CN111199522B - 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 - Google Patents
一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 Download PDFInfo
- Publication number
- CN111199522B CN111199522B CN201911349604.6A CN201911349604A CN111199522B CN 111199522 B CN111199522 B CN 111199522B CN 201911349604 A CN201911349604 A CN 201911349604A CN 111199522 B CN111199522 B CN 111199522B
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- training
- residual error
- convolution
- 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 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000013519 translation Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法。包括如下步骤：获取GoPRo成对数据集将其连接成形为模糊——清晰形式的图像对；将训练图像随机裁剪成256×256大小的图像补丁；将标准化后的图像作为模型训练输入数据；设计卷积神经网络，输出去模糊之后的图像；计算模型的输出信息与对应标签清晰图像的峰值信噪比和结构相似性以及损失优化；利用优化后的模型参数，对现实中的具有运动模糊场景的图片进行去模糊得到相应的清晰图片。本发明基于卷积神经网络，采用条件生成对抗网络作为骨干网络并采用了细粒度残差模块作为主体模块，实现了对图像去模糊问题转变为图像翻译问题并加以解决的突破，为图像去模糊的后续操作提供了重要的技术支持。
Description
技术领域
本发明涉及卷积神经网络和图像盲去运动模糊技术领域，尤其涉及基于多尺度残差生成对抗网络的单图像盲去运动模糊方法。
背景技术
随着科技高速发展，智能手机、数码相机等摄影设备开始广泛普及，使得图像的获取以及传播变得十分简便。而在拍摄照片过程中，由于拍摄者手部的抖动造成相机在曝光过程中运动或者相机曝光过程中拍摄物体运动从而造成的图像具有运动模糊，最终影响图像在图像语义分割，检测等各个领域的应用。因此作为图像复原技术的一种，去除图像中的运动模糊这一课题也十分具有应用研究价值。
随着深度学习和机器学习的稳步发展，利用卷积神经网络进行图像去模糊的方法受到了研究者们的极大追捧，同时图像盲去模糊也得到了大的突破。目前基于卷积神经网络的图像盲去模糊方法主要分为通过卷积神经网络估计模糊核的方法和端到端直接输出去模糊后图片的形式，估计模糊核的方法较经典的有如Sun等人的工作，根据神经网络估计出的模糊核再对模糊图像进行重建；Gong等人使用全卷积网络(Fully ConvolutionalNetwork，简称FCN)估计出图像的运动流(Motion Flow)，并据此重建图像。虽然这些能够取得较好的效果，但是同样面临传统算法的困境，如运行速度缓慢、重建效果严重依赖于模糊核的预测准确与否，无法作用于多种模糊核函数等问题。端到端的比较经典的方法有：Nah等人提出使用多尺度卷积神经网络直接对图像进行去模糊，让网络直接输出重建后的图像。但是两种方法的困难点都在于如何能够让网络更加快速的对模糊图片进行重建的同时还能保证更好的重建效果。
发明内容
本发明为解决真实场景出现的图像运动模糊问题，为图像去模糊后的后续操作提供了重要的技术支持，可应用于车辆辅助驾驶、车祸细节鉴定，视频监控等领域。
为此本发明采用的技术方案是：
一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法，包括以下步骤：
1)获取图像数据集，将其中的成对数据集拼接成形为模糊——清晰形式的图像对；
2)将训练集图像随机裁剪成256×256大小的图像补丁；
3)将标准化后的图像作为训练输入数据；
4)经过基于Pytorch开源深度学习框架设计的卷积神经网络，输出去模糊之后的图像；
5)根据步骤3)中的输入数据和步骤4)中的卷积神经网络，对卷积神经网络进行优化训练；
6)利用优化后的模型参数，输入现实中的具有运动模糊场景的图片进行去模糊得到相应的清晰图片。
进一步，所述256×256大小的图像补丁作为标准输入。
进一步，所述卷积神经网络包括生成器和判别器，当训练生成器时，固定判别器不做修改和训练，向网络中的生成器输入模糊——清晰图像对，通过生成器对模糊图像进行去模糊，输出去模糊后的峰值信噪比与结构相似性，之后再向判别器中输入去模糊后图片或清晰图像，让判别器判别输入图像是去模糊后的图像还是清晰图像，并对损失进行更新；在训练判别器时，固定生成器不做修改和训练，二者交替训练。
更进一步，所述生成器包括特征提取模块、细粒度残差模块模块和上采样模块；
所述特征提取模块，包括一个卷积层，实例归一化，以及一个ReLU激活层，之后在经过两个卷积层，实例归一化，ReLU激活层，最终将图片提取出得到特征图；
所述细粒度残差模块，经过卷积做信息聚合得到特征通道，然后将得到的特征通道均分为4组；第1组不做任何操作保留原始信息；第2组进行一次卷积操作，获得相对高一维度的特征信息；第3组在原信息的基础上加上第2组得到的特征信息进行一次卷积操作，从而达到特征融合的效果；第4组在原信息的基础上融合第3组得到的结果再进行一次卷积操作，最后将所得到的信息连接起来作为输出结果；
所述上采样模块，将细粒度残差模块输出的结果进行上采样，首先通过最近邻插值法进行一次上采样到128通道，再通过一次转置卷积将残差特征图上采样到64通道，再经过一个卷积层将残差特征图恢复为三通道图像，最后通过全局连接与输入图片做叠加，去除残差信息，得到去模糊后的图片。
进一步，步骤5)中所述优化训练过程中需计算模型的输出信息与对应标签清晰图像的峰值信噪比和结构相似性以及损失优化。
所述损失优化主要由两部分组成：对抗损失以及内容损失，训练优化的损失函数为：L＝LGAN+Lcontent，LGAN为对抗损失，Lcontent为内容损失。对抗损失和内容损失分别为
其中IB表示输入的模糊图片，G(IB)表示通过生成网络G对模糊图片进行重建后输出的重建图片，D(G(IB))表示对重建图片进行概率计算，N表示样本个数；φ表示VGG-19第七层卷积的输出特征图，W,H分别表示特征图的宽，高，IS表示标准清晰图像。
本发明的有益效果如下：
本发明基于卷积神经网络中的生成对抗网络，提出了一种对于图像盲去运动模糊的一种新的解决方法，将其转换为图像翻译的问题形式加以解决，并且采用细粒度残差模块做生成器中的骨干网络，以此能够在不增加参数保证去模糊速度的条件下，融合多尺度信息，提高去模糊后的图像的细节纹理信息，同时兼顾全局信息的保留，进而提升去模糊后图像的主管视觉效果以及客观评价指标，同时为了保证在生成对抗训练中能够完美的得到去模糊后的图像，采用了对抗损失结合内容损失的方式来确保去模糊后的内容准确性。并且经过检验，提出的方法具有更好的鲁棒性，对真实场景下的模糊图片还原效果更好，更加突出细节纹理。
附图说明
图1是本发明的主体网络流程图；
图2是本发明的生成器即去模糊网络流程图；
图3是本发明提出的细粒度残差模块的流程图
图4是激活函数ReLU函数图；
图5是真实场景图片去运动模糊案例。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明公开了一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法，包括如下步骤：
步骤一，获取GoPRo成对数据集将其连接为模糊——清晰形式的图像对；
步骤二，将训练图像随机裁剪成256×256大小的图像补丁；
步骤三，将标准化后的图像作为模型训练输入数据；
步骤四，基于Pytorch开源深度学习框架设计卷积神经网络，输出去模糊之后的图像；
步骤五，计算模型的输出信息与对应标签清晰图像的峰值信噪比和结构相似性以及损失优化；
步骤六，利用优化后的模型参数，对现实中的具有运动模糊场景的图片进行去模糊得到相应的清晰图片。
其中步骤一，包括：下载公开的图像数据即GoPRo，基于该数据帧，将训练集成对图片拼接成模糊——清晰图片对。
步骤二，包括：将训练集图片随机裁剪成256×256的图像补丁作为标准输入。
其中步骤四中的卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，最大的特征是局部连接性和权值共享性，通过卷积操作能够自动的提取图像的特征，不同的卷积核提取不同的特征，同时利用生成对抗网络进行对抗训练达到通过生成器网络去模糊后的图片达到了以假乱真的效果能够完美的对图像进行去模糊。去模糊网络模块具体为：
基于条件生成对抗网络的整体训练网络模块，包括生成器和判别器，其中在训练阶段时，当训练生成器时，固定判别器不做修改和训练即参数保持不变。向网络中生成器输入模糊——清晰图片，通过生成器对模糊图像进行去模糊，输出去模糊后的峰值信噪比与结构相似性，之后再向判别器中输入去模糊后图片或清晰图像，让判别器判别输入图像是去模糊后的图像还是清晰图像，并对损失进行更新，在训练判别器阶段时，固定生成器不动。二者交替训练。如图1所示。
生成器包括以下模块，如图2所示：
(1)特征提取模块，其中包括，一个7×7卷积层，实例归一化，以及一个ReLU激活层，之后在经过两个3×3卷积层，实例归一化，ReLU激活层，最终将图片提取出成256个通道的特征图。ReLU激活函数如图4所示。
(2)细粒度残差模块如图3所示，首先在残差模块中先引入一个1×1卷积做信息聚合，帮助网络能够在不损失信息的情况下聚合通道。而后将得到的特征通道均分为4组；第1组不做任何操作保留原始信息，以此获得低维尺度信息；第2组进行一次卷积操作，获得相对高一维度的特征信息；第3组在原信息的基础上加上第2组得到的特征信息进行一次卷积操作，从而达到特征融合的效果；第4组在原信息的基础上融合第3组得到的结果再进行一次卷积操作，最后将所得到的通道连接起来作为输出结果。
(3)上采样模块：将细粒度残差模块输出的残差特征图进行上采样，首先通过最近邻插值法进行一次上采样到128通道，再通过一次转置卷积将残差特征图上采样到64通道，再经过一个卷积层将残差特征图恢复为三通道图像最后通过全局连接与输入图片做叠加，去除残差信息，得到去模糊后的图片。
判别器是马尔科夫判别器由5层卷积层叠加构成，将清晰图片以及重建图片输入判别器经过卷积层得出感受域进行综合评分分辨图片是清晰图片还是重建图片。
步骤五中包括以下操作：
(1)根据步骤3)中的模型输入数据和步骤4)中设计的卷积神经网络，将数据分别放入卷积神经网络并优化训练。其中具体的超参数设置为：对于生成器和判别器依旧采用Adam作为优化算法，学习率置为1×10-4，在经过150epochs之后学习率线性减少至0，采用实例标准化和Dropout优化方法且Batch Size＝1。
(2)训练优化的损失主要由两部分组成：对抗损失以及内容损失；其中为了提高训练稳定性对抗损失选用Wassertein GAN的Wassertein-1距离记为LGAN，内容损失作用为评估生成的清晰图像和原图清晰图像的差距采用感知损失记为Lcontent；
其中IB表示输入的模糊图片，G(IB)表示通过生成网络G对模糊图片进行重建后输出的重建图片，D(G(IB))表示对重建图片进行概率计算，N表示样本个数。φ表示VGG-19第七层卷积的输出特征图，W,H分别表示特征图的宽，高。IS表示标准清晰图像。
(3)训练优化的损失函数为：
L＝LGAN+Lcontent
(4)根据以上设置，迭代训练设计的卷积神经网络模型，完成模型框架参数的优化与更新，实现图像盲去运动模糊器。
利用优化后的模型，选择验证集图像测试已训练模型的去模糊性能，即通过峰值信噪比与结构相似性的指标数值来确定去模糊效果，并结合主观视觉效果进行观测评估。图5为真实场景下模糊图片去模糊后效果图。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (4)
1.一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法，其特征在于，包括以下步骤：
1)获取图像数据集，将其中的成对数据集拼接成形为模糊——清晰形式的图像对；
2)将训练集图像随机裁剪成256×256大小的图像补丁；
3)将标准化后的图像作为训练输入数据；
4)经过基于Pytorch开源深度学习框架设计的卷积神经网络，输出去模糊之后的图像，所述卷积神经网络包括生成器和判别器；
所述生成器包括特征提取模块、细粒度残差模块和上采样模块；
所述特征提取模块，包括一个卷积层，实例归一化，以及一个ReLU激活层，之后再经过两个卷积层，实例归一化，ReLU激活层，最终将图片提取出得到特征图；
所述细粒度残差模块，经过卷积做信息聚合得到特征通道，然后将得到的特征通道均分为4组；第1组不做任何操作保留原始信息；第2组进行一次卷积操作，获得相对高一维度的特征信息；第3组在原信息的基础上加上第2组得到的特征信息进行一次卷积操作，从而达到特征融合的效果；第4组在原信息的基础上融合第3组得到的结果再进行一次卷积操作，最后将所得到的信息连接起来作为输出结果；
上采样模块，将细粒度残差模块输出的结果进行上采样，首先通过最近邻插值法进行一次上采样到128通道，再通过一次转置卷积将残差特征图上采样到64通道，再经过一个卷积层将残差特征图恢复为三通道图像，最后通过全局连接与输入图片做叠加，去除残差信息，得到去模糊后的图片
5)根据步骤3)中的输入数据和步骤4)中的卷积神经网络，对卷积神经网络进行优化训练，训练优化的损失优化由两部分组成：对抗损失以及内容损失，训练优化的损失函数为：L＝LGAN+Lcontent，LGAN为对抗损失，Lcontent为内容损失，
其中IB表示输入的模糊图片，G(IB)表示通过生成网络G对模糊图片进行重建后输出的重建图片，D(G(IB))表示对重建图片进行概率计算，N表示样本个数；φ表示VGG-19第七层卷积的输出特征图，W,H分别表示特征图的宽，高，IS表示标准清晰图像；
6)利用优化后的模型参数，输入现实中的具有运动模糊场景的图片进行去模糊得到相应的清晰图片。
2.根据权利要求1所述一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法，其特征在于：所述256×256大小的图像补丁作为标准输入。
3.根据权利要求1所述一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法，其特征在于：当训练生成器时，固定判别器不做修改和训练，向网络中的生成器输入模糊——清晰图像对，通过生成器对模糊图像进行去模糊，输出去模糊后的峰值信噪比与结构相似性，之后再向判别器中输入去模糊后图片或清晰图像，让判别器判别输入图像是去模糊后的图像还是清晰图像，并对损失进行更新；在训练判别器时，固定生成器不做修改和训练，二者交替训练。
4.根据权利要求1所述一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法，其特征在于：所述优化训练过程中需计算模型的输出信息与对应标签清晰图像的峰值信噪比和结构相似性以及损失优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911349604.6A CN111199522B (zh) | 2019-12-24 | 2019-12-24 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911349604.6A CN111199522B (zh) | 2019-12-24 | 2019-12-24 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111199522A CN111199522A (zh) | 2020-05-26 |
| CN111199522B true CN111199522B (zh) | 2024-02-09 |
Family
ID=70746716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911349604.6A Active CN111199522B (zh) | 2019-12-24 | 2019-12-24 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111199522B (zh) |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111586389B (zh) * | 2020-05-29 | 2022-03-29 | Oppo（重庆）智能科技有限公司 | 图像处理方法及相关装置 |
| CN111915574B (zh) * | 2020-07-14 | 2024-03-22 | 深圳大学 | 一种Photoshop篡改图像生成方法及系统 |
| CN111862026A (zh) * | 2020-07-15 | 2020-10-30 | 南京图格医疗科技有限公司 | 一种基于深度学习的内窥医学图片去模糊方法 |
| CN111986102B (zh) * | 2020-07-15 | 2024-02-27 | 万达信息股份有限公司 | 一种数字病理图像去模糊方法 |
| CN112102177B (zh) * | 2020-07-27 | 2022-06-21 | 中山大学 | 基于压缩与激励机制神经网络的图像去模糊方法 |
| CN112053303B (zh) * | 2020-09-08 | 2024-04-05 | 河海大学 | 一种用于水下auv的视频图像实时增强方法 |
| CN112184577B (zh) * | 2020-09-17 | 2023-05-26 | 西安理工大学 | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 |
| CN112581423A (zh) * | 2020-09-29 | 2021-03-30 | 宁波大学 | 一种基于神经网络的汽车表面缺陷的快速检测方法 |
| CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
| CN112435179A (zh) * | 2020-11-11 | 2021-03-02 | 北京工业大学 | 模糊花粉颗粒图片处理方法、装置和电子设备 |
| CN112435185A (zh) * | 2020-11-19 | 2021-03-02 | 北京工业大学 | 模糊花粉图片处理方法、装置及电子设备 |
| CN112435187A (zh) * | 2020-11-23 | 2021-03-02 | 浙江工业大学 | 一种基于聚集残差生成对抗网络的单图像盲去运动模糊方法 |
| CN112419191B (zh) * | 2020-11-24 | 2022-05-20 | 复旦大学 | 基于卷积神经网络的图像运动模糊去除方法 |
| CN112258425A (zh) * | 2020-11-24 | 2021-01-22 | 中电万维信息技术有限责任公司 | 一种二维码图像清晰化去模糊处理方法 |
| CN112508817B (zh) * | 2020-12-16 | 2024-05-14 | 西北工业大学 | 一种基于循环生成对抗网络的图像运动盲去模糊方法 |
| CN112634153B (zh) * | 2020-12-17 | 2023-10-20 | 中山大学 | 一种基于边缘增强的图像去模糊方法 |
| CN112597887B (zh) * | 2020-12-22 | 2024-05-07 | 深圳集智数字科技有限公司 | 一种目标识别方法及装置 |
| CN112541877B (zh) * | 2020-12-24 | 2024-03-19 | 广东宜教通教育有限公司 | 基于条件生成对抗网络的去模糊方法、系统、设备及介质 |
| CN112651894A (zh) * | 2020-12-29 | 2021-04-13 | 湖北工业大学 | 基于rrdb的生成对抗网络的图像去模糊算法 |
| CN112634163A (zh) * | 2020-12-29 | 2021-04-09 | 南京大学 | 基于改进型循环生成对抗网络去图像运动模糊方法 |
| CN112801900B (zh) * | 2021-01-21 | 2023-05-12 | 北京航空航天大学 | 一种基于双向循环卷积生成对抗网络的视频模糊去除方法 |
| CN112734678B (zh) * | 2021-01-22 | 2022-11-08 | 西华大学 | 基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法 |
| CN112991194B (zh) * | 2021-01-29 | 2022-06-24 | 电子科技大学 | 一种基于深度残差网络的红外热波图像去模糊方法 |
| CN112819090B (zh) * | 2021-02-22 | 2022-05-10 | 武汉工程大学 | 一种基于生成对抗网络的知识蒸馏数据增强方法与系统 |
| CN113111906B (zh) * | 2021-02-24 | 2022-07-12 | 浙江大学 | 一种基于单对图像训练的条件生成对抗网络模型的方法 |
| CN112884671B (zh) * | 2021-02-26 | 2024-02-20 | 南京航空航天大学 | 一种基于无监督生成对抗网络的模糊图像复原方法 |
| CN113033567B (zh) * | 2021-03-22 | 2022-11-01 | 安阳师范学院 | 一种融合分割网络和生成网络的甲骨拓片图像字符训练方法 |
| CN113012071B (zh) * | 2021-03-30 | 2023-01-06 | 华南理工大学 | 一种基于深度感知网络的图像失焦去模糊方法 |
| CN113034404A (zh) * | 2021-04-20 | 2021-06-25 | 北京大学深圳研究生院 | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 |
| CN113129237B (zh) * | 2021-04-26 | 2022-10-28 | 广西师范大学 | 基于多尺度融合编码网络的深度图像去模糊方法 |
| CN113343760A (zh) * | 2021-04-29 | 2021-09-03 | 暖屋信息科技(苏州)有限公司 | 一种基于多尺度特征神经网络的人体行为识别方法 |
| CN113129240B (zh) * | 2021-05-19 | 2023-07-25 | 广西师范大学 | 一种工业包装字符的去运动模糊方法 |
| 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 |
| CN113393396A (zh) * | 2021-06-18 | 2021-09-14 | 江苏园上园智能科技有限公司 | 图像去模糊模型、去模糊的三维重建方法及系统 |
| CN113496472A (zh) * | 2021-06-24 | 2021-10-12 | 中汽创智科技有限公司 | 图像去雾模型构建、道路图像去雾方法、装置及车辆 |
| CN113538266A (zh) * | 2021-07-07 | 2021-10-22 | 南京国电南自电网自动化有限公司 | 一种基于wgan的模糊航拍图像处理方法 |
| CN113628139B (zh) * | 2021-08-10 | 2022-09-30 | 中国人民解放军陆军装甲兵学院 | 一种基于生成对抗网络的模糊图像复原方法及系统 |
| 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 |
| CN114596219B (zh) * | 2022-01-27 | 2024-04-26 | 太原理工大学 | 一种基于条件生成对抗网络的图像去运动模糊方法 |
| 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 |
| CN114913095B (zh) * | 2022-06-08 | 2024-03-12 | 西北工业大学 | 基于域适应的深度去模糊方法 |
| CN116091168A (zh) * | 2023-02-23 | 2023-05-09 | 禧糖餐饮科技(深圳)有限公司 | 基于计算机视觉的餐饮服务智能结算系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451961A (zh) * | 2017-06-27 | 2017-12-08 | 重庆邮电大学 | 多幅模糊噪声图像下清晰图像的恢复方法 |
| CN107451619A (zh) * | 2017-08-11 | 2017-12-08 | 深圳市唯特视科技有限公司 | 一种基于感知生成对抗网络的小目标检测方法 |
| CN107958246A (zh) * | 2018-01-17 | 2018-04-24 | 深圳市唯特视科技有限公司 | 一种基于新型端到端人脸超分辨率网络的图像对齐方法 |
| 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 |
| CN108711141A (zh) * | 2018-05-17 | 2018-10-26 | 重庆大学 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
| CN110070517A (zh) * | 2019-03-14 | 2019-07-30 | 安徽艾睿思智能科技有限公司 | 基于退化成像机理和生成对抗机制的模糊图像合成方法 |
| CN110147733A (zh) * | 2019-04-16 | 2019-08-20 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
| 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 |
| CN110378844A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 |
-
2019
- 2019-12-24 CN CN201911349604.6A patent/CN111199522B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451961A (zh) * | 2017-06-27 | 2017-12-08 | 重庆邮电大学 | 多幅模糊噪声图像下清晰图像的恢复方法 |
| CN107451619A (zh) * | 2017-08-11 | 2017-12-08 | 深圳市唯特视科技有限公司 | 一种基于感知生成对抗网络的小目标检测方法 |
| 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 |
| CN107958246A (zh) * | 2018-01-17 | 2018-04-24 | 深圳市唯特视科技有限公司 | 一种基于新型端到端人脸超分辨率网络的图像对齐方法 |
| CN108711141A (zh) * | 2018-05-17 | 2018-10-26 | 重庆大学 | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 |
| CN110070517A (zh) * | 2019-03-14 | 2019-07-30 | 安徽艾睿思智能科技有限公司 | 基于退化成像机理和生成对抗机制的模糊图像合成方法 |
| CN110147733A (zh) * | 2019-04-16 | 2019-08-20 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
| 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 |
| CN110378844A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 |
Non-Patent Citations (1)
| Title |
|---|
| 田雷."基于特征学习的无约束环境下的人脸识别研究".《中国博士学位论文全文数据库信息科技辑》.2019,I138-95. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111199522A (zh) | 2020-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199522B (zh) | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 | |
| US11928792B2 (en) | Fusion network-based method for image super-resolution and non-uniform motion deblurring | |
| CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
| 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 | |
| CN110782399A (zh) | 一种基于多任务cnn的图像去模糊方法 | |
| CN112435187A (zh) | 一种基于聚集残差生成对抗网络的单图像盲去运动模糊方法 | |
| 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 | |
| CN111583115B (zh) | 基于深度注意力网络的单幅图像超分辨率重建方法及系统 | |
| CN113592736A (zh) | 一种基于融合注意力机制的半监督图像去模糊方法 | |
| CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
| CN108989731B (zh) | 一种提高视频空间分辨率的方法 | |
| CN115358932B (zh) | 一种多尺度特征融合的人脸超分辨率重构方法及系统 | |
| CN114255456A (zh) | 基于注意力机制特征融合与增强的自然场景文本检测方法和系统 | |
| CN112581423A (zh) | 一种基于神经网络的汽车表面缺陷的快速检测方法 | |
| CN114187191B (zh) | 一种基于高频-低频信息融合的图像去模糊方法 | |
| CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
| Guo et al. | Scale region recognition network for object counting in intelligent transportation system | |
| CN113421186A (zh) | 使用生成对抗网络的非监督视频超分辨率的设备和方法 | |
| CN116823662A (zh) | 一种融合原生特征的图像去噪去模糊方法 | |
| CN112801912B (zh) | 一种人脸图像复原方法、系统、装置及存储介质 | |
| CN113012071B (zh) | 一种基于深度感知网络的图像失焦去模糊方法 | |
| CN115272113A (zh) | 一种基于多尺度频率分离网络的图像去模糊方法 | |
| CN113902647A (zh) | 一种基于双闭环网络的图像去模糊方法 | |
| CN114118199A (zh) | 一种用于智能泵腔体内窥镜故障诊断的图像分类方法及系统 | |
| CN113034401A (zh) | 视频去噪方法及装置、存储介质及电子设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230825 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Yami Technology (Guangzhou) Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |