CN111369460A - 基于admm神经网络的图像去模糊方法 - Google Patents
基于admm神经网络的图像去模糊方法 Download PDFInfo
- Publication number
- CN111369460A CN111369460A CN202010137913.3A CN202010137913A CN111369460A CN 111369460 A CN111369460 A CN 111369460A CN 202010137913 A CN202010137913 A CN 202010137913A CN 111369460 A CN111369460 A CN 111369460A
- Authority
- CN
- China
- Prior art keywords
- admm
- image
- neural network
- layer
- img
- 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 55
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 3
- 238000006062 fragmentation reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development 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
-
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于ADMM神经网络的图像去模糊方法,针对图像去模糊这一问题进行建模,并利用ADMM算法对问题进行裂项求解,根据求解出的三个子问题构建相关的神经网络,通过构建的神经网络训练获得更符合实际的ADMM算法参数与相关的正则项,可减少调参与正则项选取的工作量,且可进一步提升实际效果与运行效率。本发明既保留了传统优化算法的优良理论依据,又利用了神经网络的可训练性,可较好地对运动图像进行去模糊处理。
Description
技术领域
本发明方法涉及一种针对图像特征的图像去模糊方法,尤其是一种基于ADMM神经网络的图像去模糊方法。
背景技术
近年来由于图像处理与深度学习的蓬勃发展,涌现出了大量的图像去模糊算法。现有较为流行的图像去模糊算法主要分为基于神经网络的端到端图像去模糊算法及基于优化理论的图像去模糊算法。基于神经网络的端到端去模糊算法的优点是不需要建立较为复杂的数学求解模型,只需要遵循深度学习的准则即可,训练过程中的相关参数调整主要依靠反向传播机制及优化器,不需要人为干预,缺点则是很多效果较为理想的神经网络均是通过大量实验所得出,其本质无法通过相关理论进行解释,其次是神经网络的训练主要是学习数据集中的潜在规律,若数据集中不包含某种必要的潜在规律,那么在不同场景的应用中效果会差距较大,即存在过拟合问题。基于优化理论的图像去模糊算法的优点是不需要通过训练即可使用,可避免神经网络的过拟合问题,因而在不同场景的应用中效果差距不大,缺点是需要建立相应的求解模型,不仅需要相关人员具备大量的先验知识,而且算法中的关键参数通常也需要经过大量的人为实验才可得出,否则会极大的影响实际效果。迄今为止,未有将基于神经网络算法与基于优化理论算法的优点融合进行图像去模糊的相关报道。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种基于ADMM神经网络的图像去模糊方法。
本发明的技术解决方案是:一种基于ADMM神经网络的图像去模糊方法,按照如下步骤进行:
010预处理阶段
步骤C011:配置PC机的软件环境;
步骤C012:采用GOPRO训练集;
步骤C013:初始化摄像头;
步骤C014:配置PC机与摄像头所在的局域网;
020训练阶段
步骤C021:构建数学模型并利用ADMM进行裂项求解如下:
其中,x(i)为第i阶段重构层Restore(i)的输出;x(i-1)为第i-1阶段重构层Restore(i -1)的输出,y为原始模糊图像,z(i)为第i阶段去噪层Denoise(i)的输出,z(i-1)为第i-1阶段去噪层Denoise(i-1)的输出,β(i)为第i阶段乘子更新层Multipler(i),β(i-1)为第i-1阶段乘子更新层Multipler(i),n为总计阶段数,i为阶段号,i=1,2,…,n,ki与是Restore(i)中大小为3×3的卷积核,ρ(i)是Restore(i)中的惩罚项系数,lr(i)为Restore(i)中的学习率,与为Denoise(i)中的保真系数,R为非线性函数,与为Denoise(i)中大小为3×3的卷积核,η(i)是Multipler(i)中的乘子更新系数;
步骤C022:搭建ADMM神经网络,约定ADMM神经网络的可训练参数集为ΘNet,
神经网络结构包含如下子层:
C0223:第i阶段乘子更新层Multiple(i),包含的可训练参数集为Θβ(i)={ηi};
步骤C023:初始化可训练参数集ΘNet,其中ΘNet中的元素均服从区间[0,1]的均匀分布;
步骤C024:设置ADMM神经网络的超参数:约定批处理值为batch_size的值为25,子块大小为patch_size的值为128×128,学习率为learning_rate的值为1×10-4;
步骤C025:从训练集中随机选取5100张图像,并按照batch_size与patch_size的值分别记为模糊图像块img1,img2,...,img204;
步骤C026:约定损失函数为l2-loss,优化算法为ADAM算法,将划分好的模糊图像块img1,img2,...,img204依次送入ADMM神经网络,经过前向传播、反向传播和优化更新进行训练,训练次数至少2000次,具体步骤如下:
前向传播定义为NetADMM(img),ADMM神经网络中的重构层Restore(i)、去噪层Denoise(i)及乘子更新层Multipler(i)彼此间交替迭代,得到去模糊图像块out1,out2,...,out204:定义 卷积层为conv(x),矩阵点积运算为Dot(x,y),其中表示为conv(conv(x(i-1))-y),卷积核分别为ki与表示为Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1))),表示为Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),故Restore(i)可表示为x(i-1)-Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),定义则有:正则项函数R采用编码器-解码器神经网络模块通过训练进行模拟,约定编码器-解码器模块为Edcode(x),有则Denoise(i)可表示为Multipler(i)可表示为β(i-1)+Dot(η(i)(x(i)-z(i)));
反向传播是将去模糊图像块out1,out2,...,out204依次与标签图像块进行比较,计算损失值loss:约定标签图像块中的图像为imggt,去模糊图像块中的图像为imgout,损失值为loss,根据l2-loss函数的定义,其中N为图像块所包含的像素的个数,定义每张图像的通道数、宽度、高度分别为channel、height、width,N=channel*height*width*batch_size;
优化更新:通过损失值loss利用链式法则求解各个子层的可训练参数的偏导数,将可训练参数与其梯度值代入ADAM算法进行更新;
030ADMM网络应用阶段
步骤C031:将摄像头采集到的模糊图像image_input传输至部署ADMM神经网络的PC机中;
步骤C032:将模糊图像image_input进行解码,送至训练结束的ADMM神经网络中;
步骤C033:接收ADMM神经网络输出的图像image_output,压缩编码并存储;
步骤C034:输出至显示器中显示。
本发明针对图像去模糊这一问题进行建模,并利用ADMM算法对问题进行裂项求解,根据求解出的三个子问题构建相关的神经网络,通过构建的神经网络训练获得更符合实际的ADMM算法参数与相关的正则项,可减少调参与正则项选取的工作量,且可进一步提升实际效果与运行效率。本发明既保留了传统优化算法的优良理论依据,又利用了神经网络的可训练性,可较好地对运动图像进行去模糊处理。
附图说明
图1是本发明实施例ADMM神经网络结构示意图。
图2是本发明实施例ADMM神经网络结构中重构层的示意图。
图3是本发明实施例ADMM神经网络结构中去噪层的示意图。
图4是本发明实施例ADMM神经网络结构中乘子更新层的示意图。
图5是本发明实施例摄像头采集到的模糊图像。
图6是现有技术对模糊图像处理后的结果图。
图7是本发明实施例对模糊图像处理后的结果图。
具体实施方式
本发明的基于ADMM神经网络的图像去模糊方法,按照如下步骤进行:
010预处理阶段
步骤C011:配置PC机的软件环境,包括Python3.6,Tensorflow2.0,CUDA10.0等;
步骤C012:采用GOPRO训练集;
步骤C013:初始化摄像头;
步骤C014:配置PC机与摄像头所在的局域网;
020训练阶段
步骤C021:构建数学模型并利用ADMM进行裂项求解如下:
其中,x(i)为第i阶段重构层Restore(i)的输出;x(i-1)为第i-1阶段重构层Restore(i -1)的输出,y为原始模糊图像,z(i)为第i阶段去噪层Denoise(i)的输出,z(i-1)为第i-1阶段去噪层Denoise(i-1)的输出,β(i)为第i阶段乘子更新层Multipler(i),β(i-1)为第i-1阶段乘子更新层Multipler(i),n为总计阶段数,i为阶段号,i=1,2,…,n,ki与是Restore(i)中大小为3×3的卷积核,ρ(i)是Restore(i)中的惩罚项系数,lr(i)为Restore(i)中的学习率,与为Denoise(i)中的保真系数,R为非线性函数,与为Denoise(i)中大小为3×3的卷积核,η(i)是Multipler(i)中的乘子更新系数;
步骤C022:搭建ADMM神经网络,约定ADMM神经网络的可训练参数集为ΘNet,
神经网络结构包含如图1所示的如下子层:
步骤C023:初始化可训练参数集ΘNet,其中ΘNet中的元素均服从区间[0,1]的均匀分布;
步骤C024:设置ADMM神经网络的超参数:约定批处理值为batch_size的值为25,子块大小为patch_size的值为128×128,学习率为learning_rate的值为1×10-4;
步骤C025:从训练集中随机选取5100张图像,并按照batch_size与patch_size的值分别记为模糊图像块img1,img2,...,img204;
步骤C026:约定损失函数为l2-loss,优化算法为ADAM算法,将划分好的模糊图像块img1,img2,...,img204依次送入ADMM神经网络,经过前向传播、反向传播和优化更新进行训练,训练次数至少2000次,具体步骤如下:
前向传播定义为NetADMM(img),ADMM神经网络中的重构层Restore(i)、去噪层Denoise(i)及乘子更新层Multipler(i)彼此间交替迭代,得到去模糊图像块out1,out2,...,out204:定义 卷积层为conv(x),矩阵点积运算为Dot(x,y),其中表示为conv(conv(x(i-1))-y),卷积核分别为ki与表示为Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1))),表示为Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),故Restore(i)如图2所示,可表示为x(i-1)-Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),定义则有:正则项函数R采用编码器-解码器神经网络模块通过训练进行模拟,约定编码器-解码器模块为Edcode(x),有则Denoise(i)可如图3所示,表示为Multipler(i)如图4所示,可表示为β(i-1)+Dot(η(i)(x(i)-z(i)));
反向传播是将去模糊图像块out1,out2,...,out204与依次标签图像块进行比较,计算损失值loss:约定标签图像块中的图像为imggt,去模糊图像块中的图像为imgout,损失值为loss,根据l2-loss函数的定义,其中N为标签图像或去模糊图像块所包含的像素的个数,定义每张图像的通道数、宽度、高度分别为channel、height、width,N=channel*height*width*batch_size;
优化更新:通过损失值loss利用链式法则求解各个子层的可训练参数的偏导数,将可训练参数与其梯度值代入ADAM算法进行更新;
030ADMM网络应用阶段
步骤C031:将摄像头采集到的如图5所示的模糊图像image_input传输至部署ADMM神经网络的PC机中;
步骤C032:将模糊图像image_input进行解码,送至训练结束的ADMM神经网络中;
步骤C033:接收ADMM神经网络输出的图像image_output,压缩编码并存储;
步骤C034:输出至显示器中显示,结果如图7所示。
按照论文《From Motion Blur to Motion Flow:a Deep Learning Solution forRemoving Heterogeneous Motion Blur》中的相应算法对图1模糊图像处理后的结果如图6所示。结果表明:本发明实施例对图像的去模糊效果明显优于现有技术。
Claims (1)
1.一种基于ADMM神经网络的图像去模糊方法,其特征在于按照如下步骤进行:
010预处理阶段
步骤C011:配置PC机的软件环境;
步骤C012:采用GOPRO训练集;
步骤C013:初始化摄像头;
步骤C014:配置PC机与摄像头所在的局域网;
020训练阶段
步骤C021:构建数学模型并利用ADMM进行裂项求解如下:
其中,x(i)为第i阶段重构层Restore(i)的输出;x(i-1)为第i-1阶段重构层Restore(i-1)的输出,y为原始模糊图像,z(i)为第i阶段去噪层Denoise(i)的输出,z(i-1)为第i-1阶段去噪层Denoise(i-1)的输出,β(i)为第i阶段乘子更新层Multipler(i),β(i-1)为第i-1阶段乘子更新层Multipler(i),n为总计阶段数,i为阶段号,i=1,2,…,n,ki与是Restore(i)中大小为3×3的卷积核,ρ(i)是Restore(i)中的惩罚项系数,lr(i)为Restore(i)中的学习率,与为Denoise(i)中的保真系数,R为非线性函数,与为Denoise(i)中大小为3×3的卷积核,η(i)是Multipler(i)中的乘子更新系数;
步骤C023:初始化可训练参数集ΘNet,其中ΘNet中的元素均服从区间[0,1]的均匀分布;
步骤C024:设置ADMM神经网络的超参数:约定批处理值为batch_size的值为25,子块大小为patch_size的值为128×128,学习率为learning_rate的值为1×10-4;
步骤C025:从训练集中随机选取5100张图像,并按照batch_size与patch_size的值分别记为模糊图像块img1,img2,...,img204;
步骤C026:约定损失函数为l2-loss,优化算法为ADAM算法,将划分好的模糊图像块img1,img2,...,img204依次送入ADMM神经网络,经过前向传播、反向传播和优化更新进行训练,训练次数至少2000次,具体步骤如下:
前向传播定义为NetADMM(img),ADMM神经网络中的重构层Restore(i)、去噪层Denoise(i)及乘子更新层Multipler(i)彼此间交替迭代,得到去模糊图像块out1,out2,...,out204:定义 卷积层为conv(x),矩阵点积运算为Dot(x,y),其中表示为conv(conv(x(i-1))-y),卷积核分别为ki与 表示为Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1))),表示为Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),故Restore(i)可表示为x(i-1)-Dot(lr(i),conv(conv(x(i-1))-y)+Dot(ρ(i),(x(i-1)+β(i-1)-z(i-1)))),定义则有:正则项函数R采用编码器-解码器神经网络模块通过训练进行模拟,约定编码器-解码器模块为Edcode(x),有则Denoise(i)可表示为Multipler(i)可表示为β(i-1)+Dot(η(i)(x(i)-z(i)));
反向传播是将去模糊图像块out1,out2,...,out204依次与标签图像块进行比较,计算损失值loss:约定标签图像块中的图像为imggt,去模糊图像块中的图像为imgout,损失值为loss,根据l2-loss函数的定义,其中N为图像块所包含的像素的个数,定义每张图像的通道数、宽度、高度分别为channel、height、width,N=channel*height*width*batch_size;
优化更新:通过损失值loss利用链式法则求解各个子层的可训练参数的偏导数,将可训练参数与其梯度值代入ADAM算法进行更新;
030ADMM网络应用阶段
步骤C031:将摄像头采集到的模糊图像image_input传输至部署ADMM神经网络的PC机中;
步骤C032:将模糊图像image_input进行解码,送至训练结束的ADMM神经网络中;
步骤C033:接收ADMM神经网络输出的图像image_output,压缩编码并存储;
步骤C034:输出至显示器中显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137913.3A CN111369460B (zh) | 2020-03-03 | 2020-03-03 | 基于admm神经网络的图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137913.3A CN111369460B (zh) | 2020-03-03 | 2020-03-03 | 基于admm神经网络的图像去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369460A true CN111369460A (zh) | 2020-07-03 |
CN111369460B CN111369460B (zh) | 2023-06-20 |
Family
ID=71208330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010137913.3A Active CN111369460B (zh) | 2020-03-03 | 2020-03-03 | 基于admm神经网络的图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369460B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905599A (zh) * | 2021-03-18 | 2021-06-04 | 南京邮电大学 | 基于端到端的分布式深度哈希检索方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416753A (zh) * | 2018-03-14 | 2018-08-17 | 大连理工大学 | 一种基于非参数化交替方向乘子法的图像去噪算法 |
CN108596841A (zh) * | 2018-04-08 | 2018-09-28 | 西安交通大学 | 一种并行实现图像超分辨率及去模糊的方法 |
CN108876884A (zh) * | 2018-06-21 | 2018-11-23 | 汕头大学 | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 |
US20180349771A1 (en) * | 2017-06-02 | 2018-12-06 | Mitsubishi Electric Research Laboratories, Inc. | Sparsity enforcing neural network |
CN109360157A (zh) * | 2018-08-22 | 2019-02-19 | 浙江工业大学 | 基于tv和小波正则化的空间变化模糊图像复原方法 |
US20190096049A1 (en) * | 2017-09-27 | 2019-03-28 | Korea Advanced Institute Of Science And Technology | Method and Apparatus for Reconstructing Hyperspectral Image Using Artificial Intelligence |
CN110111267A (zh) * | 2019-04-17 | 2019-08-09 | 大连理工大学 | 一种基于优化算法结合残差网络的单幅图像除雨方法 |
-
2020
- 2020-03-03 CN CN202010137913.3A patent/CN111369460B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349771A1 (en) * | 2017-06-02 | 2018-12-06 | Mitsubishi Electric Research Laboratories, Inc. | Sparsity enforcing neural network |
US20190096049A1 (en) * | 2017-09-27 | 2019-03-28 | Korea Advanced Institute Of Science And Technology | Method and Apparatus for Reconstructing Hyperspectral Image Using Artificial Intelligence |
CN108416753A (zh) * | 2018-03-14 | 2018-08-17 | 大连理工大学 | 一种基于非参数化交替方向乘子法的图像去噪算法 |
CN108596841A (zh) * | 2018-04-08 | 2018-09-28 | 西安交通大学 | 一种并行实现图像超分辨率及去模糊的方法 |
CN108876884A (zh) * | 2018-06-21 | 2018-11-23 | 汕头大学 | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 |
CN109360157A (zh) * | 2018-08-22 | 2019-02-19 | 浙江工业大学 | 基于tv和小波正则化的空间变化模糊图像复原方法 |
CN110111267A (zh) * | 2019-04-17 | 2019-08-09 | 大连理工大学 | 一种基于优化算法结合残差网络的单幅图像除雨方法 |
Non-Patent Citations (3)
Title |
---|
USHA TIGGA: "Image Deblurring with Impulse Noise Using Alternating Direction Method of Multipliers and Lucy-Richardson Method", 《2016 8TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS (CICN)》 * |
XIAOLEILU ET AL.: "ADMM for image restoration based on nonlocal simultaneous sparse Bayesian coding", 《SIGNAL PROCESSING: IMAGE COMMUNICATION》 * |
杨秀燕: "基于全局去噪神经网络的图像复原", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905599A (zh) * | 2021-03-18 | 2021-06-04 | 南京邮电大学 | 基于端到端的分布式深度哈希检索方法 |
CN112905599B (zh) * | 2021-03-18 | 2022-10-14 | 南京邮电大学 | 基于端到端的分布式深度哈希检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111369460B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
CN108734661B (zh) | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 | |
CN109657156B (zh) | 一种基于循环生成对抗网络的个性化推荐方法 | |
CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
CN111275643B (zh) | 基于通道和空间注意力的真实噪声盲去噪网络系统及方法 | |
CN110060204B (zh) | 一种基于可逆网络的单一图像超分辨率方法 | |
CN111986075B (zh) | 一种目标边缘清晰化的风格迁移方法 | |
CN110246094B (zh) | 一种用于彩色图像超分辨率重建的6维嵌入的去噪自编码先验信息算法 | |
CN112291570B (zh) | 一种基于轻量级可形变卷积神经网络的实时视频增强方法 | |
Kim et al. | Deeply aggregated alternating minimization for image restoration | |
CN112837224A (zh) | 一种基于卷积神经网络的超分辨率图像重建方法 | |
CN113870124B (zh) | 基于弱监督的双网络互激励学习阴影去除方法 | |
CN112307714A (zh) | 一种基于双阶段深度网络的文字风格迁移方法 | |
WO2022062164A1 (zh) | 基于偏微分算子的广义等变卷积网络模型的图像分类方法 | |
CN110148088A (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
CN113570500A (zh) | 一种基于全局信息引导网络实现真实图像风格迁移的方法 | |
CN111369460A (zh) | 基于admm神经网络的图像去模糊方法 | |
CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
CN113256538B (zh) | 一种基于深度学习的无监督去雨方法 | |
US20220020191A1 (en) | Method and computer program product for image style transfer | |
CN111145103B (zh) | 基于细节保留神经网络模型的蒙特卡洛去噪方法 | |
Jiang et al. | LatentMap: effective auto-encoding of density maps for spatiotemporal data visualizations | |
CN111951183A (zh) | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 | |
CN113627468B (zh) | 基于无监督学习的非局部神经网络图像处理方法及系统 | |
CN115880388A (zh) | 一种基于离散小波变换的地表纹理生成方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221021 Address after: Room 2401, 2402, 2407, Floor 24, Block B, No. 6, Yiyang Road, Qixianling, Dalian Hi tech Industrial Park, Liaoning Province, 116000 Applicant after: Dalian Houren Technology Co.,Ltd. Address before: No. 116500, Shahekou Road, Dalian City, Liaoning Province Applicant before: LIAONING NORMAL University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |