CN111462268A - 图像重建方法及装置、电子设备和存储介质 - Google Patents
图像重建方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111462268A CN111462268A CN202010243153.4A CN202010243153A CN111462268A CN 111462268 A CN111462268 A CN 111462268A CN 202010243153 A CN202010243153 A CN 202010243153A CN 111462268 A CN111462268 A CN 111462268A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- network
- event
- scene
- 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 87
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 129
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 150
- 238000012549 training Methods 0.000 claims description 146
- 230000004927 fusion Effects 0.000 claims description 73
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000003042 antagnostic effect Effects 0.000 description 9
- 238000005286 illumination Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Television Signal Processing For Recording (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种图像重建方法及装置、电子设备和存储介质,所述方法包括:获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。本公开实施例可提高图像重建的效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像重建方法及装置、电子设备和存储介质。
背景技术
传统的图像采集设备可以采集到符合人们的观察习惯的图像,例如RGB图像或强度图像等。但受其本身较低的动态范围的限制,图像采集设备在光照较低的暗光条件下会出现曝光不足的情况,无法生成高质量的清晰图像。而事件采集设备(例如事件相机,EventCamera)能够采集到高时间频率的异步亮度变化(也即事件(Event)),在暗光条件下也能够正常成像。在相关技术中,无法通过暗光条件下的事件直接得到正常光照条件下的清晰图像。
发明内容
本公开提出了一种图像重建技术方案。
根据本公开的一方面,提供了一种图像重建方法,包括:获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。
在一种可能的实现方式中,对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,包括:根据第一噪声信息及所述第一事件特征,对所述第一事件特征进行细节增强,得到第二事件特征;将所述第一事件特征与所述第二事件特征融合,得到融合特征;对所述融合特征进行图像重建,得到所述目标场景的重建图像。
在一种可能的实现方式中,所述方法通过图像处理网络实现,所述图像处理网络包括第一特征提取网络及图像重建网络,所述第一特征提取网络用于对所述事件信息进行特征提取,所述图像重建网络用于对所述第一事件特征进行图像重建,所述方法还包括:根据预设的训练集训练所述图像处理网络,所述训练集包括多个第一样本场景的第一样本事件信息,多个第二样本场景的第二样本事件信息及样本场景图像;其中,所述第一样本事件信息是在第三亮度范围内获取的,所述第二样本事件信息是在第四亮度范围内获取的,所述样本场景图像是在所述第四亮度范围内获取的,所述第四亮度范围高于所述第三亮度范围。
在一种可能的实现方式中,所述图像处理网络还包括鉴别网络,所述根据预设的训练集训练所述图像处理网络,包括:将所述第一样本场景的第一样本事件信息和所述第二样本场景的第二样本事件信息分别输入所述第一特征提取网络,得到第一样本事件特征和第二样本事件特征;将所述第一样本事件特征和所述第二样本事件特征分别输入所述鉴别网络,得到第一鉴别结果和第二鉴别结果;根据所述第一鉴别结果及所述第二鉴别结果,对抗训练所述图像处理网络。
在一种可能的实现方式中,所述根据预设的训练集训练所述图像处理网络,还包括:将所述第二样本事件特征输入所述图像重建网络,得到所述第二样本场景的第一重建图像;根据所述第二样本场景的第一重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述根据预设的训练集训练所述图像处理网络,还包括:将所述第二样本事件特征及第三噪声信息输入所述细节增强网络,得到第四样本事件特征;将所述第二样本事件特征与所述第四样本事件特征融合,得到第二样本融合特征;将所述第二样本融合特征输入所述图像重建网络,得到所述第二样本场景的第三重建图像;根据所述第二样本场景的第一重建图像、所述第三重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括第二特征提取网络,所述根据预设的训练集训练所述图像处理网络,还包括:将所述第二样本场景的第二样本事件信息及第二噪声信息输入所述第二特征提取网络,得到第三样本事件特征;将所述第二样本事件特征与所述第三样本事件特征融合,得到第一样本融合特征;将所述第一样本融合特征输入所述鉴别网络,得到第三鉴别结果;根据所述第一鉴别结果及所述第三鉴别结果,对抗训练所述图像处理网络。
在一种可能的实现方式中,所述根据预设的训练集训练所述图像处理网络,还包括:将所述第一样本融合特征输入所述图像重建网络,得到所述第二样本场景的第二重建图像;根据所述第二样本场景的第二重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述根据预设的训练集训练所述图像处理网络,还包括:将所述第一样本融合特征及第四噪声信息输入所述细节增强网络,得到第五样本事件特征;将所述第一样本融合特征与所述第五样本事件特征融合,得到第三样本融合特征;将所述第三样本融合特征输入所述图像重建网络,得到所述第二样本场景的第四重建图像;根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络,包括:根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,确定所述图像处理网络的总体损失;根据所述总体损失,确定所述图像处理网络的梯度信息;根据所述梯度信息,调整所述第一特征提取网络、所述第二特征提取网络、所述细节增强网络及所述图像重建网络的网络参数,其中,所述细节增强网络的梯度信息不传递到所述第二特征提取网络。
根据本公开的一方面,提供了一种图像重建装置,包括:
事件获取模块,用于获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;特征提取模块,用于对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;图像重建模块,用于对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。
在一种可能的实现方式中,所述图像重建模块包括:细节增强子模块,用于根据第一噪声信息及所述第一事件特征,对所述第一事件特征进行细节增强,得到第二事件特征;融合子模块,用于将所述第一事件特征与所述第二事件特征融合,得到融合特征;重建子模块,用于对所述融合特征进行图像重建,得到所述目标场景的重建图像。
在一种可能的实现方式中,所述装置通过图像处理网络实现,所述图像处理网络包括第一特征提取网络及图像重建网络,所述第一特征提取网络用于对所述事件信息进行特征提取,所述图像重建网络用于对所述第一事件特征进行图像重建,所述装置还包括:
训练模块,用于根据预设的训练集训练所述图像处理网络,所述训练集包括多个第一样本场景的第一样本事件信息,多个第二样本场景的第二样本事件信息及样本场景图像;其中,所述第一样本事件信息是在第三亮度范围内获取的,所述第二样本事件信息是在第四亮度范围内获取的,所述样本场景图像是在所述第四亮度范围内获取的,所述第四亮度范围高于所述第三亮度范围。
在一种可能的实现方式中,所述图像处理网络还包括鉴别网络,所述训练模块包括:第一提取子模块,用于将所述第一样本场景的第一样本事件信息和所述第二样本场景的第二样本事件信息分别输入所述第一特征提取网络,得到第一样本事件特征和第二样本事件特征;第一鉴别子模块,用于将所述第一样本事件特征和所述第二样本事件特征分别输入所述鉴别网络,得到第一鉴别结果和第二鉴别结果;第一对抗训练子模块,用于根据所述第一鉴别结果及所述第二鉴别结果,对抗训练所述图像处理网络。
在一种可能的实现方式中,所述训练模块还包括:第一重建子模块,用于将所述第二样本事件特征输入所述图像重建网络,得到所述第二样本场景的第一重建图像;第一训练子模块,用于根据所述第二样本场景的第一重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述训练模块还包括:第一增强子模块,用于将所述第二样本事件特征及第三噪声信息输入所述细节增强网络,得到第四样本事件特征;第一融合子模块,用于将所述第二样本事件特征与所述第四样本事件特征融合,得到第二样本融合特征;第二重建子模块,用于将所述第二样本融合特征输入所述图像重建网络,得到所述第二样本场景的第三重建图像;第二训练子模块,用于根据所述第二样本场景的第一重建图像、所述第三重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括第二特征提取网络,所述训练模块还包括:第二提取子模块,用于将所述第二样本场景的第二样本事件信息及第二噪声信息输入所述第二特征提取网络,得到第三样本事件特征;第二融合子模块,用于将所述第二样本事件特征与所述第三样本事件特征融合,得到第一样本融合特征;第二鉴别子模块,用于将所述第一样本融合特征输入所述鉴别网络,得到第三鉴别结果;第二对抗训练子模块,用于根据所述第一鉴别结果及所述第三鉴别结果,对抗训练所述图像处理网络。
在一种可能的实现方式中,所述训练模块还包括:第三重建子模块,用于将所述第一样本融合特征输入所述图像重建网络,得到所述第二样本场景的第二重建图像;第三训练子模块,用于根据所述第二样本场景的第二重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述训练模块还包括:第二增强子模块,用于将所述第一样本融合特征及第四噪声信息输入所述细节增强网络,得到第五样本事件特征;第三融合子模块,用于将所述第一样本融合特征与所述第五样本事件特征融合,得到第三样本融合特征;第四重建子模块,用于将所述第三样本融合特征输入所述图像重建网络,得到所述第二样本场景的第四重建图像;第四训练子模块,用于根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述第四训练子模块用于:根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,确定所述图像处理网络的总体损失;根据所述总体损失,确定所述图像处理网络的梯度信息;根据所述梯度信息,调整所述第一特征提取网络、所述第二特征提取网络、所述细节增强网络及所述图像重建网络的网络参数,其中,所述细节增强网络的梯度信息不传递到所述第二特征提取网络。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,能够获取目标场景在较低的第一亮度范围内的事件信息;对事件信息进行特征提取,得到事件特征;对事件特征进行图像重建,得到目标场景在较高的第二亮度范围内的重建图像,从而通过暗光条件下的事件重建出正常光照条件下的高质量图像,提高了图像重建的效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像重建方法的流程图。
图2示出根据本公开实施例的图像重建方法的网络训练的处理过程的示意图。
图3示出根据本公开实施例的图像重建装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像重建方法的流程图,如图1所示,所述方法包括:
在步骤S11中,获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;
在步骤S12中,对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;
在步骤S13中,对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。
在一种可能的实现方式中,所述图像重建方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
在一种可能的实现方式中,目标场景可以是包括建筑、风景、人物、车辆等场景的地理区域。该目标场景可能处于暗光条件(例如夜间或其他黑暗环境)下,通过图像采集设备(例如强度相机或摄像头等)采集的该目标场景的图像曝光不足,图像质量较差。在该情况下,可在步骤S11中,通过事件采集设备(例如事件相机),在与暗光条件相对应的第一亮度范围内,获取目标场景的事件信息,该事件信息用于表示目标场景在第一亮度范围内的亮度变化。本公开对第一亮度范围的具体取值不作限制。
在一种可能的实现方式中,事件相机能够异步地记录场景中亮度的改变,输出流形式的事件数据(事件流),其数据单元如下所示:
ek=(xk,yk,pk,tk) (1)
公式(1)中,xk和yk表示场景中第k个位置的事件数据ek的空间坐标,tk表示事件数据ek产生的时间,pk∈{+1,-1}表示事件数据ek的极性,极性为正表示亮度增强,极性为负表示亮度降低。
传统的CNN方法只能处理图片形式的规则数据,无法应用于事件流。因此,在目标场景处于第一亮度范围时,可通过事件采集设备采集目标场景在一个或多个预设时间段内的亮度变化,得到事件数据,并在空间维度上对各事件数据的极性进行积分,得到单通道或多通道的事件信息。
积分方式如下式所示:
公式(2)中,Φτ(t)表示第k个位置的事件数据在预设时间段tk∈[t,t+τ]内的事件信息。这样,对场景中各个位置的事件数据进行积分,可得到单通道的事件信息(也可称为事件帧);对多个预设时间段内各个位置的事件数据进行积分,可得到多通道的事件信息,例如四通道的事件信息。为保证数据范围的一致性,可将各通道的事件信息分别在空间维度上进行归一化,将归一化后的事件信息作为目标场景的事件信息。本公开对事件信息的通道数量不作限制。
在一种可能的实现方式中,可在步骤S12中对所述事件信息进行特征提取,得到该目标场景的第一事件特征。该第一事件特征至少包括表示该目标场景的结构的信息。可例如通过卷积神经网络提取事件信息的特征,该卷积神经网络可包括多个卷积层、多个残差层等,本公开对卷积神经网络的网络结构不作限制。
在一种可能的实现方式中,可在步骤S13中对第一事件特征进行图像重建,得到该目标场景的重建图像。该重建图像可例如为强度图像,该重建图像的亮度处于与正常光照条件对应的第二亮度范围内,该第二亮度范围高于第一亮度范围。
在一种可能的实现方式中,可例如通过反卷积神经网络对第一事件特征进行图像重建,该反卷积神经网络可包括多个反卷积层、多个残差层以及卷积层等,本公开对第二亮度范围的具体取值以及反卷积神经网络的网络结构不作限制。
根据本公开的实施例,能够获取目标场景在较低的第一亮度范围内的事件信息;对事件信息进行特征提取,得到事件特征;对事件特征进行图像重建,得到目标场景在较高的第二亮度范围内的重建图像,从而通过暗光条件下的事件重建出正常光照条件下的高质量图像,提高了图像重建的效果。
在一种可能的实现方式中,步骤S13可包括:
根据第一噪声信息及所述第一事件特征,对所述第一事件特征进行细节增强,得到第二事件特征;
将所述第一事件特征与所述第二事件特征融合,得到融合特征;
对所述融合特征进行图像重建,得到所述目标场景的重建图像。
举例来说,在暗光条件下获取到的事件信息可能存在较多的噪声干扰及局部的结构信息缺失。在该情况下,可对第一事件特征进行增强,以便恢复更多的细节信息。
在一种可能的实现方式中,可预设有随机的第一噪声信息,根据该第一噪声信息为第一事件特征添加额外的噪声通道。将添加噪声通道后的第一事件特征输入细节增强网络中进行细节增强,得到第二事件特征。该细节增强网络可例如为残差网络,包括卷积层及多个残差层。本公开对第一噪声信息的获取方式及细节增强网络的具体网络结构不作限制。
在一种可能的实现方式中,可将第一事件特征与第二事件特征进行融合,例如叠加,得到融合特征;将融合特征输入反卷积神经网络中进行图像重建,得到该目标场景的重建图像。
通过这种方式,可以增强第一事件特征中的细节信息,进一步提高重建图像的质量。
在一种可能的实现方式中,根据本公开实施例的图像重建方法可通过图像处理网络实现,该图像处理网络至少包括第一特征提取网络及图像重建网络,第一特征提取网络用于对所述事件信息进行特征提取,例如为卷积神经网络;图像重建网络用于对所述第一事件特征进行图像重建,例如为反卷积神经网络。
应当理解,图像处理网络可以采用其他类型的网络或模型,本领域技术人员可根据实际情况设置,本公开对此不作限制。
在应用该图像处理网络之前,可对该图像处理网络进行训练。
在一种可能的实现方式中,根据本公开实施例的图像重建方法还包括:根据预设的训练集训练所述图像处理网络,所述训练集包括多个第一样本场景的第一样本事件信息,多个第二样本场景的第二样本事件信息及样本场景图像,
其中,所述第一样本事件信息是在第三亮度范围内获取的,所述第二样本事件信息是在第四亮度范围内获取的,所述样本场景图像是在所述第四亮度范围内获取的,所述第四亮度范围高于所述第三亮度范围。
举例来说,可预先设定有训练集,训练集中包括多个样本场景,例如建筑、风景、人物、车辆等场景。样本场景可分为暗光场景(可称为第一样本场景)和正常光照的场景(可称为第二样本场景)。每个第一样本场景包括第一样本事件信息;每个第二样本场景包括第二样本事件信息及样本场景图像。第一样本场景和第二样本场景可以为相同或不同的场景,本公开对此不作限制。
在一种可能的实现方式中,在第一样本场景处于与暗光条件相对应的第三亮度范围时,可通过事件采集设备(例如事件相机)获取第一样本场景的亮度变化,得到第一样本事件信息,以便作为图像处理网络的输入。该第一样本事件信息包括表示该第一样本场景的整体结构的信息。第三亮度范围可与前述的第一亮度范围相同或不同,本公开对此不作限制。
暗光条件下的该第一样本事件信息包括表示该第一样本场景的整体结构的信息,但缺少强度信息(也即图像的亮度信息)。在该情况下,可引入正常光照条件下的第二样本场景的事件信息(可称为第二样本事件信息),以便通过图像处理网络学习该第二样本事件信息中的强度信息。
在一种可能的实现方式中,在第二样本场景处于与正常光照条件相对应的第四亮度范围时,可通过事件采集设备获取第二样本场景的亮度变化,得到第二样本事件信息。第四亮度范围高于第三亮度范围。其中,第四亮度范围可与前述的第二亮度范围相同或不同,本公开对此不作限制。
其中,第一样本场景的第一样本事件信息和第二样本场景的第二样本事件信息的获取方式可与目标场景的事件信息的获取方式相似,此处不再重复描述。
此外,对于处于暗光条件下的第一样本场景,通过图像采集设备采集的目标场景的图像质量较差,无法作为监督信息。在该情况下,可引入正常光照条件下的第二样本场景的样本场景图像,作为图像处理网络的监督信息。可通过图像采集设备(例如摄像头)在与正常光照条件相对应第四亮度范围内获取该样本场景图像。
通过这种方式,可以提高图像处理网络的训练效果。
在一种可能的实现方式中,所述图像处理网络还包括鉴别网络,所述根据预设的训练集训练所述图像处理网络的步骤,包括:
将所述第一样本场景的第一样本事件信息和所述第二样本场景的第二样本事件信息分别输入所述第一特征提取网络,得到第一样本事件特征和第二样本事件特征;
将所述第一样本事件特征和所述第二样本事件特征分别输入所述鉴别网络,得到第一鉴别结果和第二鉴别结果;
根据所述第一鉴别结果及所述第二鉴别结果,对抗训练所述图像处理网络。
举例来说,图像处理网络中的鉴别网络用于对第一特征提取网络的输出结果进行鉴别。也就是说,可通过对抗训练的方式训练第一特征提取网络,以使第一特征提取网络学习到暗光条件下的第一样本事件信息和正常光照条件下的第二样本事件信息之间共同分布信息。
在一种可能的实现方式中,可将第一样本场景的第一样本事件信息和第二样本场景的第二样本事件信息分别输入到第一特征提取网络中处理,输出第一样本事件特征和第二样本事件特征;将第一样本事件特征和第二样本事件特征分别输入鉴别网络,得到第一鉴别结果和第二鉴别结果;根据第一鉴别结果和第二鉴别结果,对抗训练所述图像处理网络。
在对抗训练过程中,第一特征提取网络试图混淆第一样本事件特征和第二样本事件特征,鉴别网络试图区分第一样本事件特征和第二样本事件特征,两者相互对抗,相互促进。
这样,可强制第一特征提取网络提取出正常光照条件下的特征域与暗光条件下的特征域之间的公共分布域,使得暗光条件下的第一样本事件特征具有正常光照条件下的事件信息的分布特点,正常光照条件下的第二样本事件特征具有暗光条件下的事件信息的分布特点。也即,通过域自适应的方式,使得第一特征提取网络同时适用于两种不同分布的数据的特征提取。本公开对对抗训练的损失函数的选取不作限制。
通过这种方式,可以使得第一特征提取网络能够更好地提取暗光下的事件特征,提高第一特征提取网络的精度,以便利用暗光下的事件信息实现高质量的图像重建。
在一种可能的实现方式中,所述根据预设的训练集训练所述图像处理网络的步骤,还包括:
将所述第二样本事件特征输入所述图像重建网络,得到所述第二样本场景的第一重建图像;
根据所述第二样本场景的第一重建图像及所述样本场景图像,训练所述图像处理网络。
举例来说,在对抗训练后,第一特征提取网络提取出的第二样本事件特征,具有暗光条件下的事件信息的分布特点,并且,相应的第二样本事件信息具有监督信息(也即,正常光照条件下的样本场景图像)。
在一种可能的实现方式中,可将该第二样本事件特征输入图像重建网络中处理,输出第二样本场景的第一重建图像;根据第二样本场景的第一重建图像及样本场景图像之间的差异,可确定第一特征提取网络及图像重建网络的网络损失,例如L1损失;进而,可根据该网络损失反向调整第一特征提取网络及图像重建网络的网络参数,实现第一特征提取网络及图像重建网络的训练。
在实际训练过程中,可进行交替训练。也即,在每轮迭代过程中,根据对抗网络损失,反向调整鉴别网络的网络参数。再根据第一特征提取网络及图像重建网络的网络损失,反向调整第一特征提取网络及图像重建网络的网络参数,本次训练中仍然会得到鉴别网络的输出作为指导信息,但不更新鉴别网络的参数。这样,经过多轮迭代,在满足训练条件(例如网络收敛)的情况下,可得到训练后的图像处理网络。
通过这种方式,可以实现整个图像处理网络的训练过程,得到高精度的图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括第二特征提取网络,所述根据预设的训练集训练所述图像处理网络的步骤,还包括:
将所述第二样本场景的第二样本事件信息及第二噪声信息输入所述第二特征提取网络,得到第三样本事件特征;
将所述第二样本事件特征与所述第三样本事件特征融合,得到第一样本融合特征;
将所述第一样本融合特征输入所述鉴别网络,得到第三鉴别结果;
根据所述第一鉴别结果及所述第三鉴别结果,对抗训练所述图像处理网络。
举例来说,暗光条件下的第一样本事件信息可能存在一定的噪声干扰,而正常光照条件下的第二样本事件信息中的噪声较低。在该情况下,可为第二样本事件信息引入额外的噪声通道,以便提高网络的泛化性。
在一种可能的实现方式中,图像处理网络还包括第二特征提取网络,例如为卷积图像处理网络,包括多个卷积层及多个残差层,本公开对第二特征提取网络的网络结构不作限制。
在一种可能的实现方式中,可预设有随机的第二噪声信息,根据该第二噪声信息为第二样本事件信息添加噪声通道。将添加噪声通道后的第二样本事件信息输入第二特征提取网络中进行特征提取,输出第三样本事件特征;将所述第二样本事件特征与所述第三样本事件特征融合,得到第一样本融合特征。这样,可实现第二样本事件特征的特征强化。
在一种可能的实现方式中,将第一样本融合特征输入鉴别网络,可得到第三鉴别结果;进而,根据第一鉴别结果及所述第三鉴别结果,对抗训练所述图像处理网络。对抗训练的具体过程不再重复描述。
通过这种方式,可进一步提高第一特征提取网络的精度。
在一种可能的实现方式中,所述图像处理网络还包括第二特征提取网络,所述根据预设的训练集训练所述图像处理网络的步骤,还包括:
将所述第一样本融合特征输入所述图像重建网络,得到所述第二样本场景的第二重建图像;
根据所述第二样本场景的第二重建图像及所述样本场景图像,训练所述图像处理网络。
举例来说,在对抗训练后,第一特征提取网络及第二特征提取网络提取出的第一样本融合特征,具有暗光条件下的事件信息的分布特点,并且,相应的第二样本事件信息具有监督信息(也即,正常光照条件下的样本场景图像)。
在一种可能的实现方式中,可将该第一样本融合特征输入图像重建网络中处理,输出第二样本场景的第二重建图像;根据第二样本场景的第二重建图像及样本场景图像之间的差异,可确定第一特征提取网络、第二特征提取网络及图像重建网络的网络损失,例如L1损失;进而,可根据该网络损失反向调整第一特征提取网络、第二特征提取网络及图像重建网络的网络参数,实现第一特征提取网络、第二特征提取网络及图像重建网络的训练。
在实际训练过程中,同样可进行交替训练。也即,在每轮迭代过程中,根据对抗网络损失,反向调整鉴别网络的网络参数;再根据第一特征提取网络、第二特征提取网络及图像重建网络的网络损失,反向调整第一特征提取网络、第二特征提取网络及图像重建网络的网络参数,本次训练中仍然会得到鉴别网络的输出作为指导信息,但不更新鉴别网络的参数。这样,经过多轮迭代,在满足训练条件(例如网络收敛)的情况下,可得到训练后的图像处理网络。
通过这种方式,可以实现整个图像处理网络的训练过程,得到高精度的图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述根据预设的训练集训练所述图像处理网络的步骤,还可包括:
将所述第二样本事件特征及第三噪声信息输入所述细节增强网络,得到第四样本事件特征;
将所述第二样本事件特征与所述第四样本事件特征融合,得到第二样本融合特征;
将所述第二样本融合特征输入所述图像重建网络,得到所述第二样本场景的第三重建图像;
根据所述第二样本场景的第一重建图像、所述第三重建图像及所述样本场景图像,训练所述图像处理网络。
举例来说,可引入细节增强网络对事件特征进行细节增强,以便恢复更多的图像细节信息(例如局部的结构信息)。细节增强网络可例如为残差网络,包括卷积层及多个残差层,本公开对细节增强网络的网络结构不作限制。
在一种可能的实现方式中,在未引入第二特征提取网络的情况下,可直接使用第二样本事件特征进行细节增强。可将预设有随机的第三噪声信息,根据该第三噪声信息为第二样本事件特征添加噪声通道。将添加噪声通道后的第二样本事件特征输入细节增强网络中处理,得到第四样本事件特征;将第二样本事件特征与第四样本事件特征融合,得到第二样本融合特征;将所述第二样本融合特征输入所述图像重建网络,得到所述第二样本场景的第三重建图像。
在一种可能的实现方式中,根据所述样本场景的第一重建图像、所述第三重建图像及所述样本场景图像,训练所述图像处理网络。
其中,根据第三重建图像与样本场景图像之间的差异,可确定第一特征提取网络、细节增强网络及图像重建网络的第一损失;根据第三重建图像与样本场景图像之间的差异,以及第一重建图像与样本场景图像之间的差异,可确定第一特征提取网络、细节增强网络及图像重建网络的第二损失。该第二损失可保证引入细节增强后的第三重建图像的质量优于未引入细节增强时的第一重建图像的质量,保证细节增强网络能起到预期的作用。
在一种可能的实现方式中,可根据第一损失和第二损失确定第一特征提取网络、细节增强网络及图像重建网络的总体损失,例如将第一损失与第二损失的加权和确定为总体损失;进而,可根据该总体损失反向调整第一特征提取网络、细节增强网络及图像重建网络的网络参数,实现第一特征提取网络、细节增强网络及图像重建网络的训练。
在实际训练过程中,同样可进行交替训练。也即在每轮迭代过程中,对抗训练鉴别网络;再训练第一特征提取网络、细节增强网络及图像重建网络,鉴别网络的输出作为指导信息,但不更新鉴别网络的参数。经过多轮迭代,在满足训练条件(例如网络收敛)的情况下,可得到训练后的图像处理网络。
通过这种方式,可以实现重建图像的细节增强,进一步提高训练后的图像处理网络得到的重建图像的质量。
在一种可能的实现方式中,所述根据预设的训练集训练所述图像处理网络的步骤,还可包括:
将所述第一样本融合特征及第四噪声信息输入所述细节增强网络,得到第五样本事件特征;
将所述第一样本融合特征与所述第五样本事件特征融合,得到第三样本融合特征;
将所述第三样本融合特征输入所述图像重建网络,得到所述第二样本场景的第四重建图像;
根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络。
举例来说,在已引入第二特征提取网络的情况下,可使用第一样本融合特征进行细节增强。可将预设有随机的第四噪声信息,根据该第四噪声信息为第一样本融合特征添加噪声通道。将添加噪声通道后的第一样本融合特征输入细节增强网络中处理,得到第五样本事件特征;将第一样本融合特征与第五样本事件特征融合,得到第三样本融合特征;将所述第三样本融合特征输入所述图像重建网络,得到所述第二样本场景的第四重建图像。
在一种可能的实现方式中,根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练图像处理网络。该步骤可包括:
根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,确定所述图像处理网络的总体损失;
根据所述总体损失,确定所述图像处理网络的梯度信息;
根据所述梯度信息,调整所述第一特征提取网络、所述第二特征提取网络、所述细节增强网络及所述图像重建网络的网络参数,
其中,所述细节增强网络的梯度信息不传递到所述第二特征提取网络。
举例来说,根据第四重建图像与样本场景图像之间的差异,可确定第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络的第三损失;根据第四重建图像与样本场景图像之间的差异,以及第二重建图像与样本场景图像之间的差异,可确定第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络的第四损失。该第四损失可保证引入细节增强后的第四重建图像的质量优于未引入细节增强时的第二重建图像的质量,保证细节增强网络能起到预期的作用。
在一种可能的实现方式中,可根据第三损失和第四损失确定第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络的总体损失,例如将第三损失与第四损失的加权和确定为总体损失;根据该总体损失,可确定第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络的梯度信息,进而,可在第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络中反向传递该梯度信息,从而调整第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络的网络参数,实现第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络的训练。
在一种可能的实现方式中,由于第二特征提取网络与细节增强网络的输入均添加了噪声通道,因此,为了避免在早期训练阶段影响学习效果,在反向传递梯度信息时,细节增强网络与第二特征提取网络之间停止梯度传递(stop gradient),从而避免细节增强网络与第二特征提取网络之间的相互干扰,有效地消除信息流中的循环,避免模式崩溃。
在实际训练过程中,同样可进行交替训练。也即在每轮迭代过程中,对抗训练鉴别网络。再训练第一特征提取网络、第二特征提取网络、细节增强网络及图像重建网络,鉴别网络的输出作为指导信息,但不更新鉴别网络的参数。经过多轮迭代,在满足训练条件(例如网络收敛)的情况下,可得到训练后的图像处理网络。
通过这种方式,可以实现重建图像的细节增强,进一步提高训练后的图像处理网络得到的重建图像的质量。
图2示出根据本公开实施例的图像重建方法的网络训练的处理过程的示意图。如图2所示,根据本公开实施例的图像处理网络包括第一特征提取网络EC、第二特征提取网络EP、鉴别网络D、细节增强网络Te及图像重建网络R。
在示例中,对于任意一组第一样本场景和第二样本场景,可将暗光条件下的第一样本事件信息21输入第一特征提取网络EC中处理,输出第一样本事件特征XLE;将正常光照条件下的第二样本事件信息22输入参数共享的第一特征提取网络EC中处理,输出第二样本事件特征XC;对正常光照条件下的第二样本事件信息22添加噪声信息23后,输入参数不共享的第二特征提取网络EP中处理,输出第三样本事件特征Xp;将第二样本事件特征XC与第三样本事件特征Xp进行叠加,得到第一样本融合特征XDE;将第一样本事件特征XLE和第一样本融合特征XDE分别输入鉴别网络D中进行鉴别,得到各自的鉴别结果(未示出)。
在示例中,根据鉴别结果对抗训练鉴别网络D。网络损失LD表示如下:
在示例中,将第一样本融合特征XDE输入图像重建网络R中,输出第二重建图像同时,对第一样本融合特征XDE添加噪声信息24后,输入细节增强网络Te中,输出第五样本事件特征Δy;将第一样本融合特征XDE与第五样本事件特征Δy融合后,输入图像重建网络R中,输出第四重建图像
在示例中,根据第二重建图像第四重建图像及所述样本场景图像yg(未示出),可确定第一特征提取网络EC、第二特征提取网络EP、细节增强网络Te及图像重建网络R的总体损失LR(也可称为重建损失),表示如下:
公式(4)中,表示亮度重建损失,可以为第四重建图像与所述样本场景图像yg之间的L1损失,以及第二重建图像与所述样本场景图像yg之间的L1损失的和。Lt(Δy,Xp)表示细节增强网络的残差损失,可以为Δy与-Xp之间的L1损失(表示为‖Δy-(-Xp)‖1)。表示排名损失,可以为第四重建图像与所述样本场景图像yg之间的L1损失,以及第二重建图像与所述样本场景图像yg之间的L1损失的差。β和γ表示超参数项,本领域技术人员可根据实际情况设置。
其中,LR的第一项用于确保网络能够恢复出正确的图像,第二项用于保证细节增强网络的精度,第三项用于保证网络在引入细节增强网络Te后的重构效果更好,使得细节增强网络Te能真正地起到细节增强的作用。
在示例中,根据本公开实施例的图像处理网络的总体优化目标可表示如下:
公式(5)中,分别表示用于第一特征提取网络EC、第二特征提取网络EP、图像重建网络R及细节增强网络Te的参数;θD表示鉴别网络D的参数;α是相应的超参数权重,本领域技术人员可根据实际情况设置。根据本公开实施例,可使用对抗式训练交替优化这两类参数,可例如采用随机批处理梯度下降的方式进行训练,本公开对此不作限制。经训练后,可得到高精度的图像处理网络。
根据本公开实施例的图像重建方法,通过将域自适应方法与事件相机结合,利用暗光条件下的事件信息进行图像重建,得到正常光照条件下的高质量图像,提高了图像重建的效果。该方法在训练过程中无需暗光下强度图像进行监督训练,实现了无监督的网络框架,降低了数据集构建难度。该方法通过细节增强网络对事件特征中的暗光分布域进行增强,降低其中的噪声干扰、增强局部细节,提高了图像重建的效果以及训练效果。
根据本公开实施例的图像重建方法的网络框架,不依赖于事件信息,也适用于其它基于域自适应方法的任务,比如图像风格变换、语义分割域自适应等。只需更改相应的输入数据并将图像重构网络替换成各自任务对应的网络结构即可。
根据本公开实施例的图像重建方法,可应用于图像拍摄、图像处理、人脸识别、安防监控等领域,实现暗光条件下的图像重建。
例如,采用相关技术的电子设备(例如智能手机)的拍摄系统以强度相机为基础,在暗光条件下无法成像,使用闪光灯作为辅助进行拍照或录制视频会带来极大的能耗提升,而且闪光灯的刺眼光芒对于场景中的人来说很不友好。高动态的事件相机不需要额外的光源辅助,而且能耗很低。可设置事件相机获取暗光条件下的事件信息,通过本公开实施例的图像重建方法,根据该事件信息生成清晰图像,从而实现暗光条件下的图像拍摄。
例如,本公开实施例的图像重建方法,可作为多种图像处理算法的上游算法。如人脸识别、物体检测、语义分割等图像处理任务在暗光条件下都会因无法获取高质量强度图像而失效。该图像重建方法能够通过暗光条件下的事件信息,重构出暗光下的强度图像,使得以上算法可以继续应用。
例如,城市的安防监控领域应用了大量的强度相机摄像头,阴影区域和暗光条件下会有很多死角无法清晰监控。可设置事件相机获取暗光条件下的事件信息,通过本公开实施例的图像重建方法,根据事件信息生成清晰的图像,从而提高安防监控的效果,保障城市安全。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像重建装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像重建方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图3示出根据本公开实施例的图像重建装置的框图,如图3所示,所述装置包括:
事件获取模块31,用于获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;
特征提取模块32,用于对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;
图像重建模块33,用于对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。
在一种可能的实现方式中,所述图像重建模块包括:细节增强子模块,用于根据第一噪声信息及所述第一事件特征,对所述第一事件特征进行细节增强,得到第二事件特征;融合子模块,用于将所述第一事件特征与所述第二事件特征融合,得到融合特征;重建子模块,用于对所述融合特征进行图像重建,得到所述目标场景的重建图像。
在一种可能的实现方式中,所述装置通过图像处理网络实现,所述图像处理网络包括第一特征提取网络及图像重建网络,所述第一特征提取网络用于对所述事件信息进行特征提取,所述图像重建网络用于对所述第一事件特征进行图像重建,所述装置还包括:
训练模块,用于根据预设的训练集训练所述图像处理网络,所述训练集包括多个第一样本场景的第一样本事件信息,多个第二样本场景的第二样本事件信息及样本场景图像;其中,所述第一样本事件信息是在第三亮度范围内获取的,所述第二样本事件信息是在第四亮度范围内获取的,所述样本场景图像是在所述第四亮度范围内获取的,所述第四亮度范围高于所述第三亮度范围。
在一种可能的实现方式中,所述图像处理网络还包括鉴别网络,所述训练模块包括:第一提取子模块,用于将所述第一样本场景的第一样本事件信息和所述第二样本场景的第二样本事件信息分别输入所述第一特征提取网络,得到第一样本事件特征和第二样本事件特征;第一鉴别子模块,用于将所述第一样本事件特征和所述第二样本事件特征分别输入所述鉴别网络,得到第一鉴别结果和第二鉴别结果;第一对抗训练子模块,用于根据所述第一鉴别结果及所述第二鉴别结果,对抗训练所述图像处理网络。
在一种可能的实现方式中,所述训练模块还包括:第一重建子模块,用于将所述第二样本事件特征输入所述图像重建网络,得到所述第二样本场景的第一重建图像;第一训练子模块,用于根据所述第二样本场景的第一重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述训练模块还包括:第一增强子模块,用于将所述第二样本事件特征及第三噪声信息输入所述细节增强网络,得到第四样本事件特征;第一融合子模块,用于将所述第二样本事件特征与所述第四样本事件特征融合,得到第二样本融合特征;第二重建子模块,用于将所述第二样本融合特征输入所述图像重建网络,得到所述第二样本场景的第三重建图像;第二训练子模块,用于根据所述第二样本场景的第一重建图像、所述第三重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括第二特征提取网络,所述训练模块还包括:第二提取子模块,用于将所述第二样本场景的第二样本事件信息及第二噪声信息输入所述第二特征提取网络,得到第三样本事件特征;第二融合子模块,用于将所述第二样本事件特征与所述第三样本事件特征融合,得到第一样本融合特征;第二鉴别子模块,用于将所述第一样本融合特征输入所述鉴别网络,得到第三鉴别结果;第二对抗训练子模块,用于根据所述第一鉴别结果及所述第三鉴别结果,对抗训练所述图像处理网络。
在一种可能的实现方式中,所述训练模块还包括:第三重建子模块,用于将所述第一样本融合特征输入所述图像重建网络,得到所述第二样本场景的第二重建图像;第三训练子模块,用于根据所述第二样本场景的第二重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述图像处理网络还包括细节增强网络,所述训练模块还包括:第二增强子模块,用于将所述第一样本融合特征及第四噪声信息输入所述细节增强网络,得到第五样本事件特征;第三融合子模块,用于将所述第一样本融合特征与所述第五样本事件特征融合,得到第三样本融合特征;第四重建子模块,用于将所述第三样本融合特征输入所述图像重建网络,得到所述第二样本场景的第四重建图像;第四训练子模块,用于根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络。
在一种可能的实现方式中,所述第四训练子模块用于:根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,确定所述图像处理网络的总体损失;根据所述总体损失,确定所述图像处理网络的梯度信息;根据所述梯度信息,调整所述第一特征提取网络、所述第二特征提取网络、所述细节增强网络及所述图像重建网络的网络参数,其中,所述细节增强网络的梯度信息不传递到所述第二特征提取网络。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像重建方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像重建方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种图像重建方法,其特征在于,包括:
获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;
对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;
对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。
2.根据权利要求1所述的方法,其特征在于,对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,包括:
根据第一噪声信息及所述第一事件特征,对所述第一事件特征进行细节增强,得到第二事件特征;
将所述第一事件特征与所述第二事件特征融合,得到融合特征;
对所述融合特征进行图像重建,得到所述目标场景的重建图像。
3.根据权利要求1或2所述的方法,其特征在于,所述方法通过图像处理网络实现,所述图像处理网络包括第一特征提取网络及图像重建网络,所述第一特征提取网络用于对所述事件信息进行特征提取,所述图像重建网络用于对所述第一事件特征进行图像重建,
所述方法还包括:根据预设的训练集训练所述图像处理网络,所述训练集包括多个第一样本场景的第一样本事件信息,多个第二样本场景的第二样本事件信息及样本场景图像;
其中,所述第一样本事件信息是在第三亮度范围内获取的,所述第二样本事件信息是在第四亮度范围内获取的,所述样本场景图像是在所述第四亮度范围内获取的,所述第四亮度范围高于所述第三亮度范围。
4.根据权利要求3所述的方法,其特征在于,所述图像处理网络还包括鉴别网络,所述根据预设的训练集训练所述图像处理网络,包括:
将所述第一样本场景的第一样本事件信息和所述第二样本场景的第二样本事件信息分别输入所述第一特征提取网络,得到第一样本事件特征和第二样本事件特征;
将所述第一样本事件特征和所述第二样本事件特征分别输入所述鉴别网络,得到第一鉴别结果和第二鉴别结果;
根据所述第一鉴别结果及所述第二鉴别结果,对抗训练所述图像处理网络。
5.根据权利要求4所述的方法,其特征在于,所述根据预设的训练集训练所述图像处理网络,还包括:
将所述第二样本事件特征输入所述图像重建网络,得到所述第二样本场景的第一重建图像;
根据所述第二样本场景的第一重建图像及所述样本场景图像,训练所述图像处理网络。
6.根据权利要求5所述的方法,其特征在于,所述图像处理网络还包括细节增强网络,所述根据预设的训练集训练所述图像处理网络,还包括:
将所述第二样本事件特征及第三噪声信息输入所述细节增强网络,得到第四样本事件特征;
将所述第二样本事件特征与所述第四样本事件特征融合,得到第二样本融合特征;
将所述第二样本融合特征输入所述图像重建网络,得到所述第二样本场景的第三重建图像;
根据所述第二样本场景的第一重建图像、所述第三重建图像及所述样本场景图像,训练所述图像处理网络。
7.根据权利要求4所述的方法,其特征在于,所述图像处理网络还包括第二特征提取网络,所述根据预设的训练集训练所述图像处理网络,还包括:
将所述第二样本场景的第二样本事件信息及第二噪声信息输入所述第二特征提取网络,得到第三样本事件特征;
将所述第二样本事件特征与所述第三样本事件特征融合,得到第一样本融合特征;
将所述第一样本融合特征输入所述鉴别网络,得到第三鉴别结果;
根据所述第一鉴别结果及所述第三鉴别结果,对抗训练所述图像处理网络。
8.根据权利要求7所述的方法,其特征在于,所述根据预设的训练集训练所述图像处理网络,还包括:
将所述第一样本融合特征输入所述图像重建网络,得到所述第二样本场景的第二重建图像;
根据所述第二样本场景的第二重建图像及所述样本场景图像,训练所述图像处理网络。
9.根据权利要求8所述的方法,其特征在于,所述图像处理网络还包括细节增强网络,所述根据预设的训练集训练所述图像处理网络,还包括:
将所述第一样本融合特征及第四噪声信息输入所述细节增强网络,得到第五样本事件特征;
将所述第一样本融合特征与所述第五样本事件特征融合,得到第三样本融合特征;
将所述第三样本融合特征输入所述图像重建网络,得到所述第二样本场景的第四重建图像;
根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络。
10.根据权利要求9所述的方法,其特征在于,所述根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,训练所述图像处理网络,包括:
根据所述第二样本场景的第二重建图像、所述第四重建图像及所述样本场景图像,确定所述图像处理网络的总体损失;
根据所述总体损失,确定所述图像处理网络的梯度信息;
根据所述梯度信息,调整所述第一特征提取网络、所述第二特征提取网络、所述细节增强网络及所述图像重建网络的网络参数,
其中,所述细节增强网络的梯度信息不传递到所述第二特征提取网络。
11.一种图像重建装置,其特征在于,包括:
事件获取模块,用于获取目标场景的事件信息,所述事件信息用于表示所述目标场景在第一亮度范围内的亮度变化;
特征提取模块,用于对所述事件信息进行特征提取,得到所述目标场景的第一事件特征;
图像重建模块,用于对所述第一事件特征进行图像重建,得到所述目标场景的重建图像,所述重建图像的亮度处于第二亮度范围内,所述第二亮度范围高于所述第一亮度范围。
12.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243153.4A CN111462268B (zh) | 2020-03-31 | 2020-03-31 | 图像重建方法及装置、电子设备和存储介质 |
PCT/CN2020/094631 WO2021196401A1 (zh) | 2020-03-31 | 2020-06-05 | 图像重建方法及装置、电子设备和存储介质 |
TW109125062A TWI765304B (zh) | 2020-03-31 | 2020-07-24 | 圖像重建方法及圖像重建裝置、電子設備和電腦可讀儲存媒體 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243153.4A CN111462268B (zh) | 2020-03-31 | 2020-03-31 | 图像重建方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462268A true CN111462268A (zh) | 2020-07-28 |
CN111462268B CN111462268B (zh) | 2022-11-11 |
Family
ID=71682204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010243153.4A Active CN111462268B (zh) | 2020-03-31 | 2020-03-31 | 图像重建方法及装置、电子设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111462268B (zh) |
TW (1) | TWI765304B (zh) |
WO (1) | WO2021196401A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668557A (zh) * | 2021-01-29 | 2021-04-16 | 南通大学 | 一种行人再识别系统中防御图像噪声攻击的方法 |
CN112712170A (zh) * | 2021-01-08 | 2021-04-27 | 西安交通大学 | 基于输入加权脉冲神经网络的神经形态视觉目标分类系统 |
CN112785672A (zh) * | 2021-01-19 | 2021-05-11 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112950497A (zh) * | 2021-02-22 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113506320A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506229A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 神经网络训练和图像生成方法及装置 |
CN113506325A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113837938A (zh) * | 2021-07-28 | 2021-12-24 | 北京大学 | 基于动态视觉传感器重建潜在图像的超分辨率方法 |
CN114205646A (zh) * | 2020-09-18 | 2022-03-18 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN115578295A (zh) * | 2022-11-17 | 2023-01-06 | 中国科学技术大学 | 一种视频去雨方法、系统、设备及存储介质 |
CN116456183A (zh) * | 2023-04-20 | 2023-07-18 | 北京大学 | 一种事件相机引导下的高动态范围视频生成方法及系统 |
WO2024061269A1 (zh) * | 2022-09-21 | 2024-03-28 | 华为技术有限公司 | 一种三维重建方法及相关装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869449A (zh) * | 2021-10-11 | 2021-12-31 | 北京百度网讯科技有限公司 | 一种模型训练、图像处理方法、装置、设备及存储介质 |
CN114881921B (zh) * | 2022-03-23 | 2024-08-16 | 清华大学 | 基于事件及视频融合的去遮挡成像方法及装置 |
CN114648478A (zh) * | 2022-03-29 | 2022-06-21 | 北京小米移动软件有限公司 | 图像处理方法、装置、芯片、电子设备和存储介质 |
CN114663842B (zh) * | 2022-05-25 | 2022-09-09 | 深圳比特微电子科技有限公司 | 图像融合处理方法、装置、电子设备及存储介质 |
CN117576522B (zh) * | 2024-01-18 | 2024-04-26 | 之江实验室 | 一种基于拟态结构动态防御的模型训练方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101680602B1 (ko) * | 2015-06-03 | 2016-11-29 | 한국생산기술연구원 | 3차원 내부 영상 복원 시스템, 3차원 내부 영상 복원 장치, 3차원 내부 영상 복원 방법 및 기록 매체 |
CN107395983A (zh) * | 2017-08-24 | 2017-11-24 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
US20180137673A1 (en) * | 2016-11-14 | 2018-05-17 | Samsung Electronics Co., Ltd. | Method and device for processing dvs events |
CN108154474A (zh) * | 2017-12-22 | 2018-06-12 | 浙江大华技术股份有限公司 | 一种超分辨率图像重构方法、装置、介质及设备 |
CN108182670A (zh) * | 2018-01-15 | 2018-06-19 | 清华大学 | 一种事件图像的分辨率增强方法及系统 |
CN109118430A (zh) * | 2018-08-24 | 2019-01-01 | 深圳市商汤科技有限公司 | 超分辨率图像重建方法及装置、电子设备及存储介质 |
CN109685746A (zh) * | 2019-01-04 | 2019-04-26 | Oppo广东移动通信有限公司 | 图像亮度调整方法、装置、存储介质及终端 |
CN109791696A (zh) * | 2016-08-24 | 2019-05-21 | 苏黎世大学 | 利用事件摄像机同时进行定位和映射 |
CN109801214A (zh) * | 2018-05-29 | 2019-05-24 | 京东方科技集团股份有限公司 | 图像重构装置及方法、设备、计算机可读存储介质 |
CN109859144A (zh) * | 2019-02-22 | 2019-06-07 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110070498A (zh) * | 2019-03-12 | 2019-07-30 | 浙江工业大学 | 一种基于卷积自编码器的图像增强方法 |
KR20190105769A (ko) * | 2018-03-06 | 2019-09-18 | 한국과학기술원 | 딥 러닝을 이용한 양안기반 초해상 이미징 방법 및 그 장치 |
CN110533097A (zh) * | 2019-08-27 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置、电子设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4424518B2 (ja) * | 2007-03-27 | 2010-03-03 | セイコーエプソン株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
TWI369122B (en) * | 2008-12-03 | 2012-07-21 | Altek Corp | Method for improving image resolution |
TWI401963B (zh) * | 2009-06-25 | 2013-07-11 | Pixart Imaging Inc | Dynamic image compression method for face detection |
US20110085729A1 (en) * | 2009-10-12 | 2011-04-14 | Miaohong Shi | De-noising method and related apparatus for image sensor |
US10171787B2 (en) * | 2013-07-12 | 2019-01-01 | Sony Corporation | Reproduction device, reproduction method, and recording medium for displaying graphics having appropriate brightness |
EP3046319A1 (en) * | 2015-01-19 | 2016-07-20 | Thomson Licensing | Method for generating an HDR image of a scene based on a tradeoff between brightness distribution and motion |
CN109087269B (zh) * | 2018-08-21 | 2020-08-04 | 厦门美图之家科技有限公司 | 弱光图像增强方法及装置 |
CN109977876A (zh) * | 2019-03-28 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算设备、系统和存储介质 |
CN109981991A (zh) * | 2019-04-17 | 2019-07-05 | 北京旷视科技有限公司 | 模型训练方法、图像处理方法、装置、介质和电子设备 |
CN110769196A (zh) * | 2019-10-17 | 2020-02-07 | 天津大学 | 一种用于非连续监控路段的视频预测方法 |
-
2020
- 2020-03-31 CN CN202010243153.4A patent/CN111462268B/zh active Active
- 2020-06-05 WO PCT/CN2020/094631 patent/WO2021196401A1/zh active Application Filing
- 2020-07-24 TW TW109125062A patent/TWI765304B/zh active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101680602B1 (ko) * | 2015-06-03 | 2016-11-29 | 한국생산기술연구원 | 3차원 내부 영상 복원 시스템, 3차원 내부 영상 복원 장치, 3차원 내부 영상 복원 방법 및 기록 매체 |
CN109791696A (zh) * | 2016-08-24 | 2019-05-21 | 苏黎世大学 | 利用事件摄像机同时进行定位和映射 |
US20180137673A1 (en) * | 2016-11-14 | 2018-05-17 | Samsung Electronics Co., Ltd. | Method and device for processing dvs events |
CN107395983A (zh) * | 2017-08-24 | 2017-11-24 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端及计算机可读存储介质 |
CN108154474A (zh) * | 2017-12-22 | 2018-06-12 | 浙江大华技术股份有限公司 | 一种超分辨率图像重构方法、装置、介质及设备 |
CN108182670A (zh) * | 2018-01-15 | 2018-06-19 | 清华大学 | 一种事件图像的分辨率增强方法及系统 |
KR20190105769A (ko) * | 2018-03-06 | 2019-09-18 | 한국과학기술원 | 딥 러닝을 이용한 양안기반 초해상 이미징 방법 및 그 장치 |
CN109801214A (zh) * | 2018-05-29 | 2019-05-24 | 京东方科技集团股份有限公司 | 图像重构装置及方法、设备、计算机可读存储介质 |
CN109118430A (zh) * | 2018-08-24 | 2019-01-01 | 深圳市商汤科技有限公司 | 超分辨率图像重建方法及装置、电子设备及存储介质 |
CN109685746A (zh) * | 2019-01-04 | 2019-04-26 | Oppo广东移动通信有限公司 | 图像亮度调整方法、装置、存储介质及终端 |
CN109859144A (zh) * | 2019-02-22 | 2019-06-07 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110070498A (zh) * | 2019-03-12 | 2019-07-30 | 浙江工业大学 | 一种基于卷积自编码器的图像增强方法 |
CN110533097A (zh) * | 2019-08-27 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
HENRI REBECQ ET AL.: "Events-To-Video: Bringing Modern Computer Vision to Event Cameras", 《IEEE》 * |
HONG W ET AL.: "Conditional generative adversarial network for structured domain adaptation", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECONGNITION(VNPR)》 * |
JIANG ZHE: "Dark Photo Reconstruction by Event Camera", 《2019 INTERNATION CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION(ICVRV)》 * |
LIN WANG ET AL.: "Event-Based High Dynamic Range Image and Very High Frame Rate Video Generation Using Conditional Generative Adversarial Networks", 《IEEE》 * |
WANG LQ ET AL.: "A Deep Convolutional Neural Network-based Low-light Image Enhancement Using Illumination Map", 《11TH INTERNATIONAL CONFERENCE ON GRAPHICS AND IMAGE PROCESSING (ICGIP)》 * |
YIXI YANG ET AL.: "An Effective Network with ConvLSTM for Low-Light Image Enhancement", 《PATTERN RECOGNITION AND COMPUTER VISION》 * |
秦瑜: "基于卷积神经网络的低照度图像去噪与增强研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205646A (zh) * | 2020-09-18 | 2022-03-18 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114205646B (zh) * | 2020-09-18 | 2024-03-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112712170A (zh) * | 2021-01-08 | 2021-04-27 | 西安交通大学 | 基于输入加权脉冲神经网络的神经形态视觉目标分类系统 |
CN112712170B (zh) * | 2021-01-08 | 2023-06-20 | 西安交通大学 | 基于输入加权脉冲神经网络的神经形态视觉目标分类系统 |
CN112785672A (zh) * | 2021-01-19 | 2021-05-11 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112785672B (zh) * | 2021-01-19 | 2022-07-05 | 浙江商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112668557A (zh) * | 2021-01-29 | 2021-04-16 | 南通大学 | 一种行人再识别系统中防御图像噪声攻击的方法 |
CN112950497A (zh) * | 2021-02-22 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113506229B (zh) * | 2021-07-15 | 2024-04-12 | 清华大学 | 神经网络训练和图像生成方法及装置 |
CN113506325A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506229A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 神经网络训练和图像生成方法及装置 |
CN113506320B (zh) * | 2021-07-15 | 2024-04-12 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506320A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506325B (zh) * | 2021-07-15 | 2024-04-12 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113837938B (zh) * | 2021-07-28 | 2022-09-09 | 北京大学 | 基于动态视觉传感器重建潜在图像的超分辨率方法 |
CN113837938A (zh) * | 2021-07-28 | 2021-12-24 | 北京大学 | 基于动态视觉传感器重建潜在图像的超分辨率方法 |
WO2024061269A1 (zh) * | 2022-09-21 | 2024-03-28 | 华为技术有限公司 | 一种三维重建方法及相关装置 |
CN115578295A (zh) * | 2022-11-17 | 2023-01-06 | 中国科学技术大学 | 一种视频去雨方法、系统、设备及存储介质 |
CN116456183B (zh) * | 2023-04-20 | 2023-09-26 | 北京大学 | 一种事件相机引导下的高动态范围视频生成方法及系统 |
CN116456183A (zh) * | 2023-04-20 | 2023-07-18 | 北京大学 | 一种事件相机引导下的高动态范围视频生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021196401A1 (zh) | 2021-10-07 |
TW202139140A (zh) | 2021-10-16 |
CN111462268B (zh) | 2022-11-11 |
TWI765304B (zh) | 2022-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109658352B (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
CN111369464B (zh) | 去除图像中的反光的方法及装置、电子设备和存储介质 | |
CN109859144B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111553864A (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN111192218B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109977860B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111310664B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN111369482B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN112819714A (zh) | 目标对象曝光方法、装置、存储介质及设备 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111507131B (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN107609599B (zh) | 特征识别方法及装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40024784 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |