CN111583152B - 基于U-net结构的图像伪影检测与自动去除方法 - Google Patents
基于U-net结构的图像伪影检测与自动去除方法 Download PDFInfo
- Publication number
- CN111583152B CN111583152B CN202010390900.7A CN202010390900A CN111583152B CN 111583152 B CN111583152 B CN 111583152B CN 202010390900 A CN202010390900 A CN 202010390900A CN 111583152 B CN111583152 B CN 111583152B
- Authority
- CN
- China
- Prior art keywords
- image
- artifact
- network
- training
- mask
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000015556 catabolic process Effects 0.000 claims description 18
- 238000006731 degradation reaction Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims 1
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000002688 persistence Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于U‑net结构的图像伪影检测与自动去除方法，包括以下步骤：步骤S1:构建待去伪影高清图像数据集，并进行预处理，得到训练数据集；步骤S2:将训练数据集中的图像，进行随机裁剪；步骤S3:构建伪影检测网络，并根据高清图像数据集获取图像伪影的掩码；步骤S4:基于U‑net结构神经网络，构建去伪影网络模型;步骤S5:根据训练数据集和图像伪影的掩码训练去伪影网络模型，得到训练后的去伪影网络模型；步骤S6:将待去伪影图像分别输入训练后的伪影检测网络和去伪影网络模型，去伪影网络模型根据待去伪影图像和图像伪影的掩码，得到去伪影后的图像。本发明能自动检测和去除图像中存在的JPEG伪影。
Description
技术领域
本发明涉及图像分析领域，具体涉及一种基于U-net结构的图像伪影检测与自动去除方法。
背景技术
在图像多媒体技术广泛应用的今天，广大的互联网厂商为了节约访问流量，提升用户访问速度，采用了以JPEG和WebP为主要代表的图像压缩技术。图像压缩伪影是在JPEG和WebP等图像进行压缩编码时，原始图像被分成16x16或者8x8的小块，编码算法对这些块进行离散余弦变换，这样块与块之间的相关信息被忽略，从而形成解码图像的块状伪影。此外，为了能够有效压缩图像数据的字节数，在JPEG和WebP编码时会对离散余弦变换得到的系数进行量化，使得图像的高频分量丢失，从而导致了解码图像会产生振铃伪影和边界模糊[1]。图像伪影去除作为图像处理领域的重要组成部分，无论在广电高清4K建设中、还是移动终端多媒体交互中，都有着很高的应用价值。
传统的图像伪影去除算法，往往给图像整体赋予一个和图像压缩系数相关的因子，而忽视了图像部分细节并不包含伪影，或者包含较重的伪影，缺少更合理的分治处理。
发明内容
有鉴于此，本发明的目的在于提供一种基于U-net结构的图像伪影检测与自动去除方法，
为实现上述目的，本发明采用如下技术方案：
一种基于U-net结构的图像伪影检测与自动去除方法，包括以下步骤：
步骤S1:构建待去伪影高清图像数据集，并进行预处理，得到训练数据集；
步骤S2:将训练数据集中的图像，进行随机裁剪；
步骤S3:构建伪影检测网络，并根据高清图像数据集获取图像伪影的掩码；
步骤S4:基于U-net结构神经网络，构建去伪影网络模型；
步骤S5:根据训练数据集和图像伪影的掩码，并通过伪影检测网络模型，得到去伪影后的图像。
进一步的，所述步骤S1具体为：
步骤S1:：收集大量图像数据，构建高清图像数据集；
步骤S2:在0～100之间随机地选择3个质量参数，对高清图像做退化处理，退化因子为(θ1,θ2,θ3)，获取的退化图像为(Xθ1,Xθ2,Xθ3)；
步骤S3:通过对原始图像和退化图像进行随机翻转，得到增广图片数据，以匹配数据对的方式存储X、θ、Xθ,其中X、θ、Xθ分别为原始高清图像，退化因子，退化图像，作为深度学习的训练数据集。
进一步的，所述步骤S2具体为：对于输入的高清图像和退化图像随机裁剪到256x256，并执行m次，其中m为该图像面积除以256x256的向上取整结果。
进一步的，所述伪影检测网络，具体为：网络由两部分构成，上半部分网络将有助于检测图像中嵌入在图像细节中的伪影，下半部分网络将有助于检测粗粒度的块状伪影；核心网络中特征提取阶段由20个卷积块组成，包括一个卷积层，一个Relu激活函数，其中一个大卷积块的计算公式是：
Fn＝R(Wn*Fn-1+Bn) (1)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图；
伪影检测网络最终输出为一个图像伪影的掩码Mθ，获取图像伪影的掩码Mθ的网络loss为L2 loss：
L2＝||mean(Mθ)-(1-θ)||2 (2)
其中mean(Mθ)为取掩码Mθ的均值，由于图像的退化因子θ越接近于0，对应的原始图像位置伪影越重，掩码位置应该数值越大。
进一步的，所述去伪影网络模型核心网络中特征提取阶段由32个卷积块组成，采用同时能够保留原始图像信息和关注保留图像细节的loss,分别是L2 loss、与perceptualloss
L2＝||X′-X||2 (3)
其中X为原始高清图像，X'为网络输出的去除伪影后图像。
其中perceptual loss选择VGG-19[9]的第j层的卷积特征(Cj、Hj、Wj为VGG-19输出特征维度)。
最终的loss如下：
Lrs＝L2+λ*Lperceptual (5)。
进一步的，所述步骤S5具体为：
步骤S51:将原始图像分别作为两个网络的输入；
步骤S52:第一阶段训练伪影检测网络，当网络收敛时，固定住该网络的参数，开始训练第二阶段图像去伪影网络；
步骤S53:每一阶段的训练过程，都被分为若干个子训练周期，采用步进增长策略依次进行子训练周期的训练；
步骤S54:每完成一个固定的训练周期后逐步减小学习率，直至学习率减少到预设的数值为止；
步骤S55:当完成一个子训练周期后生成的结果与其对应的高清图像数据的区别大于预设值，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数再执行每一个网络的初始训练步骤；当在完成一个子训练周期后生成的图像结果达到预期或完成所有预设的子训练周期的次数后，则得到图像去伪影网络。
本发明与现有技术相比具有以下有益效果：
本发明有效的自动检测和去除图像中存在的JPEG伪影。
附图说明
图1是本发明方法的流程图；
图2是本发明一实施例中的伪影掩码生成网络；
图3是本发明一实施例中的图像去伪影网络；
图4是本发明一实施例中的部分结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图2，本发明提供一种基于U-net结构的图像伪影检测与自动去除方法，包括以下步骤：
步骤S1:构建高清图像数据集，对于每一张高清图像X(均需大于256x256)，然后在0～100之间随机地选择3个质量参数，对高清图像做退化处理，退化因子为(θ1,θ2,θ3)，获取的退化图像为(Xθ1,Xθ2,Xθ3)。通过对原始图像和退化图像进行随机翻转，得到大量的增广图片数据，以匹配数据对的方式存储X、θ、Xθ(原始高清图像，退化因子，退化图像)，作为深度学习的训练数据集；
步骤S2:将训练数据集中的图像，进行随机裁剪；对于宽高大于256x256的图像输入，将它们随机裁剪到256x256，并执行m次。其中m为该图像面积除以256x256的向上取整结果；
步骤S3:构建一个互补的网络结构如图3所示，更加充分考虑了图像中存在的不同尺度的伪影。上半部分网络将有助于检测图像中嵌入在图像细节中的伪影，下半部分网络将有助于检测粗粒度的块状伪影，核心网络中特征提取阶段由20个卷积块组成，包括一个卷积层，一个Relu激活函数，其中一个大卷积块的计算公式是：
Fn＝R(Wn*Fn-1+Bn) (1)
其中R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图。伪影检测网络最终输出为一个图像伪影的掩码Mθ，宽高与输入图像相同，每个像素位置在(0,1)之间，反映伪影强度，值越大伪影强度越高。
其中获取图像伪影的掩码Mθ的网络loss为L2 loss
L2＝||mean(Mθ)-(1-θ)||2 (2)
其中mean(Mθ)为取掩码Mθ的均值，由于图像的退化因子θ越接近于0，对应的原始图像位置伪影越重，掩码位置应该数值越大，所以本实施例在算loss时对图像质量θ做了减1操作。
步骤S4:获取到图像伪影的掩码Mθ后，本文将原始高清图像X、退化图像为Xθ与图像伪影的掩码Mθ相结合训练本文的去向去伪影算法，本实施例中基于U-net结构神经网络，构建去伪影网络模型，如图3所示；
在本实施例中，去伪影算法，需要满足保留图像中合理信息与去除伪影的平衡。本文采用了同时能够保留原始图像信息和关注保留图像细节的loss。他们分别是L2 loss、与perceptual loss。
L2 loss定义如下：
L2＝||X'-X||2 (3)
其中X为原始高清图像，X'为网络输出的去除伪影后图像。
perceptual loss定义如下：
其中perceptual loss选择VGG-19[9]的第j层的卷积特征(本文采用conv3-3层j＝15)，Cj、Hj、Wj为VGG-19输出特征维度。
最终的loss如下：
Lrs＝L2+λ*Lperceptual (5)
其中L2 loss关注图像中整体结构是否得到保留，保证图像结构正确。而perceptual loss通过VGG-19神经网络输出特征，判断图像中人眼感知的细节是否得到保留。λ取值为0.01，保证细节和总体结构保持与原始图像一致。
步骤S5:根据训练数据集和图像伪影的掩码，训练去伪影网络模型，得到得到去伪影后的网络。
在本实施例中。将原始图像分别作为两个网络的输入，其中第一阶段训练伪影掩码生成网络。当网络收敛时，固定住该网络的参数，开始训练第二阶段图像去伪影网络。每一阶段的训练过程，都被分为多个子训练周期，采用步进增长策略依次进行子训练周期的训练；每完成一个固定的训练周期后逐步减小学习率，直至学习率减少到一定的数值为止。
当完成一个子训练周期后生成的结果与其对应的高清图像数据存在较大出路时，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数再执行每一个网络的初始训练步骤；在去伪影网络开始训练时，采用FastDVDNet[10]网络预训练模型，并佐以大学习率。在训练周期结束后，再减小学习率再次进行训练。这样可以让网络在现有的参数基础上增强精度，增加网络的鲁棒性。当在完成一个子训练周期后生成的图像达到预期或完成所有预设的子训练周期的次数后，则获得最终结果，部分结果如图4所示。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (3)
1.一种基于U-net结构的图像伪影检测与自动去除方法，其特征在于，包括以下步骤：
步骤S1:构建待去伪影高清图像数据集,并进行预处理，得到训练数据集；
步骤S2:将训练数据集中的图像，进行随机裁剪；
步骤S3:构建伪影检测网络，并根据高清图像数据集获取图像伪影的掩码；
步骤S4:基于U-net结构神经网络，构建去伪影网络模型；
步骤S5:根据图像伪影的掩码，并通过去伪影网络模型，得到去伪影后的图像；
所述步骤S1具体为：
步骤S1：收集高清图像数据集；
步骤S2:在0～100之间随机地选择3个质量参数，对高清图像做退化处理，退化因子为(θ1,θ2,θ3)，获取的退化图像为(Xθ1,Xθ2,Xθ3)；
步骤S3:通过对原始图像和退化图像进行随机翻转，得到增广图片数据，以匹配数据对的方式存储X、θ、Xθ,其中X、θ、Xθ分别为原始高清图像，退化因子，退化图像，作为深度学习的训练数据集；
所述伪影检测网络，具体为：网络由两部分构成，上半部分网络将有助于检测图像中嵌入在图像细节中的伪影，下半部分网络将有助于检测粗粒度的块状伪影；核心网络中特征提取阶段由20个卷积块组成，包括一个卷积层，一个Relu激活函数，其中一个大卷积块的计算公式是：
Fn＝R(Wn*Fn-1+Bn) (1)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图；
伪影检测网络最终输出为一个图像伪影的掩码Mθ，获取图像伪影的掩码Mθ的网络loss为L2 loss
L2＝||mean(Mθ)-(1-θ)||2 (2)
其中mean(Mθ)为取掩码Mθ的均值，由于图像的退化因子θ越接近于0，对应的原始图像位置伪影越重，掩码位置应该数值越大；
所述步骤S5具体为：
步骤S51:将原始图像分别作为两个网络的输入；
步骤S52:第一阶段训练伪影检测网络，当网络收敛时，固定住该网络的参数，开始训练第二阶段图像去伪影网络；
步骤S53:每一阶段的训练过程，都被分为若干个子训练周期，采用步进增长策略依次进行子训练周期的训练；
步骤S54:每完成一个固定的训练周期后逐步减小学习率，直至学习率减少到预设的数值为止；
步骤S55:当完成一个子训练周期后生成的结果与其对应的高清图像数据的区别大于预设值，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数再执行每一个网络的初始训练步骤；当在完成一个子训练周期后生成的图像结果达到预期或完成所有预设的子训练周期的次数后，则获得图像去伪影网络。
2.根据权利要求1所述的基于U-net结构的图像伪影检测与自动去除方法，其特征在于，所述步骤S2具体为：对于输入的高清图像和退化图像随机裁剪到256x256，并执行m次，其中m为该图像面积除以256x256的向上取整结果。
3.根据权利要求1所述的基于U-net结构的图像伪影检测与自动去除方法，其特征在于，所述去伪影网络模型核心网络中特征提取阶段由32个卷积块组成，采用同时能够保留原始图像信息和关注保留图像细节的loss,分别是L2 loss、与perceptual loss
L2＝||X'-X|2 (3)
其中X为原始高清图像，X'为网络输出的去除伪影后图像；
其中perceptual loss选择VGG-19的第j层的卷积特征,Cj、Hj、Wj为VGG-19输出特征维度；
最终的loss如下：
Lrs＝L2+λ*Lperceptual (5)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010390900.7A CN111583152B (zh) | 2020-05-11 | 2020-05-11 | 基于U-net结构的图像伪影检测与自动去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010390900.7A CN111583152B (zh) | 2020-05-11 | 2020-05-11 | 基于U-net结构的图像伪影检测与自动去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583152A CN111583152A (zh) | 2020-08-25 |
| CN111583152B true CN111583152B (zh) | 2023-07-07 |
Family
ID=72120789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010390900.7A Active CN111583152B (zh) | 2020-05-11 | 2020-05-11 | 基于U-net结构的图像伪影检测与自动去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583152B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037146B (zh) * | 2020-09-02 | 2023-12-22 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112866591A (zh) * | 2021-01-12 | 2021-05-28 | 福建帝视信息科技有限公司 | 基于掩码检测的多帧图像融合的视频图像去噪方法 |
| CN113538258B (zh) * | 2021-06-15 | 2023-10-13 | 福州大学 | 基于掩码的图像去模糊模型及方法 |
| CN113205518B (zh) * | 2021-07-05 | 2021-09-07 | 雅安市人民医院 | 医疗车图像信息处理方法及装置 |
| CN113902824B (zh) * | 2021-10-12 | 2022-10-28 | 哈尔滨工业大学 | 一种血管内光学相干断层扫描的导丝伪影去除方法 |
| 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 |
| CN117196972A (zh) * | 2023-08-25 | 2023-12-08 | 山东浪潮科学研究院有限公司 | 一种基于改进的Transformer的文档伪影去除方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102119400A (zh) * | 2008-08-08 | 2011-07-06 | 汤姆逊许可证公司 | 暗噪声伪影检测方法和装置 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN109087346A (zh) * | 2018-09-21 | 2018-12-25 | 北京地平线机器人技术研发有限公司 | 单目深度模型的训练方法、训练装置和电子设备 |
| CN109257600A (zh) * | 2018-11-28 | 2019-01-22 | 福建帝视信息科技有限公司 | 一种基于深度学习的视频压缩伪影自适应去除方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7346208B2 (en) * | 2003-10-25 | 2008-03-18 | Hewlett-Packard Development Company, L.P. | Image artifact reduction using a neural network |
-
2020
- 2020-05-11 CN CN202010390900.7A patent/CN111583152B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102119400A (zh) * | 2008-08-08 | 2011-07-06 | 汤姆逊许可证公司 | 暗噪声伪影检测方法和装置 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN109087346A (zh) * | 2018-09-21 | 2018-12-25 | 北京地平线机器人技术研发有限公司 | 单目深度模型的训练方法、训练装置和电子设备 |
| CN109257600A (zh) * | 2018-11-28 | 2019-01-22 | 福建帝视信息科技有限公司 | 一种基于深度学习的视频压缩伪影自适应去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583152A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583152B (zh) | 基于U-net结构的图像伪影检测与自动去除方法 | |
| CN111868751B (zh) | 在视频代码化的机器学习模型中使用应用于量化参数的非线性函数 | |
| EP3545679B1 (en) | Apparatus and method for encoding an image | |
| 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 | |
| CN108900848B (zh) | 一种基于自适应可分离卷积的视频质量增强方法 | |
| 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 | |
| US20200280717A1 (en) | Receptive-field-conforming convolution models for video coding | |
| CN110751649B (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
| CN114820341A (zh) | 一种基于增强Transformer的图像盲去噪方法及系统 | |
| CN112862689A (zh) | 一种图像超分辨率重建方法及系统 | |
| CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
| CN111612708A (zh) | 一种基于对抗生成网络的图像修复方法 | |
| CN111192226A (zh) | 一种图像融合去噪方法及装置、系统 | |
| CN112150400A (zh) | 图像增强方法、装置和电子设备 | |
| CN113850721A (zh) | 单幅图像超分辨率重建方法、装置、设备及可读存储介质 | |
| CN113542780B (zh) | 一种网络直播视频的压缩伪影去除方法及装置 | |
| CN116208812A (zh) | 一种基于立体事件和强度相机的视频插帧方法及系统 | |
| EP1574068B1 (fr) | Procede de codage d'une image par ondelettes et procede de decodage correspondant | |
| CN115965844A (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
| CN112016456B (zh) | 基于自适应反向投影深度学习的视频超分辨率方法及系统 | |
| CN116033153A (zh) | Vvc标准下的编码单元快速划分方法及系统 | |
| CN115243044A (zh) | 参考帧选择方法及装置、设备、存储介质 | |
| WO2017057923A1 (ko) | 단일 최적화된 그래프를 이용하여 비디오 신호를 인코딩, 디코딩하는 방법 | |
| CN113507607B (zh) | 一种无需运动补偿的压缩视频多帧质量增强方法 | |
| CN117459737B (zh) | 一种图像预处理网络的训练方法和图像预处理方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 350001 Unit 01, 16th Floor, TB # Office Building, Phase III, China Resources MIXC, Hongshanyuan Road, Hongshan Town, Gulou District, Fuzhou City, Fujian Province Applicant after: Fujian Deshi Technology Group Co.,Ltd. Address before: 350002 area B, 5th floor, building 2, Yunzuo, 528 Xihong Road, Gulou District, Fuzhou City, Fujian Province Applicant before: FUJIAN IMPERIAL VISION INFORMATION TECHNOLOGY CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |