
| JIAWEI ZHANG ET AL.: "Dynamic Scene Deblurring Using Spatially Variant Recurrent Neural Networks", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220058396A1 (en) * | 2019-11-19 | 2022-02-24 | Tencent Technology (Shenzhen) Company Limited | Video Classification Model Construction Method and Apparatus, Video Classification Method and Apparatus, Device, and Medium |
| US11967152B2 (en) * | 2019-11-19 | 2024-04-23 | Tencent Technology (Shenzhen) Company Limited | Video classification model construction method and apparatus, video classification method and apparatus, device, and medium |
| CN111539884A (zh) * | 2020-04-21 | 2020-08-14 | 温州大学 | 一种基于多注意力机制融合的神经网络视频去模糊方法 |
| CN111539884B (zh) * | 2020-04-21 | 2023-08-15 | 温州大学 | 一种基于多注意力机制融合的神经网络视频去模糊方法 |
| CN111815604A (zh) * | 2020-07-08 | 2020-10-23 | 讯飞智元信息科技有限公司 | 高炉风口监测方法、装置、电子设备和存储介质 |
| CN111815604B (zh) * | 2020-07-08 | 2023-07-28 | 讯飞智元信息科技有限公司 | 高炉风口监测方法、装置、电子设备和存储介质 |
| CN112614072A (zh) * | 2020-12-29 | 2021-04-06 | 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 |
| 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 |
| CN113284068A (zh) * | 2021-06-04 | 2021-08-20 | 中国科学院光电技术研究所 | 一种基于通道共享时空网络的自适应光学图像盲复原方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111028166B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028166B (zh) | 一种基于迭代神经网络的视频去模糊方法 | |
| Zhang et al. | Unsupervised adaptation learning for hyperspectral imagery super-resolution | |
| CN109271933B (zh) | 基于视频流进行三维人体姿态估计的方法 | |
| US11741581B2 (en) | Training method for image processing model, image processing method, network device, and storage medium | |
| CN111861925B (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
| CN111028177A (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| CN111539290B (zh) | 视频动作识别方法、装置、电子设备及存储介质 | |
| CN111695421B (zh) | 图像识别方法、装置及电子设备 | |
| Zhang et al. | Single image dehazing via dual-path recurrent network | |
| CN111899320A (zh) | 数据处理的方法、动捕去噪模型的训练方法及装置 | |
| Li et al. | Diffusion Models for Image Restoration and Enhancement--A Comprehensive Survey | |
| Fan et al. | Multiscale cross-connected dehazing network with scene depth fusion | |
| Qiu et al. | World from blur | |
| Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
| Lin et al. | Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches | |
| CN113256519A (zh) | 图像的恢复方法、设备、存储介质及程序产品 | |
| CN110136164B (zh) | 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法 | |
| Ge et al. | Blind image deconvolution via salient edge selection and mean curvature regularization | |
| CN114820389B (zh) | 一种基于无监督解耦表征的人脸图像去模糊方法 | |
| Cho et al. | Learning adaptive dense event stereo from the image domain | |
| CN113627368B (zh) | 基于深度学习的视频行为识别方法 | |
| Kumar et al. | Image Deconvolution using Deep Learning-based Adam Optimizer | |
| Gu et al. | How to learn a domain-adaptive event simulator? | |
| Santoso et al. | Holistic 3D Body Reconstruction From a Blurred Single Image | |
| CN111932514A (zh) | 一种图像噪声水平估计、抑制方法、装置及电子设备 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200417 Assignee: Wenzhou Sandi Technology Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2022330000786 Denomination of invention: A video deblurring method based on iterative neural network Granted publication date: 20220722 License type: Common License Record date: 20221216 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200417 Assignee: Wenzhou Shuwanlian Information Technology Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2023330000806 Denomination of invention: A video deblurring method based on iterative neural network Granted publication date: 20220722 License type: Common License Record date: 20231030 |