CN111292259A - 一种综合多尺度与注意力机制的深度学习图像去噪方法 - Google Patents
一种综合多尺度与注意力机制的深度学习图像去噪方法 Download PDFInfo
- Publication number
- CN111292259A CN111292259A CN202010044704.4A CN202010044704A CN111292259A CN 111292259 A CN111292259 A CN 111292259A CN 202010044704 A CN202010044704 A CN 202010044704A CN 111292259 A CN111292259 A CN 111292259A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- attention mechanism
- scale
- images
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013434 data augmentation Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种综合多尺度与注意力机制的深度学习图像去噪方法,提升深度学习模型对图像高斯去噪输出的峰值信噪比和结构相似度。主要包含以下步骤:选取合适的高清晰图像训练集,并且制作对应的噪声图像;搭建深度学习网络模型,结合多尺度机制和注意力机制;使用选择的训练集和搭建的深度学习网络模型,以最小化损失函数为目标进行训练直到损失函数收敛;将测试集中待去噪的图像输入训练好的去噪网络中,得到去噪后的图像。相比于传统去噪方法和现有的深度学习去噪方法,本发明提出的综合多尺度与注意力机制的深度学习去噪方案,在峰值信噪比(PSNR)指标上有了明显的提升。
Description
技术领域
本方案设计图像去噪领域,特别涉及基于深度学习的多尺度和注意力机制。
背景技术
现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,称为含噪图像或噪声图像。图像去噪是指减少数字图像中噪声的过程,这是图像处理中一个非常经典的逆问题,以加性高斯白噪声为例,很多早期的方法采用滤波方法直接对图像进行处理,比如均值滤波,中值滤波,维纳滤波等,这些滤波方式较为简单,使得滤波处理后恢复的图像细节较差。
随后出现了BM3D的传统算法,通过在图像中寻找相似块的方法进行滤波。BM3D算法分为基础估计和最终估计两步,每一步都分为相似块分组,协同滤波和聚合三步。多步处理和非局部寻找相似块的操作使得BM3D算法在传统算法处理结果中获得了较高的峰值信噪比。
随着近几年深度学习的发展,已经有越来越多的研究者尝试通过深度学习方式来解决图像去噪问题,其中代表作为DnCNN网络结构,该网络结构使用17个卷积层和Relu层进行叠加,并且添加批标准化模块,实现的效果超过了BM3D等代表性的传统算法,为以后的深度学习解决图像去噪问题提供了重要的借鉴意义。
虽然基于深度学习的图像去噪技术(DnCNN等)相比于传统的图像去噪技术(BM3D,WNNM等),在PSNR和SSIM指标上有一定的提高,但是针对特定的某些纹理丰富图像仍旧比不过传统方法。而且现有的网络存在网络结构单一,多种机制没有联合使用的缺点。因此提高深度学习在图像去噪的性能是十分重要的。
发明内容
为解决上述技术问题,本发明公开一种综合了多尺度与注意力机制的深度学习图像去噪方案,该方案提高了深度学习在图像去噪中的学习能力,将图像去噪后的PSNR水准提升到了新的高度,并且针对特定纹理丰富的图像进行优化,有效的去除相应的噪声。
为实现上述目的,本发明采用以下技术方案:
包括以下步骤:
1)制作数据集
1a)选取DIV2K共1000张2K分辨率高清晰图片作为训练集干净图像
1b)将干净图像加入高斯白噪声,生成噪声图像,与干净图像形成成对数据集
1c)选取Imagenet中2万张图像作为微调使用
2)搭建深度学习网络模型
2a)使用U-Net作为主体架构,进行三次下采样和三次上采样操作
2b)在U-Net的主体框架中使用一个卷积层学习通道间相关性并且减少通道数,并且使用残差密集块(Residual Dense Block)作为主体网络
2c)下采样的方式使用小波变换(DWT),上采样的方式使用小波逆变换(IWT)
2d)2a-2c三个步骤形成一个Ugroup结构,为了更加深度的拟合网络,选取2个Ugroup 级联,并且将输出进行叠加(concat)进行特征融合;
2e)将2个Ugroup融合特征通过CBAM注意力机制
2f)网络输入与输出直接连接,使用残差学习(Residual Learning)的思想。
3)使用1)中的数据集和2)中的网络模型进行训练
3a)网络输出与干净图像之间使用均方误差(MSE)作为损失函数进行优化
3b)使用Adam优化器,初始率设置为0.0001,并且间隔一定的epoch进行学习率降低操作,直至损失函数稳定,得到训练好的模型,保存网络权重参数
4)将测试集中待去噪的图像输入训练好的图像去噪网络中,得到去噪后的图像
本发明相比现有技术具有以下优点:
1.本发明在深度神经网络模型中引入和多尺度机制和注意力机制。多尺度机制能够更好地学习不同图像大小下的图像内容联系,能够更好的恢复图像细节;注意力机制能够抑制通道中没有用的特征,增强需要用到的特征,让整体网络更好地进行特征选择与融合,结果证明引入这两种机制对PSNR的指标有明显提升,恢复的图像细节更加丰富。
2.本发明在基础网络结构块中使用密集残差块,这种网络结构能够更多地提取网络中多通道的信息。并且使用了残差学习的思想,密集残差块与残差学习的思想结合起来,使整个网络的训练更加迅速,损失函数降低的更加准确。
附图说明
下面结合附图和实施对本发明进一步说明。
图1是本发明的整体总流程图。
图2是整体网络结构示意图
图3是多尺度Ugroup结构示意图
图4是密集残差块示意图
图5是CBAM注意力机制示意图
图6是噪声图像与使用本方案的去噪图像与原始干净图像对比图,(a)为噪声图像, (b)为经过本方案的去噪图像,(c)为原始干净图像
图7是不同算法在Set12测试集上的去噪PSNR指标对比效果
具体实施方式
下面结合附图对本发明方案做进一步详细描述:
图1是本发明方案整体流程图,分为四步,制作干净图像与噪声图像成对数据集,搭建综合多尺度与注意力机制的深度神经网络模型,选取合适的优化器与损失函数进行训练,最后将测试集中待去噪的图像输入训练好的网络,得到去噪图像。
图2是整体深度学习网络结构示意图,使用2个Ugroup级联进行特征提取,Ugroup由U-Net和密集残差块组成,2个Ugroup提取的特征叠加融合后通过CBAM注意力机制模块。
图3是Ugroup结构示意图,每一尺度下由1个3×3卷积层和一个密集残差块(RDB)组成,进行三次下采样和上采样。
图4是密集残差块(RDB)示意图,由2个3×3卷积+Relu进行密集连接,再通过1 个1×1卷积进行特征融合和维度缩减,最后输入与输出进行残差连接。
图5是CBAM注意力机制示意图,CBAM机制分为通道注意力机制和空间注意力机制,输入分别在这两个机制进行操作后将结果相乘,得到输出。
图6是噪声图像与使用本方案的去噪图像与原始干净图像对比图,(b)本方案的去噪图像相比于(a)噪声图像已经去除了绝大部分的噪声,并且与(c)原始干净图像相比,恢复了较多的细节,去噪效果较好。
图7是BM3D,DnCNN和本方案算法在Set12测试集上的去噪PSNR指标对比效果,本方案提出的算法无论是在BM3D优势的babara图像,还是DnCNN优势的Set12数据集上,都取得了最好的效果。
本发明的整体流程图如图1所示,实施步骤如下:
1)制作数据集
1a)选取DIV2K共1000张2K分辨率高清晰图片作为训练集干净图像
1b)将干净图像加入高斯白噪声,生成噪声图像,与干净图像形成成对数据集
1c)选取Imagenet中2万张图像作为微调使用
选择的数据集都将裁剪成256×256大小的图,并且通过随机翻转与旋转进行数据增强处理,1c中的Imagenet数据集是在通过DIV2K数据集训练好的模型之后,作为最终数据增广微调使用。
2)搭建深度学习网络模型
2a)使用U-Net作为主体架构,进行三次下采样和三次上采样操作
U-Net整体结构如图3所示,通过实验最终确定为三次的下采样与上采样的去噪性能最好。
2b)在U-Net的主体框架中使用一个卷积层学习通道间相关性并且减少通道数,并且使用残差密集块(Residual Dense Block)作为主体网络
残差密集块如图4所示,密集连接在前面两个Conv+Relu块中实现,第三个卷积层采用1×1卷积进行特征融合,最后将融合之后的特征与初始值进行残差连接。
2c)下采样的方式使用小波变换(DWT),上采样的方式使用小波逆变换(IWT)
2d)2a-2c三个步骤形成一个Ugroup结构,为了更加深度的拟合网络,选取2个Ugroup 级联,并且将输出进行叠加(concat)进行特征融合。
2个Ugroup级联如图2所示,并且保证输入与输出的通道都一直为64通道。
2e)将2个Ugroup融合特征通过CBAM注意力机制
CBAM注意力机制如图5所示,该注意力机制分为通道注意力机制和空间注意力机制级联形成。
2f)网络输入与输出直接连接,使用残差学习(Residual Learning)的思想。
通过残差学习,学习输出残差图像与噪声图像之间的损失函数。
3)使用1)中的数据集和2)中的网络模型进行训练
3a)网络输出与干净图像之间使用均方误差(MSE)作为损失函数进行优化
3b)使用Adam优化器,初始率设置为0.0001,并且间隔一定的epoch进行学习率降低操作,直至损失函数稳定,得到训练好的模型,保存网络权重参数
初始训练300epoch,每隔50epoch将学习率减半,在权重微调学习的时候时刻观察损失函数情况,如果长时间不变则使用手动降低学习率,最后到降低学习率损失函数也浮动不大为止。
4)将测试集中待去噪的图像输入训练好的图像去噪网络中,得到去噪后的图像
噪声图像与去噪后的图像对比如图6所示,可以看出本方案去除了绝大部分的噪声,并且相比于原始干净图像,本方案恢复了较多的图像细节。
A、对比实验方案:
本发明与传统图像去噪方案BM3D和深度学习去噪方案DnCNN在不同噪声方差下,图像重建指标PSNR对比。
B、实验条件:
测试图像为图像去噪标准测试集Set12,并且专门挑出babara这一在之前深度学习 DnCNN去噪方案不如BM3D的图像进行对比,选择对比15、25、50三个噪声方差进行对比实验。
C、实验结果分析:
实验对比PSNR结果如图7所示,深度学习模型DnCNN虽然在Set12数据集平均值上相比BM3D有不错的提升接近0.5db,但是在babara图像上相比于BM3D还是有着0.7db 左右的差距。本方案提出首先在Set12数据集相比DnCNN方案有了接近0.5db以上的提升,并且在babara图像上也超过了BM3D方法接近0.6db左右。可见本方案的提出对深度学习图像去噪能力有了不错的提升,并且对以前深度学习方案相比于传统方案的弊端进行了弥补。
Claims (4)
1.一种综合多尺度与注意力机制的深度学习图像去噪方法,其特征在于,包含以下步骤:
1)制作数据集,选取DIV2K共1000张2K分辨率高清晰图片作为训练集干净图像,将干净图像加入高斯白噪声,生成噪声图像,与干净图像形成成对数据集,另外选取Imagenet中2万张图像作为微调备用;
2)搭建综合多尺度与注意力机制的深度学习网络模型,该网络以U-Net和密集残差块为主题框架构成Ugroup,使用2个Ugroup级联并将输出叠加进行融合,最后将融合后的特征通过CBAM注意力机制模块,构成整体网络模型;
3)使用1)中的数据集和2)中的网络模型进行训练,网络输出与干净图像通过均方误差函数进行最小化损失函数优化,优化器使用Adam优化器;
4)将测试集中待去噪的图像输入训练好的综合多尺度与注意力机制的图像去噪网络中,得到去噪后的图像。
2.根据权利要求1所述的一种综合多尺度与注意力机制的深度学习图像去噪方案,其特征在于:步骤1)中使用的数据集为DIV2K的1000张2K高清干净图像裁剪成256×256大小,并且备用Imagenet的2万张图像作为数据增广同样也随机裁剪成256×256大小。
3.根据权利要求1所述的一种综合多尺度与注意力机制的深度学习图像去噪方案,其特征在于:步骤2)中搭建深度学习网络模型使用三次下采样与上采样的U-Net为主体架构,在U-Net中使用一个卷积层学习通道相关性并且减少通道数,使用残差密集块(ResidualDense Blcok)作为主体提取特征结构,该残差密集块由2个3×3和1个1×1使用密集连接和残差连接组成,U-Net与残差密集块共同组成1个Ugroup模块,本方案使用2个Ugroup块级联并进行输出concat特征融合,融合后的特征通过CBAM注意力机制块,构成整体去噪网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044704.4A CN111292259A (zh) | 2020-01-14 | 2020-01-14 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044704.4A CN111292259A (zh) | 2020-01-14 | 2020-01-14 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111292259A true CN111292259A (zh) | 2020-06-16 |
Family
ID=71025429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010044704.4A Pending CN111292259A (zh) | 2020-01-14 | 2020-01-14 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292259A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111918144A (zh) * | 2020-08-12 | 2020-11-10 | 桂林电子科技大学 | 一种基于深度学习的去除视频水印的方法 |
CN111950649A (zh) * | 2020-08-20 | 2020-11-17 | 桂林电子科技大学 | 基于注意力机制与胶囊网络的低照度图像分类方法 |
CN111986112A (zh) * | 2020-08-19 | 2020-11-24 | 北京航空航天大学 | 一种软注意力机制的深度全卷积神经网络图像去噪方法 |
CN112200750A (zh) * | 2020-10-21 | 2021-01-08 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
CN112287989A (zh) * | 2020-10-20 | 2021-01-29 | 武汉大学 | 一种基于自注意力机制的航空影像地物分类方法 |
CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
CN112435191A (zh) * | 2020-11-25 | 2021-03-02 | 西安交通大学 | 一种基于多个神经网络结构融合的低照度图像增强方法 |
CN112785525A (zh) * | 2021-01-26 | 2021-05-11 | 桂林电子科技大学 | 基于深度学习去除刀具刃口图像中的附着物的方法和系统 |
CN112801945A (zh) * | 2021-01-11 | 2021-05-14 | 西北大学 | 基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法 |
CN112819705A (zh) * | 2021-01-13 | 2021-05-18 | 西安交通大学 | 一种基于网状结构与长距离相关性的真实图像去噪方法 |
CN112819716A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 基于高斯-拉普拉斯金字塔的无监督学习x光图像增强方法 |
CN112819737A (zh) * | 2021-01-13 | 2021-05-18 | 西北大学 | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 |
CN112862700A (zh) * | 2021-01-16 | 2021-05-28 | 西北工业大学 | 一种基于噪声注意力的高光谱遥感图像盲去噪方法 |
CN112991167A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分层特征融合网络的航拍图像超分辨率重建方法 |
CN113139585A (zh) * | 2021-03-30 | 2021-07-20 | 太原科技大学 | 一种基于统一多尺度密集连接网络的红外与可见光图像融合方法 |
CN113158997A (zh) * | 2021-05-22 | 2021-07-23 | 河南工业大学 | 基于深度学习的粮库监控图像去噪方法、装置及介质 |
CN113191972A (zh) * | 2021-04-27 | 2021-07-30 | 西安交通大学 | 一种轻量真实图像去噪的神经网络设计及训练方法 |
CN113191983A (zh) * | 2021-05-18 | 2021-07-30 | 陕西师范大学 | 一种基于深度学习注意力机制的图像去噪方法及装置 |
CN113393457A (zh) * | 2021-07-14 | 2021-09-14 | 长沙理工大学 | 一种结合残差密集块与位置注意力的无锚框目标检测方法 |
CN113781340A (zh) * | 2021-09-03 | 2021-12-10 | 河北大学 | 一种针对合成孔径雷达图像散斑抑制的深度网络模型 |
CN113808032A (zh) * | 2021-08-04 | 2021-12-17 | 北京交通大学 | 多阶段渐进式的图像去噪算法 |
CN114240797A (zh) * | 2021-12-22 | 2022-03-25 | 海南大学 | 一种oct图像去噪方法、装置、设备及介质 |
CN114757847A (zh) * | 2022-04-24 | 2022-07-15 | 汕头市超声仪器研究所股份有限公司 | 多信息提取的扩展U-Net及其在低剂量X射线成像的应用方法 |
CN114764803A (zh) * | 2022-06-16 | 2022-07-19 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
CN114998138A (zh) * | 2022-06-01 | 2022-09-02 | 北京理工大学 | 一种基于注意力机制的高动态范围图像去伪影方法 |
CN115761242A (zh) * | 2022-11-15 | 2023-03-07 | 山东财经大学 | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 |
CN116051408A (zh) * | 2023-01-06 | 2023-05-02 | 郑州轻工业大学 | 一种基于残差自编码的图像深度去噪方法 |
CN114998138B (zh) * | 2022-06-01 | 2024-05-28 | 北京理工大学 | 一种基于注意力机制的高动态范围图像去伪影方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003240A (zh) * | 2018-07-16 | 2018-12-14 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN110599409A (zh) * | 2019-08-01 | 2019-12-20 | 西安理工大学 | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 |
-
2020
- 2020-01-14 CN CN202010044704.4A patent/CN111292259A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003240A (zh) * | 2018-07-16 | 2018-12-14 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN110599409A (zh) * | 2019-08-01 | 2019-12-20 | 西安理工大学 | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
YUDA SONG ET AL: "Dynamic Residual Dense Network for Image Denoising", 《SENSORS》 * |
张金松等: "一种基于密集深度分离卷积的SAR图像水域分割算法", 《雷达学报》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111918144A (zh) * | 2020-08-12 | 2020-11-10 | 桂林电子科技大学 | 一种基于深度学习的去除视频水印的方法 |
CN111986112A (zh) * | 2020-08-19 | 2020-11-24 | 北京航空航天大学 | 一种软注意力机制的深度全卷积神经网络图像去噪方法 |
CN111986112B (zh) * | 2020-08-19 | 2023-01-06 | 北京航空航天大学 | 一种软注意力机制的深度全卷积神经网络图像去噪方法 |
CN111950649A (zh) * | 2020-08-20 | 2020-11-17 | 桂林电子科技大学 | 基于注意力机制与胶囊网络的低照度图像分类方法 |
CN112287989A (zh) * | 2020-10-20 | 2021-01-29 | 武汉大学 | 一种基于自注意力机制的航空影像地物分类方法 |
CN112287989B (zh) * | 2020-10-20 | 2022-06-07 | 武汉大学 | 一种基于自注意力机制的航空影像地物分类方法 |
CN112200750A (zh) * | 2020-10-21 | 2021-01-08 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
CN112200750B (zh) * | 2020-10-21 | 2022-08-05 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
CN112435191A (zh) * | 2020-11-25 | 2021-03-02 | 西安交通大学 | 一种基于多个神经网络结构融合的低照度图像增强方法 |
CN112435191B (zh) * | 2020-11-25 | 2024-04-16 | 西安交通大学 | 一种基于多个神经网络结构融合的低照度图像增强方法 |
CN112801945A (zh) * | 2021-01-11 | 2021-05-14 | 西北大学 | 基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法 |
CN112819737B (zh) * | 2021-01-13 | 2023-04-07 | 西北大学 | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 |
CN112819705B (zh) * | 2021-01-13 | 2023-04-18 | 西安交通大学 | 一种基于网状结构与长距离相关性的真实图像去噪方法 |
CN112819705A (zh) * | 2021-01-13 | 2021-05-18 | 西安交通大学 | 一种基于网状结构与长距离相关性的真实图像去噪方法 |
CN112819737A (zh) * | 2021-01-13 | 2021-05-18 | 西北大学 | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 |
CN112862700B (zh) * | 2021-01-16 | 2023-10-27 | 西北工业大学 | 一种基于噪声注意力的高光谱遥感图像盲去噪方法 |
CN112862700A (zh) * | 2021-01-16 | 2021-05-28 | 西北工业大学 | 一种基于噪声注意力的高光谱遥感图像盲去噪方法 |
CN112785525A (zh) * | 2021-01-26 | 2021-05-11 | 桂林电子科技大学 | 基于深度学习去除刀具刃口图像中的附着物的方法和系统 |
CN112785525B (zh) * | 2021-01-26 | 2022-08-16 | 桂林电子科技大学 | 基于深度学习去除刀具刃口图像中的附着物的方法和系统 |
CN112991167A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分层特征融合网络的航拍图像超分辨率重建方法 |
CN112819716A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 基于高斯-拉普拉斯金字塔的无监督学习x光图像增强方法 |
CN112819716B (zh) * | 2021-01-29 | 2023-06-09 | 西安交通大学 | 基于高斯-拉普拉斯金字塔的无监督学习x光图像增强方法 |
CN113139585B (zh) * | 2021-03-30 | 2022-03-29 | 太原科技大学 | 一种基于统一多尺度密集连接网络的红外与可见光图像融合方法 |
CN113139585A (zh) * | 2021-03-30 | 2021-07-20 | 太原科技大学 | 一种基于统一多尺度密集连接网络的红外与可见光图像融合方法 |
CN113191972A (zh) * | 2021-04-27 | 2021-07-30 | 西安交通大学 | 一种轻量真实图像去噪的神经网络设计及训练方法 |
CN113191983A (zh) * | 2021-05-18 | 2021-07-30 | 陕西师范大学 | 一种基于深度学习注意力机制的图像去噪方法及装置 |
CN113158997A (zh) * | 2021-05-22 | 2021-07-23 | 河南工业大学 | 基于深度学习的粮库监控图像去噪方法、装置及介质 |
CN113158997B (zh) * | 2021-05-22 | 2023-04-18 | 河南工业大学 | 基于深度学习的粮库监控图像去噪方法、装置及介质 |
CN113393457A (zh) * | 2021-07-14 | 2021-09-14 | 长沙理工大学 | 一种结合残差密集块与位置注意力的无锚框目标检测方法 |
CN113393457B (zh) * | 2021-07-14 | 2023-02-28 | 长沙理工大学 | 一种结合残差密集块与位置注意力的无锚框目标检测方法 |
CN113808032A (zh) * | 2021-08-04 | 2021-12-17 | 北京交通大学 | 多阶段渐进式的图像去噪算法 |
CN113808032B (zh) * | 2021-08-04 | 2023-12-15 | 北京交通大学 | 多阶段渐进式的图像去噪算法 |
CN113781340B (zh) * | 2021-09-03 | 2023-12-22 | 河北大学 | 一种基于深度网络模型的合成孔径雷达图像散斑抑制系统 |
CN113781340A (zh) * | 2021-09-03 | 2021-12-10 | 河北大学 | 一种针对合成孔径雷达图像散斑抑制的深度网络模型 |
CN114240797A (zh) * | 2021-12-22 | 2022-03-25 | 海南大学 | 一种oct图像去噪方法、装置、设备及介质 |
CN114757847A (zh) * | 2022-04-24 | 2022-07-15 | 汕头市超声仪器研究所股份有限公司 | 多信息提取的扩展U-Net及其在低剂量X射线成像的应用方法 |
CN114998138A (zh) * | 2022-06-01 | 2022-09-02 | 北京理工大学 | 一种基于注意力机制的高动态范围图像去伪影方法 |
CN114998138B (zh) * | 2022-06-01 | 2024-05-28 | 北京理工大学 | 一种基于注意力机制的高动态范围图像去伪影方法 |
CN114764803B (zh) * | 2022-06-16 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
CN114764803A (zh) * | 2022-06-16 | 2022-07-19 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
CN115761242A (zh) * | 2022-11-15 | 2023-03-07 | 山东财经大学 | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 |
CN115761242B (zh) * | 2022-11-15 | 2023-09-19 | 山东财经大学 | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 |
CN116051408A (zh) * | 2023-01-06 | 2023-05-02 | 郑州轻工业大学 | 一种基于残差自编码的图像深度去噪方法 |
CN116051408B (zh) * | 2023-01-06 | 2023-10-27 | 郑州轻工业大学 | 一种基于残差自编码的图像深度去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292259A (zh) | 一种综合多尺度与注意力机制的深度学习图像去噪方法 | |
CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
CN112419184B (zh) | 一种综合局部信息和全局信息的空间注意力图像去噪方法 | |
CN112330542A (zh) | 基于crcsan网络的图像重建系统及方法 | |
CN111028150A (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
CN111768340B (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
CN110889895B (zh) | 一种融合单帧重建网络的人脸视频超分辨率重建方法 | |
CN112435191B (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
CN111583152B (zh) | 基于U-net结构的图像伪影检测与自动去除方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN111932461A (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
KR20210125425A (ko) | 미지의 저하가 발생한 실제 초 고해상도의 신경망을 학습시키는 시스템 및 방법 | |
CN109978772A (zh) | 基于深度学习与双域互补的压缩图像复原方法 | |
CN112699844A (zh) | 一种基于多尺度残差层级密连接网络的图像超分辨率方法 | |
CN114494047B (zh) | 一种基于双增强残差网络的生物图像去噪方法 | |
CN112819705B (zh) | 一种基于网状结构与长距离相关性的真实图像去噪方法 | |
CN111353982B (zh) | 一种深度相机图像序列筛选方法及装置 | |
Wu et al. | Dcanet: Dual convolutional neural network with attention for image blind denoising | |
CN116523794A (zh) | 一种基于卷积神经网络的低光照图像增强方法 | |
CN116563554A (zh) | 基于混合表征学习的低剂量ct图像去噪方法 | |
CN114549361B (zh) | 一种基于改进U-Net模型的去图像运动模糊方法 | |
CN114764750B (zh) | 基于自适应一致性先验深度网络的图像去噪方法 | |
CN114936977A (zh) | 一种基于通道注意力和跨尺度特征融合的图像去模糊方法 | |
CN112070676B (zh) | 一种双通道多感知卷积神经网络的图片超分辨率重建方法 | |
Zhang et al. | Deep residual network based medical image reconstruction |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200616 |
|
WD01 | Invention patent application deemed withdrawn after publication |