CN111223062A - 基于生成对抗网络的图像去模糊方法 - Google Patents
基于生成对抗网络的图像去模糊方法 Download PDFInfo
- Publication number
- CN111223062A CN111223062A CN202010018444.3A CN202010018444A CN111223062A CN 111223062 A CN111223062 A CN 111223062A CN 202010018444 A CN202010018444 A CN 202010018444A CN 111223062 A CN111223062 A CN 111223062A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- network
- multiplied
- image
- 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 39
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 230000003042 antagnostic effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000926 separation method Methods 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
- 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]
-
- 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)
- 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
本发明公开了一种基于生成对抗网络的图像去模糊方法,主要解决现有技术需要估计模糊核,反卷积迭代求取清晰图像时运行速度缓慢、重建效果差的问题。其实现方案是:1)选择实验数据集,确定与其相关的训练数据集和测试数据集;2)分别构建15层结构的生成网络和6层结构的对抗网络;3)根据对抗损失、像素损失和特征损失构建联合损失函数;4)通过联合损失函数对生成网络和对抗网络进行交互训练,得到生成对抗网络模型;5)将对测试样本输入到生成对抗网络模型中,得到去模糊后的清晰图像。本发明具有无需估计模糊核、去模糊速度快、去模糊效果好的优点,可用于由于相机抖动而拍摄的模糊图像的去模糊处理。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种图像去模糊方法,可用于由于相机抖动而拍摄的模糊图像的去模糊处理。
背景技术
数字图像在产生、处理、传送和保存的过程中,总会因为拍摄装置和外界不可预知的因素的影响,造成图像总体质量的减退,丢失图像的重要信息,对后续处理带来很多负面影响。为了满足图像应用及图像视觉对高质量图片的要求,如何从低质的图像中恢复出清晰的图像一直是数字图像领域研究的长期关注的问题。
在图像复原早期,研究者主要研究非盲去模糊技术,提出维纳滤波,LR迭代去模糊、最小二乘法等方法,但这几种方法过于简单,复原图像存在噪声大,边缘信息丢失严重等问题。在实际应用中,图像的点扩散函数往往很难获得,通常要解决的是盲去模糊问题。目前常用的方法就是通过估计模糊核尺寸,再通过逆卷积进行去模糊,但这往往需要复杂的先验;利用变量分离技术将图像复原中的保真项和正则项进行分离,使用迭代求解法,效果较好,但存在运行效率低的问题,同时也很难找到一个通用的、合理的算法停止条件。
随着深度学习在计算机视觉的应用广泛,很多学者利用卷积神经网络用于图像去模糊,取得了很好的效果,Kai提出一种有效CNN去噪器,把它集成到基于模型的优化方法,将降噪器先验作为基于模型的优化方法的模块化部分插入以解决其他反问题,利用可变分裂技术,解决去模糊问题;Gong使用卷积神经网络对模糊核进行估计,再根据估计的模糊核重建图像。这两种方法由于仍然采用非盲去模糊算法的思路,在经过CNN得到估计的模糊核后,再使用传统方法进行反卷积得到清晰图像,因而导致运行速度缓慢,重建效果严重依赖模糊核的预测结果,并且无法作用于多种模糊函数。
发明内容
本发明的目的在于针对以上现有技术存在的不足,提出一种基于生成对抗网络的端到端的图像去模糊方法,以实现无需核函数估计,提高去模糊速度和去模糊效果。
为达到上述技术目的,本发明的实现方案包括以下步骤:
(1)选用GOPRO数据集中的训练集,并依次通过翻转、水平和垂直旋转的扩大处理,从1280*720的图像中随机裁剪256*256图像作为最终训练数据;选用GOPRO数据集中的测试集作为测试数据来源;
(2)搭建一个包括两个卷积层、两个下采样层、九个残差模块、两个上采样层的15层的生成网络,其结构依次是:第一卷积层→第一下采样层→第二下采样层→第一残差模块→第二残差模块→第三残差模块→第四残差模块→第五残差模块→第六残差模块→第七残差模块→第八残差模块→第九残差模块→第一上采样层→第二上采样层→第二卷积层;
(3)搭建一个由6层卷积层构成的对抗网络,其结构依次是:第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层;
(4)根据对抗损失Ladv、像素损失L1和特征损失Lc这三个损失函数得到联合损失函数:L=λaLadv+λ1L1+λcLc,其中λa,λ1,λc为三个不同的权值参数;
(5)训练生成对抗网络:
5a)将经过生成网络的图像输入到对抗网络,利用梯度下降法,更新对抗网络的权值;
5b)迭代5a)共五次,得到对抗网络更新后的权值
5c)固定对抗网络权值,将模糊图像输入生成网络,利用梯度下降法,更新生成网络权值
5d)重复执行步骤5a)-5c)共120次,得到训练好的生成对抗网络模型;
(6)将模糊图像输入到训练好的生成对抗网络模型中,得到清晰图像。
与现有技术相比,本发明具有以下优点:
第一,由于本发明使用端到端的映射,无需迭代估计模糊核,克服了传统方法中需要迭代估计模糊核的弊端,缩短了去模糊的时间;
第二,由于本发明构建的生成网络中使用残差模块,克服了模糊核大小不确定、方向不固定的问题,使得网络适应性更强,去模糊效果更好。
第三,由于本发明构建的生成网络上使用上采样层和卷积层形式,减少了图像修复过程中的“棋盘效应”,克服了现存的深度学习方法中使用反卷积层实现上采样产生的方格效应,提高了恢复图像的清晰度。
附图说明
图1是本发明的实现流程图;
图2是本发明中的生成网络结构图;
图3是本发明中的对抗网络结构图;
图4是本发明中的测试图和结果图。
具体实施方案
以下结合附图对本发明的实施例进行详细阐述:
参照图1,本实例的实施步骤如下:
步骤1,选取实验数据集,确定与其相关的训练数据集和测试数据集。
选用GOPRO数据集中的训练集作为训练数据来源,并依次通过翻转、水平和垂直旋转的手段对数据集对训练集中的数据进行扩大,并从扩大后的训练数据集中将原始大小为1280*720的图像随机裁剪成大小为256*256的图像作为最终训练数据。
选用GOPRO数据集中的测试集作为测试数据。
步骤2,搭建一个生成网络。
参照图2,对本实例搭建的生成网络包括两个卷积层、两个下采样层、九个残差模块、两个上采样层的15层结构,其左右分布依次是:第一卷积层→第一下采样层→第二下采样层→第一残差模块→第二残差模块→第三残差模块→第四残差模块→第五残差模块→第六残差模块→第七残差模块→第八残差模块→第九残差模块→第一上采样层→第二上采样层→第二卷积层,其中各层参数设置如下:
第一卷积层的卷积核大小为7×7,卷积步长为1,卷积核个数为64;
第一下采样层的卷积核大小为3×3,卷积步长为2,卷积核个数为128;
第二下采样层的卷积核大小为3×3,卷积步长为2,卷积核个数为256;
第一到第九残差模块卷积核的个数均为256;
第一上采样层的卷积核大小为3×3,卷积步长为1,卷积核个数为128;
第二上采样层的卷积核大小为3*3,卷积步长为1,卷积核个数为64;
第二卷积层的卷积核大小为7*7,卷积步长为1,卷积核个数为3;
九个残差模块均由四个支路组成,其中:
第一支路卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为256;
第二支路由两个卷积层构成,其中第1卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为256,第2卷积层的卷积核大小为3×3,卷积步长为1,卷积核个数为64;
第三支路由三个卷积层构成,其中第1卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为256,第2卷积层卷积核大小为3×3,卷积步长为1,卷积核个数为256,第3卷积层卷积核大小为3×3,卷积步长为1,卷积核个数为256;
第四支路由池化层和卷积层构成,池化区域核的大小为2×2,卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为64;
四个支路经过拼接函数拼接为通道数为1024的图像,该图像经过卷积核大小为3×3,卷积步长为1,卷积核个数为256的卷积层得到最终的图像。
步骤3,搭建对抗网络
参照图3,对本实例搭建对抗网络由6层卷积层构成,其结构依次是:第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层,其中各层参数设置如下:
第一卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为64;
第二卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为64;
第三卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为128;
第四卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为256;
第五卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为512;
第六卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为1;
步骤4,构建联合损失函数
4.1)分别确定对抗损失函数Ladv、像素损失函数L1、特征损失函数Lc的权值参数λa,λ1,λc:λa=1,λ1=100,λc=170;
4.2)根据对抗损失Ladv、像素损失L1和特征损失Lc这三个损失函数及其权值参数λa,λ1,λc,得到联合损失函数:
L=λaLadv+λ1L1+λcLc,
步骤5,训练生成网络和对抗网络,获得训练好的生成对抗网络。
5.1)固定生成网络权值,将生成网络的生成图像输入到对抗网络,利用梯度下降法,更新对抗网络的权值:
5.1.1)将对抗网络的学习率设置为0.0004;
5.1.2)将对抗网络的输出值与图像类别值的差值作为对抗网络的梯度值▽J1
5.1.3)利用下式,更新一次对抗网络的权值:
5.1.4)迭代更新对抗网络参数共五次,得到对抗网络更新后的权值;
5.2)固定对抗网络权值,将模糊图像输入生成网络,利用梯度下降法,更新生成网络权值
5.2.1)将生成网络的学习率设置为0.0004;
5.2.2)将生成网络的输出图像与对应清晰图像之间的特征图像差值与像素差值作为生成网络的梯度值▽J2;
5.2.3)利用下式,更新一次对抗网络的权值:
5.3)迭代更新对抗网络和生成网络120次,得到训练好的生成对抗网络模型。
步骤6,模糊图像测试
将模糊图像输入到生成对抗网络中,得到清晰图像。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真实验条件
本发明的仿真实验是搭建在ubuntu16.0下,基于tensorflow-GPU-1.9.0深度学习框架,使用python3.6.7脚本语言搭建生成对抗网络,利用一块TITAN Xp GPU完成模型的训练。
所有训练图像是从GOPRO_Large数据集中获取,初始化训练迭代次数为120,批处理样本数为1,学习率为0.0004。
2.仿真内容
第一步,在上述实验条件下,用本发明方法对2103对清晰和模糊图像进行训练,在训练期间,将训练数据中的模糊图像作为生成网络输入,通过前向传播算法计算输出结果,将生成网络得到的结果与对应的清晰图像输入对抗网络,通过前向传播算法计算输出结果,将对抗网络得到的结果和生成网络得到的结果进行计算联合损失函数,利用梯度下降法,更新生成网络和对抗网络的权重,得到训练好的生成对抗网络模型。
第二步,将测试图输入给训练好的生成对抗网络,得到模型结果如图4所示,其中4(a)是测试原图,图4(b)是测试结果图,图4(c)是图4(a)的局部放大图,图4(d)是图4(b)的局部放大图。从图4(c)和图4(d)的对比可以发现,本发明基于生成对抗网络的图像去模糊方法,克服现有方法需要估计模糊核,去模糊效果差的问题,其去模糊后的复原图细节清晰,效果好。
Claims (8)
1.一种基于生成对抗网络的图像去模糊方法,其特征在于,包括如下:
(1)选用GOPRO数据集中的训练集,并依次通过翻转、水平和垂直旋转的扩大处理,从1280*720的图像中随机裁剪256*256图像作为最终训练数据;选用GOPRO数据集中的测试集作为测试数据来源;
(2)搭建一个包括两个卷积层、两个下采样层、九个残差模块、两个上采样层的15层的生成网络,其结构依次是:第一卷积层→第一下采样层→第二下采样层→第一残差模块→第二残差模块→第三残差模块→第四残差模块→第五残差模块→第六残差模块→第七残差模块→第八残差模块→第九残差模块→第一上采样层→第二上采样层→第二卷积层;
(3)搭建一个由6层卷积层构成的对抗网络,其结构依次是:第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层;
(4)根据对抗损失Ladv、像素损失L1和特征损失Lc这三个损失函数得到联合损失函数:L=λaLadv+λ1L1+λcLc,其中λa,λ1,λc为三个不同的权值参数;
(5)训练生成对抗网络:
5a)将经过生成网络的图像输入到对抗网络,利用梯度下降法,更新对抗网络的权值;
5b)迭代5a)共五次,得到对抗网络更新后的权值
5c)固定对抗网络权值,将模糊图像输入生成网络,利用梯度下降法,更新生成网络权值
5d)重复执行步骤5a)-5c)共120次,得到训练好的生成对抗网络模型;
(6)将模糊图像输入到训练好的生成对抗网络模型中,得到清晰图像。
2.根据权利要求1所述的方法,其特征在于,2)搭建的15层生成网络,其各层参数设置如下:
第一卷积层的卷积核大小为7×7,卷积步长为1,卷积核个数为64;
第一下采样层的卷积核大小为3×3,卷积步长为2,卷积核个数为128;
第二下采样层的卷积核大小为3×3,卷积步长为2,卷积核个数为256;
第一到第九残差模块卷积核的个数均为256;
第一上采样层的卷积核大小为3×3,卷积步长为1,卷积核个数为128;
第二上采样层的卷积核大小为3*3,卷积步长为1,卷积核个数为64;
第二卷积层的卷积核大小为7*7,卷积步长为1,卷积核个数为3;
九个残差模块均由四个支路组成,其中:
第一支路卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为256;
第二支路由两个卷积层构成,其中第1卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为256,第2卷积层的卷积核大小为3×3,卷积步长为1,卷积核个数为64;
第三支路由三个卷积层构成,其中第1卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为256,第2卷积层卷积核大小为3×3,卷积步长为1,卷积核个数为256,第3卷积层卷积核大小为3×3,卷积步长为1,卷积核个数为256;
第四支路由池化层和卷积层构成,池化区域核的大小为2×2,卷积层的卷积核大小为1×1,卷积步长为1,卷积核个数为64;
四个支路经过拼接函数拼接为通道数为1024的图像,该图像经过卷积核大小为3×3,卷积步长为1,卷积核个数为256的卷积层得到最终的图像。
3.根据权利要求1所述的方法,其特征在于,3)搭建的6层对抗网络,其各层参数设置如下:
第一卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为64;
第二卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为64;
第三卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为128;
第四卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为256;
第五卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为512;
第六卷积层的卷积核大小为4×4,卷积步长为2,卷积核个数为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018444.3A CN111223062B (zh) | 2020-01-08 | 2020-01-08 | 基于生成对抗网络的图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018444.3A CN111223062B (zh) | 2020-01-08 | 2020-01-08 | 基于生成对抗网络的图像去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223062A true CN111223062A (zh) | 2020-06-02 |
CN111223062B CN111223062B (zh) | 2023-04-07 |
Family
ID=70831074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018444.3A Active CN111223062B (zh) | 2020-01-08 | 2020-01-08 | 基于生成对抗网络的图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223062B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915536A (zh) * | 2020-08-11 | 2020-11-10 | 北京小米松果电子有限公司 | 一种提高图像清晰度的方法、装置及介质 |
CN111932645A (zh) * | 2020-06-12 | 2020-11-13 | 重庆大学 | 基于生成对抗网络gan自动生成水墨画的方法 |
CN111968052A (zh) * | 2020-08-11 | 2020-11-20 | 北京小米松果电子有限公司 | 图像处理方法、图像处理装置及存储介质 |
US20200372618A1 (en) * | 2018-05-09 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Video deblurring method and apparatus, storage medium, and electronic apparatus |
CN112258428A (zh) * | 2020-12-21 | 2021-01-22 | 四川圣点世纪科技有限公司 | 一种基于CycleGAN的指静脉增强方法及装置 |
CN112508817A (zh) * | 2020-12-16 | 2021-03-16 | 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 |
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 |
CN112686119A (zh) * | 2020-12-25 | 2021-04-20 | 陕西师范大学 | 基于自注意力生成对抗网络的车牌运动模糊图像处理方法 |
CN112766315A (zh) * | 2020-12-31 | 2021-05-07 | 湖南大学 | 一种用于测试人工智能模型鲁棒性的方法和系统 |
CN113129237A (zh) * | 2021-04-26 | 2021-07-16 | 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 |
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 |
CN114596219A (zh) * | 2022-01-27 | 2022-06-07 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045602A1 (zh) * | 2016-09-07 | 2018-03-15 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
CN108734675A (zh) * | 2018-05-17 | 2018-11-02 | 西安电子科技大学 | 基于混合稀疏先验模型的图像复原方法 |
CN109272455A (zh) * | 2018-05-17 | 2019-01-25 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
CN109784380A (zh) * | 2018-12-27 | 2019-05-21 | 西安交通大学 | 一种基于生成对抗学习的多维度田间杂草识别方法 |
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 |
-
2020
- 2020-01-08 CN CN202010018444.3A patent/CN111223062B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045602A1 (zh) * | 2016-09-07 | 2018-03-15 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
CN108734675A (zh) * | 2018-05-17 | 2018-11-02 | 西安电子科技大学 | 基于混合稀疏先验模型的图像复原方法 |
CN109272455A (zh) * | 2018-05-17 | 2019-01-25 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
CN109784380A (zh) * | 2018-12-27 | 2019-05-21 | 西安交通大学 | 一种基于生成对抗学习的多维度田间杂草识别方法 |
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 (2)
Title |
---|
杨云等: "类别信息生成式对抗网络的单图超分辨重建", 《中国图象图形学报》 * |
罗琪彬等: "采用双框架生成对抗网络的图像运动模糊盲去除", 《图学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200372618A1 (en) * | 2018-05-09 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Video deblurring method and apparatus, storage medium, and electronic apparatus |
US11688043B2 (en) * | 2018-05-09 | 2023-06-27 | Tencent Technology (Shenzhen) Company Limited | Video deblurring method and apparatus, storage medium, and electronic apparatus |
CN111932645B (zh) * | 2020-06-12 | 2022-08-26 | 重庆大学 | 基于生成对抗网络gan自动生成水墨画的方法 |
CN111932645A (zh) * | 2020-06-12 | 2020-11-13 | 重庆大学 | 基于生成对抗网络gan自动生成水墨画的方法 |
CN111968052A (zh) * | 2020-08-11 | 2020-11-20 | 北京小米松果电子有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN111915536A (zh) * | 2020-08-11 | 2020-11-10 | 北京小米松果电子有限公司 | 一种提高图像清晰度的方法、装置及介质 |
CN111968052B (zh) * | 2020-08-11 | 2024-04-30 | 北京小米松果电子有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN112508817A (zh) * | 2020-12-16 | 2021-03-16 | 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 |
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 |
CN112258428A (zh) * | 2020-12-21 | 2021-01-22 | 四川圣点世纪科技有限公司 | 一种基于CycleGAN的指静脉增强方法及装置 |
CN112686119B (zh) * | 2020-12-25 | 2022-12-09 | 陕西师范大学 | 基于自注意力生成对抗网络的车牌运动模糊图像处理方法 |
CN112686119A (zh) * | 2020-12-25 | 2021-04-20 | 陕西师范大学 | 基于自注意力生成对抗网络的车牌运动模糊图像处理方法 |
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 |
CN112766315A (zh) * | 2020-12-31 | 2021-05-07 | 湖南大学 | 一种用于测试人工智能模型鲁棒性的方法和系统 |
CN112766315B (zh) * | 2020-12-31 | 2024-03-29 | 湖南大学 | 一种用于测试人工智能模型鲁棒性的方法和系统 |
CN113129237A (zh) * | 2021-04-26 | 2021-07-16 | 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 |
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 |
CN114596219A (zh) * | 2022-01-27 | 2022-06-07 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111223062B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223062B (zh) | 基于生成对抗网络的图像去模糊方法 | |
CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及系统 | |
CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
CN109003240B (zh) | 一种基于多尺度并行cnn的图像去噪方法 | |
CN107689034B (zh) | 一种去噪方法及装置 | |
CN107403415B (zh) | 基于全卷积神经网络的压缩深度图质量增强方法及装置 | |
CN111429347A (zh) | 图像超分辨率重建方法、装置及计算机可读存储介质 | |
CN106709877B (zh) | 一种基于多参数正则优化模型的图像去模糊方法 | |
CN110766632A (zh) | 基于通道注意力机制和特征金字塔的图像去噪方法 | |
CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN109034198B (zh) | 基于特征图恢复的场景分割方法和系统 | |
CN111028166B (zh) | 一种基于迭代神经网络的视频去模糊方法 | |
CN107784628A (zh) | 一种基于重建优化和深度神经网络的超分辨率实现方法 | |
CN111145102A (zh) | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 | |
CN112884668A (zh) | 基于多尺度的轻量级低光图像增强方法 | |
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 | |
Chen et al. | Blind de-convolution of images degraded by atmospheric turbulence | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
CN113837959A (zh) | 图像去噪模型训练方法、图像去噪方法及系统 | |
CN114494015A (zh) | 基于盲超分辨率网络的图像重建方法 | |
CN115880177A (zh) | 聚合上下文和增强细节的全分辨率低照度图像增强方法 | |
CN114998160A (zh) | 一种并行多尺度特征融合的卷积神经网络去噪方法 | |
CN113096032B (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 |
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 |