CN111612703A - 一种基于生成对抗网络的图像盲去模糊方法 - Google Patents

一种基于生成对抗网络的图像盲去模糊方法 Download PDF

Info

Publication number
CN111612703A
CN111612703A CN202010321335.9A CN202010321335A CN111612703A CN 111612703 A CN111612703 A CN 111612703A CN 202010321335 A CN202010321335 A CN 202010321335A CN 111612703 A CN111612703 A CN 111612703A
Authority
CN
China
Prior art keywords
network
loss
generation
image
training
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
Application number
CN202010321335.9A
Other languages
English (en)
Inventor
颜成钢
朱尊杰
孙垚棋
张继勇
张勇东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010321335.9A priority Critical patent/CN111612703A/zh
Publication of CN111612703A publication Critical patent/CN111612703A/zh
Pending legal-status Critical Current

Links

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
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于生成对抗网络的图像盲去模糊方法。本发明首先建立用于网络训练的损失函数，包括对抗损失项(Adversarial Loss)和内容损失项(Content Loss)；然后进行生成对抗网络结构的搭建；再采用基于随机轨迹的的运动模糊数据集生成方法，生成清晰‑模糊图像对；最后采用生成的清晰‑模糊图像对，训练生成对抗网络网络。本发明在低计算资源消耗的情况下，能做到相对较快的图像去模糊速度，并明显快于其他去模糊方法，本发明提出了一种基于随机轨迹的运动模糊数据集生成方法，可以任意生成大量的清晰‑模糊图像对，以此更好的训练网络，提高网络的泛化能力。

Description

一种基于生成对抗网络的图像盲去模糊方法
技术领域
本发明属于计算机视觉领域，尤其针对RGB彩色图像的运动模糊，具体涉及一种基于生成对抗网络(GAN)的图像去模糊方法。
背景技术
本发明是针对单个照片的盲运动去模糊。近几十年来已经开发出用于消除运动模糊的高质量方法，但是大多数都需要大量的计算或者前提假设，因此很难使用这些方法来恢复实际应用中的模糊图像。
本发明使用生成对抗网络解决图像去模糊的问题。生成对抗网络(GAN)[I.J.Goodfellow,J.Pouget-Abadie,M.Mirza,B.Xu,D.Warde-Farley,S.Ozair,A.Courville,and Y.Bengio.Gen-erative Adversarial Networks.June 2014.]，近几年在图像超分辨率和和图像修复的相关领域取得了重大进展。GAN以保留图像中的纹理细节，创建接近真实图像流形并在视觉上令人信服的解决方案而闻名。受最近关于图像超分辨率和生成对抗网络的图像到图像翻译的工作的启发，我们将去模糊视为此类图像到图像翻译的特例。我们提出去模糊GAN，一种基于条件生成对抗网络[M.Mirza andS.Osindero.Conditional generative adversar-ial nets.CoRR,abs/1411.1784,2014.]和多分量损失函数的方法。与以前的工作不同，我们使用Wasserstein GAN[M.Arjovsky,S.Chintala,and L.Bottou.Wasserstein GAN.ArXiv e-prints,Jan.2017.]以及用梯度惩罚(gradient penalty)和知觉损失(perceptual loss)作为优化目标。与使用传统的均方根误差(MSE)作为优化目标相比，这实现了在视觉上难以与真正的清晰图像区分开的解决方案，并允许恢复更精细的纹理细节。
WGAN-GP[I.Gulrajani,F.Ahmed,M.Arjovsky,V.Dumoulin,andA.Courville.Improved Training of Wasserstein GANs.ArXive-prints,Mar.2017]
Perceptual Loss计算内容损失项[J.Johnson,A.Alahi,and L.Fei-Fei.Perceptual losses for real-time style transfer and super-resolution.InEuropean Conference on Computer Vision,2016.1]
Dropout正则化[N.Srivastava,G.Hinton,A.Krizhevsky,I.Sutskever,andR.Salakhutdinov.Dropout:A simple way to prevent neural networks fromoverfitting.J.Mach.Learn.Res.,15(1):1929–1958,Jan.2014.]
Boracchi和Foi提出的随机轨迹生成的思想[G.Boracchi and A.Foi.Modelingthe performance of im-age restoration from motion blur.Image Processing,IEEETransactions on,21(8):3502–3517,aug.2012.]。
发明内容
针对现有技术中存在的不足，本发明提出了一种基于生成对抗网络的图像盲去模糊方法。本发明方法主要基于条件GAN和内容损失。本发明在结构相似性指标(SSIM)和图像外观上均达到了最先进的性能。还可以通过一种新颖的方式用真实世界的问题(对去模糊图像上的目标进行检测)来评估本发明去模糊模型的质量。同时本发明还介绍了一种从尖锐的图像生成合成运动模糊图像的新颖方法，从而可以实现逼真的数据集扩充。
一种基于生成对抗网络的图像盲去模糊方法，步骤如下：
步骤1、建立用于网络训练的损失函数，包括对抗损失项(Adversarial Loss)和内容损失项(Content Loss)。
步骤2、生成对抗网络结构的搭建。
步骤3、采用基于随机轨迹的的运动模糊数据集生成方法，生成清晰-模糊图像对。
步骤4、采用步骤3生成的清晰-模糊图像对，训练生成对抗网络网络。
本发明有益结果如下：
1.本发明提出的网络是端到端的网络模型，输入模糊图可直接输出去模糊模型，并且本发明能得到目前最好的模糊图像盲去模糊效果。
2.本发明在低计算资源消耗的情况下，能做到相对较快的图像去模糊速度，并明显快于其他去模糊方法。
3.本发明提出了一种基于随机轨迹的运动模糊数据集生成方法，可以任意生成大量的清晰-模糊图像对，以此更好的训练网络，提高网络的泛化能力。
附图说明
图1是本发明的网络架构；
图2是本发明对各类模糊图片进行去模糊的前后对比。
具体实施方式
下面结合附图对本发明进行详细的说明。
本发明提出的基于生成对抗网络的图像盲去模糊技术，按照以下步骤实施：
步骤1、建立用于网络训练的损失函数，建立的损失函数包括对抗损失项(Adversarial Loss)和内容损失项(Content Loss)：
L＝LA+α×LC (1)
其中，LA是对抗损失项，LC是内容损失项。α为权重系数，最优化损失函数的目标是在只有模糊图IB的情况下恢复其对应的清晰图IS。
采用WGAN-GP作为评判网络的评判函数D，用来批评生成函数G所生成的去模糊结果。对抗损失项作为评判函数对生成函数的评价，定义如下：
Figure BDA0002461542640000031
其中N为训练中每次迭代的评价次数。
由于传统的MSE等用于内容损失项计算的方法会导致去模糊图像上存在大量振铃效应等错误现象。采用Perceptual Loss计算内容损失项，其比较的是生成的去模糊图与真实清晰图在卷积神经网络中的中间变量——特征图(feature map)。
Figure BDA0002461542640000041
其中φi,j是VGG19网络在第i个maxpooling layer(池化层)之前的第j个卷积后的二维特征图，Wi,j和Hi,j分别为该二维特征图的宽和高。
进一步的，所述的权重系数α的值为100。
如图1所示，步骤2、生成对抗网络结构的搭建，具体如下：
所述的生成对抗网络包括生成网络
Figure BDA0002461542640000042
与评判网络
Figure BDA0002461542640000043
通过卷积神经网络分别构成生成网络
Figure BDA0002461542640000044
与评判网络
Figure BDA0002461542640000045
卷积神经网络包括两个步幅为二分之一的步进卷积块，九个残差块(ResBlocks)以及两个转置的卷积块。每个残差块中包含卷积层，实例规范化层和ReLU激活。在每个残差块中的第一个卷积层之后，添加以0.5概率进行的Dropout正则化。
另外，通过全局跳过的连接方式直接将首层的输入传递给末尾层。通过这样的方式，生成对抗网络可以将模糊图像直接接触其对应的清晰图像，进而使生成对抗网络向清晰-模糊图像对学习残差校正IR，因此IS＝IB+IR。这样的网络连接方式能使训练更快，并且所得到的模型有更好地泛化能力。
步骤3、采用基于随机轨迹的运动模糊数据集生成方法，生成清晰-模糊图像对。
遵循Boracchi和Foi提出的随机轨迹生成的思想。通过将子像素插值应用于轨迹矢量来生成模糊核。每个轨迹向量是一个复数值向量，它对应于连续域中2D随机运动后对象的离散位置，轨迹生成通过马尔可夫过程完成。
在生成轨迹以及其对应的模糊核后，对清晰图生成其对应的模糊图，并组成清晰-模糊图对，用于生成对抗网络的训练。
步骤4、采用步骤3生成的清晰-模糊图像对，训练生成对抗网络网络。
通过生成网络
Figure BDA0002461542640000051
进行模糊图像的去模糊工作。同时，在训练过程中，再通过评判网络
Figure BDA0002461542640000052
评价并反馈生成网络所生成的清晰图的效果，以对抗的方式同时训练两个网络。
图2是本发明对各类模糊图片进行去模糊的前后对比。

Claims (6)

1.一种基于生成对抗网络的图像盲去模糊方法，其特征在于，步骤如下：
步骤1、建立用于网络训练的损失函数，包括对抗损失项(Adversarial Loss)和内容损失项(Content Loss)；
步骤2、生成对抗网络结构的搭建；
步骤3、采用基于随机轨迹的的运动模糊数据集生成方法，生成清晰-模糊图像对；
步骤4、采用步骤3生成的清晰-模糊图像对，训练生成对抗网络网络。
2.根据权利要求1所述的一种基于生成对抗网络的图像盲去模糊方法，其特征在于，步骤1建立用于网络训练的损失函数，建立的损失函数包括对抗损失项(Adversarial Loss)和内容损失项(Content Loss)，具体操作如下：
L＝LA+α×LC (1)
其中，LA是对抗损失项，LC是内容损失项；α为权重系数，最优化损失函数的目标是在只有模糊图IB的情况下恢复其对应的清晰图IS；
采用WGAN-GP作为评判网络的评判函数D，用来批评生成函数G所生成的去模糊结果；对抗损失项作为评判函数对生成函数的评价，定义如下：
Figure FDA0002461542630000011
其中N为训练中每次迭代的评价次数；
由于传统的MSE等用于内容损失项计算的方法会导致去模糊图像上存在大量振铃效应等错误现象；采用Perceptual Loss计算内容损失项；
Figure FDA0002461542630000012
其中φi,j是VGG19网络在第i个maxpooling layer(池化层)之前的第j个卷积后的二维特征图，Wi,j和Hi,j分别为该二维特征图的宽和高。
3.根据权利要求2所述的一种基于生成对抗网络的图像盲去模糊方法，其特征在于，步骤2生成对抗网络结构的搭建，具体如下：
所述的生成对抗网络包括生成网络
Figure FDA0002461542630000021
与评判网络
Figure FDA0002461542630000022
通过卷积神经网络分别构成生成网络
Figure FDA0002461542630000023
与评判网络
Figure FDA0002461542630000024
卷积神经网络包括两个步幅为二分之一的步进卷积块，九个残差块(ResBlocks)以及两个转置的卷积块；每个残差块中包含卷积层，实例规范化层和ReLU激活；在每个残差块中的第一个卷积层之后，添加以0.5概率进行的Dropout正则化；
另外，通过全局跳过的连接方式直接将首层的输入传递给末尾层；通过这样的方式，生成对抗网络可以将模糊图像直接接触其对应的清晰图像，进而使生成对抗网络向清晰-模糊图像对学习残差校正IR，因此IS＝IB+IR。
4.根据权利要求3所述的一种基于生成对抗网络的图像盲去模糊方法，其特征在于，步骤3采用基于随机轨迹的运动模糊数据集生成方法，生成清晰-模糊图像对，具体操作如下：
遵循Boracchi和Foi提出的随机轨迹生成的思想；通过将子像素插值应用于轨迹矢量来生成模糊核；每个轨迹向量是一个复数值向量，它对应于连续域中2D随机运动后对象的离散位置，轨迹生成通过马尔可夫过程完成；
在生成轨迹以及其对应的模糊核后，对清晰图生成其对应的模糊图，并组成清晰-模糊图对，用于生成对抗网络的训练。
5.根据权利要求4所述的一种基于生成对抗网络的图像盲去模糊方法，其特征在于，步骤4采用步骤3生成的清晰-模糊图像对，训练生成对抗网络网络，具体操作如下：
通过生成网络
Figure FDA0002461542630000031
进行模糊图像的去模糊工作；同时，在训练过程中，再通过评判网络
Figure FDA0002461542630000032
评价并反馈生成网络所生成的清晰图的效果，以对抗的方式同时训练两个网络。
6.根据权利要求2所述的一种基于生成对抗网络的图像盲去模糊方法，其特征在于，进一步的，所述的权重系数α的值为100。
CN202010321335.9A 2020-04-22 2020-04-22 一种基于生成对抗网络的图像盲去模糊方法 Pending CN111612703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010321335.9A CN111612703A (zh) 2020-04-22 2020-04-22 一种基于生成对抗网络的图像盲去模糊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010321335.9A CN111612703A (zh) 2020-04-22 2020-04-22 一种基于生成对抗网络的图像盲去模糊方法

Publications (1)

Publication Number Publication Date
CN111612703A true CN111612703A (zh) 2020-09-01

Family

ID=72199662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010321335.9A Pending CN111612703A (zh) 2020-04-22 2020-04-22 一种基于生成对抗网络的图像盲去模糊方法

Country Status (1)

Country Link
CN (1) CN111612703A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258425A (zh) * 2020-11-24 2021-01-22 中电万维信息技术有限责任公司 一种二维码图像清晰化去模糊处理方法
CN112435187A (zh) * 2020-11-23 2021-03-02 浙江工业大学 一种基于聚集残差生成对抗网络的单图像盲去运动模糊方法
CN112508817A (zh) * 2020-12-16 2021-03-16 西北工业大学 一种基于循环生成对抗网络的图像运动盲去模糊方法
CN112734678A (zh) * 2021-01-22 2021-04-30 西华大学 基于深度残差收缩网络和生成对抗网络的去图像运动模糊
CN113393396A (zh) * 2021-06-18 2021-09-14 江苏园上园智能科技有限公司 图像去模糊模型、去模糊的三维重建方法及系统
CN113947589A (zh) * 2021-10-26 2022-01-18 北京理工大学 一种基于对抗生成网络的弹载图像去模糊方法
CN115760589A (zh) * 2022-09-30 2023-03-07 浙江大学 一种用于运动模糊图像的图像优化方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180307947A1 (en) * 2017-04-25 2018-10-25 Nec Laboratories America, Inc. Cyclic generative adversarial network for unsupervised cross-domain image generation
US20180336471A1 (en) * 2017-05-19 2018-11-22 Mehdi Rezagholizadeh Semi-supervised regression with generative adversarial networks
CN109087256A (zh) * 2018-07-19 2018-12-25 北京飞搜科技有限公司 一种基于深度学习的图像去模糊方法及系统
CN109345456A (zh) * 2018-09-30 2019-02-15 京东方科技集团股份有限公司 生成对抗网络训练方法、图像处理方法、设备及存储介质
US20190147320A1 (en) * 2017-11-15 2019-05-16 Uber Technologies, Inc. "Matching Adversarial Networks"
US20190147582A1 (en) * 2017-11-15 2019-05-16 Toyota Research Institute, Inc. Adversarial learning of photorealistic post-processing of simulation with privileged information
CN109858498A (zh) * 2019-01-22 2019-06-07 电子科技大学 一种用于核型白内障图像的特征提取方法
US20190236440A1 (en) * 2018-01-31 2019-08-01 Pin-Han Ho Deep convolutional neural network architecture and system and method for building the deep convolutional neural network architecture
CN110136731A (zh) * 2019-05-13 2019-08-16 天津大学 空洞因果卷积生成对抗网络端到端骨导语音盲增强方法
US20190294970A1 (en) * 2018-03-23 2019-09-26 The Governing Council Of The University Of Toronto Systems and methods for polygon object annotation and a method of training an object annotation system
CN110287851A (zh) * 2019-06-20 2019-09-27 厦门市美亚柏科信息股份有限公司 一种目标图像定位方法、装置、系统及存储介质
CN110378845A (zh) * 2019-06-17 2019-10-25 杭州电子科技大学 一种基于卷积神经网络的极端条件下的图像修复方法
CN110473147A (zh) * 2018-05-09 2019-11-19 腾讯科技（深圳）有限公司 一种视频去模糊方法和装置
US20190362235A1 (en) * 2018-05-23 2019-11-28 Xiaofan Xu Hybrid neural network pruning

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180307947A1 (en) * 2017-04-25 2018-10-25 Nec Laboratories America, Inc. Cyclic generative adversarial network for unsupervised cross-domain image generation
US20180336471A1 (en) * 2017-05-19 2018-11-22 Mehdi Rezagholizadeh Semi-supervised regression with generative adversarial networks
US20190147320A1 (en) * 2017-11-15 2019-05-16 Uber Technologies, Inc. "Matching Adversarial Networks"
US20190147582A1 (en) * 2017-11-15 2019-05-16 Toyota Research Institute, Inc. Adversarial learning of photorealistic post-processing of simulation with privileged information
US20190236440A1 (en) * 2018-01-31 2019-08-01 Pin-Han Ho Deep convolutional neural network architecture and system and method for building the deep convolutional neural network architecture
US20190294970A1 (en) * 2018-03-23 2019-09-26 The Governing Council Of The University Of Toronto Systems and methods for polygon object annotation and a method of training an object annotation system
CN110473147A (zh) * 2018-05-09 2019-11-19 腾讯科技（深圳）有限公司 一种视频去模糊方法和装置
US20190362235A1 (en) * 2018-05-23 2019-11-28 Xiaofan Xu Hybrid neural network pruning
CN109087256A (zh) * 2018-07-19 2018-12-25 北京飞搜科技有限公司 一种基于深度学习的图像去模糊方法及系统
CN109345456A (zh) * 2018-09-30 2019-02-15 京东方科技集团股份有限公司 生成对抗网络训练方法、图像处理方法、设备及存储介质
CN109858498A (zh) * 2019-01-22 2019-06-07 电子科技大学 一种用于核型白内障图像的特征提取方法
CN110136731A (zh) * 2019-05-13 2019-08-16 天津大学 空洞因果卷积生成对抗网络端到端骨导语音盲增强方法
CN110378845A (zh) * 2019-06-17 2019-10-25 杭州电子科技大学 一种基于卷积神经网络的极端条件下的图像修复方法
CN110287851A (zh) * 2019-06-20 2019-09-27 厦门市美亚柏科信息股份有限公司 一种目标图像定位方法、装置、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨朝强，蒋卫丽，邵党国: ""基于直方图均衡化的GAN去模糊模型"" *
王健,王凯,刘刚,周文青,周子凯: ""基于生成对抗网络和ＲetinaNet 的销钉缺陷识别"" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435187A (zh) * 2020-11-23 2021-03-02 浙江工业大学 一种基于聚集残差生成对抗网络的单图像盲去运动模糊方法
CN112258425A (zh) * 2020-11-24 2021-01-22 中电万维信息技术有限责任公司 一种二维码图像清晰化去模糊处理方法
CN112508817A (zh) * 2020-12-16 2021-03-16 西北工业大学 一种基于循环生成对抗网络的图像运动盲去模糊方法
CN112508817B (zh) * 2020-12-16 2024-05-14 西北工业大学 一种基于循环生成对抗网络的图像运动盲去模糊方法
CN112734678A (zh) * 2021-01-22 2021-04-30 西华大学 基于深度残差收缩网络和生成对抗网络的去图像运动模糊
CN113393396A (zh) * 2021-06-18 2021-09-14 江苏园上园智能科技有限公司 图像去模糊模型、去模糊的三维重建方法及系统
CN113947589A (zh) * 2021-10-26 2022-01-18 北京理工大学 一种基于对抗生成网络的弹载图像去模糊方法
CN113947589B (zh) * 2021-10-26 2024-08-02 北京理工大学 一种基于对抗生成网络的弹载图像去模糊方法
CN115760589A (zh) * 2022-09-30 2023-03-07 浙江大学 一种用于运动模糊图像的图像优化方法及装置

Similar Documents

Publication Publication Date Title
CN111612703A (zh) 一种基于生成对抗网络的图像盲去模糊方法
Zhang et al. Recursive neural network for video deblurring
CN111524068B (zh) 一种基于深度学习的变长输入超分辨率视频重建方法
CN116797488A (zh) 一种基于特征融合与注意力嵌入的低照度图像增强方法
CN111986084A (zh) 一种基于多任务融合的多相机低光照图像质量增强方法
Li et al. Learning detail-structure alternative optimization for blind super-resolution
CN109871790B (zh) 一种基于混合神经网络模型的视频去色方法
CN113538527B (zh) 一种高效轻量级光流估计方法、存储介质及装置
CN114049251A (zh) 一种用于ai视频分析的模糊图像超分辨率重建方法及装置
CN114170286A (zh) 一种基于无监督深度学习的单目深度估计方法
CN112766102A (zh) 一种基于空谱特征融合的无监督高光谱视频目标跟踪方法
CN112200752B (zh) 一种基于er网络多帧图像去模糊系统及其方法
Hu et al. FHSI and QRCPE-Based Low-Light Enhancement With Application to Night Traffic Monitoring Images
CN117078556A (zh) 一种水域自适应水下图像增强方法
CN114022371B (zh) 基于空间和通道注意力残差网络的去雾装置及其去雾方法
Zhang et al. Single image dehazing via reinforcement learning
CN115115860A (zh) 一种基于深度学习的图像特征点检测匹配网络
Zhao et al. Residual Dense Blocks and Contrastive Regularization Integrated Underwater Image Enhancement Network
Lee et al. Efficient Low Light Video Enhancement Based on Improved Retinex Algorithms
Chen et al. NLUT: Neural-based 3D Lookup Tables for Video Photorealistic Style Transfer
CN112150531A (zh) 一种鲁棒的自监督学习单帧图像深度估计方法
CN114881843B (zh) 一种基于深度学习的流体艺术控制方法
Wang et al. Underwater Image Enhancement Based on Improved U-Net Convolutional Neural Network
Xiang et al. Transparent Ink Wash Style for Free-Viewpoint Video Generation.
Zhou et al. Real-World Image Super-Resolution Via Spatio-Temporal Correlation Network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200901

RJ01 Rejection of invention patent application after publication