CN111784596A - 基于生成对抗神经网络的通用内窥镜图像增强方法及装置 - Google Patents
基于生成对抗神经网络的通用内窥镜图像增强方法及装置 Download PDFInfo
- Publication number
- CN111784596A CN111784596A CN202010541347.2A CN202010541347A CN111784596A CN 111784596 A CN111784596 A CN 111784596A CN 202010541347 A CN202010541347 A CN 202010541347A CN 111784596 A CN111784596 A CN 111784596A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- neural network
- image quality
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000007547 defect Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002647 laser therapy Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001519 tissue Anatomy 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/10068—Endoscopic 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)
- 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)
- Endoscopes (AREA)
- Image Processing (AREA)
Abstract
基于生成对抗神经网络的通用内窥镜图像增强方法及装置，能够既满足任务的需求又对真实场景有很强的适应性，能够应用在不同的内窥镜图像质量增强问题中，且大幅度提升训练的精度。方法包括：(1)使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；(2)提取出该模型中生成器的部分网络层作为一个通用的预训练模型；(3)针对不同的内窥镜图像质量缺陷，在步骤(2)的预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种基于生成对抗神经网络的通用内窥镜图像增强方法，以及基于生成对抗神经网络的通用内窥镜图像增强装置。
背景技术
内窥镜由光源、镜头和可弯曲部分组成，是最常用的医疗器械之一。在内窥镜成像过程中，会产生不同的图像质量问题。由于体内腔道狭窄，无法获得均匀的全视场照明，获得的内窥镜图像明暗不均；由于体内粘膜表面潮湿光滑，获得的内窥镜图像布满高亮的光斑；由于术中操作切除病变组织会产生大量白烟，获得的内窥镜图像模糊一片。在使用激光疗法的手术中，往往会在镜头前加一个滤光片避免激光强度过高导致内窥镜图像过度曝光，防止造成获得的内窥镜图像颜色失真。再者，由于内窥镜本身的电子噪声、抖动、干扰等因素的影响，也会导致内窥镜成像质量下降。
在深度学习领域，已经提出了许多基于配对图像监督学习的图像质量增强方法，但每种方法仅针对一种图像质量增强问题。内窥镜图像涉及患者隐私获取困难，可用数据量远远小于自然图像，也没有可用的配对公开数据集。因此这些方法仅能用模拟数据训练模型，在真实内窥镜图像上表现不容乐观。而且每个不同的方法仅针对一种图像质量问题，缺乏通用性。因此，现有的内窥镜图像质量增强方法采用配对的模拟数据进行训练对真实内窥镜场景的鲁棒性较差，且不同的方法仅仅适用于特定的内窥镜图像质量缺陷不具有通用性。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于生成对抗神经网络的通用内窥镜图像增强方法，其能够既满足任务的需求又对真实场景有很强的适应性，能够应用在不同的内窥镜图像质量增强问题中，且大幅度提升训练的精度。
本发明的技术方案是：这种基于生成对抗神经网络的通用内窥镜图像增强方法，其包括以下步骤：
(1)使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；
(2)提取出该模型中生成器的部分网络层作为一个通用的预训练模型；
(3)针对不同的内窥镜图像质量缺陷，在步骤(2)的预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
本发明通过使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型，相对于使用配对的模拟数据训练出的模型在真实的内窥镜场景下适应性更强，更能满足医生手术操作中的实际需求；提出的预训练模型作为通用的主干网络能够应用在不同的内窥镜图像质量增强问题中，且大幅度提升训练的精度，得到更加令人满意的结果。
还提供了基于生成对抗神经网络的通用内窥镜图像增强装置，其包括：
初始训练模块，其配置来使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；
提取模块，其配置来提取出该模型中生成器的部分网络层作为一个通用的预训练模型；
迁移模块，其配置来针对不同的内窥镜图像质量缺陷，在预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
附图说明
图1是根据本发明的基于生成对抗神经网络的通用内窥镜图像增强方法的网络结构。
图2是根据本发明的基于生成对抗神经网络的通用内窥镜图像增强方法的训练策略。
图3是根据本发明的基于生成对抗神经网络的通用内窥镜图像增强方法的生成器部分共享策略。
图4是根据本发明的基于生成对抗神经网络的通用内窥镜图像增强方法的流程图。
具体实施方式
如图3所示，这种基于生成对抗神经网络的通用内窥镜图像增强方法，其包括以下步骤：
(1)使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；
(2)提取出该模型中生成器的部分网络层作为一个通用的预训练模型；
(3)针对不同的内窥镜图像质量缺陷，在步骤(2)的预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
本发明通过使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型，相对于使用配对的模拟数据训练出的模型在真实的内窥镜场景下适应性更强，更能满足医生手术操作中的实际需求；提出的预训练模型作为通用的主干网络能够应用在不同的内窥镜图像质量增强问题中，且大幅度提升训练的精度，得到更加令人满意的结果。
优选地，所述步骤(1)中，生成对抗网络为采用循环一致性损失的生成对抗神经网络；训练时的图片具有在内窥镜图像中广泛性存在的图像质量缺陷，有图像质量缺陷的内窥镜图像为
xi为第i张缺陷图像，N为缺陷图像的总数；转化后的图像质量可观的内窥镜图像为
yi为第i张高质量图像，M为高质量图像的总数；
通过使用采用循环一致性损失的生成对抗网络进行训练可以直接使用非配对的真实采集的内窥镜图像进行训练，相对于使用配对的模拟数据训练出的模型在真实的内窥镜场景下适应性更强，更能满足医生手术操作中的实际需求。
优选地，所述步骤(1)中，图像质量缺陷包括：亮暗不均、模糊。
优选地，所述步骤(2)中，在该网络中，引入两个生成器G：X→Y和F：Y→X，以及两个分别与之对应的判别器DY和DX；在两个对偶的生成对抗网络中引入生成对抗损失进行对抗训练，为了获得对抗损失
对于生成器G和与之对应的判别器DY有公式(3)：
对于生成器F和与之对应的判别器DX有公式(4)：
在使用非配对图像进行训练的过程中，为了保证生成的图像仍然保留原始图像的特性，引入循环一致性损失。使用生成器G将有图像质量缺陷的内窥镜图像x转化为质量较好的图像G(x)，再通过生成器F将G(x)恢复成图像质量差的F(G(x))，保证图像经过两个生成器G和F后仍然能够回复到图像本身；
整个训练过程包括前向循环公式(5):
x→G(x)→F(G(x))≈x (5)
和后向循环公式(6)：
y→F(y)→G(F(y))≈y (6)
引入L1范数计算循环一致性损失
见公式(7)：
则总损失函数
为公式(8)：
λ为一致性损失的权重；
该网络的目标函数为公式(9)：
优选地，所述步骤(2)中，生成器的网络，输入256×256大小的图像，进行三次降采样后采用9个resnet模块处理特征图像，最后使用三次上采样恢复至原图大小；降采样第一层和上采样最后一层采用步长为1，卷积核大小为7×7的卷积层；后两层降采样均采用步长为2，卷积核大小为3×3的卷积层；前两层上采样采用步长为1/2，卷积核大小为3×3的反卷积层；判别器网络采用70x70的PatchGANs，相比全参数的判别器它使用的参数更少，且能以完全卷积的方式处理任意尺寸的图像。
所使用的生成对抗网络中生成器和判别器的具体网络结构图如图1所示。优选地，所述步骤(2)中，网络训练时，两个生成器和两个判别器分别共享权重；训练时，在公式(8)中λ取8.0，初始学习率设置为0.0002，前30个轮次学习率保持不变，后90个轮次采用线性下降策略，使学习率逐渐下降至趋于0。
Chen等人在三维医学图像分割任务上的研究表明，将多种分割数据同时训练出的预训练模型作为编码器迁移至其他三维医学分割问题上时会显著增加分割的精度。受该想法的启发，本发明在第一步训练出来的模型的基础上，提取生成器的部分网络层作为通用的预训练模型。具体的共享部分如图2所示。判别器容易过拟合，为了保持判别器的性能，判别器不作为共享参数，每一种图像质量增强模型拥有独立的判别器。由于本发明所用的生成对抗网络包括两个生成器，生成器G执行正向任务将图像质量有不同缺陷的内窥镜图像转化为图像质量好的内窥镜图像，生成器F反之。所以对于生成器G而言，最后输出的图像质量较好的内窥镜图片特征具有一致性；对于生成器F而言，开始输入的没有图像质量缺陷的内窥镜图片特征具有一致性。
优选地，所述步骤(3)中，在生成器G：X→Y中，提取后五个resnet块以及三个上采样层作为共享部分；在生成器F：Y→X中，提取三个下采样层以及前五个resnet块作为共享部分；将该预训练模型迁移至不同的内窥镜图像质量增强模型中，采用循环一致性损失的生成对抗神经网络训练，得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
优选地，所述步骤(3)中，内窥镜图像增强模型包括：去烟模型、色彩校正模型。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于生成对抗神经网络的通用内窥镜图像增强装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
初始训练模块，其配置来使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；
提取模块，其配置来提取出该模型中生成器的部分网络层作为一个通用的预训练模型；
迁移模块，其配置来针对不同的内窥镜图像质量缺陷，在预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
优选地，所述初始训练模块中，生成对抗网络为采用循环一致性损失的生成对抗神经网络；所述提取模块中，输入256×256大小的图像，进行三次降采样后采用9个resnet模块处理特征图像，最后使用三次上采样恢复至原图大小；降采样第一层和上采样最后一层采用步长为1，卷积核大小为7×7的卷积层；后两层降采样均采用步长为2，卷积核大小为3×3的卷积层；前两层上采样采用步长为1/2，卷积核大小为3×3的反卷积层；判别器网络采用70x70的PatchGANs；网络训练时，两个生成器和两个判别器分别共享权重；所述迁移模块中，每一种图像质量增强模型拥有独立的判别器；在生成器G：X→Y中，提取后五个resnet块以及三个上采样层作为共享部分；在生成器F：Y→X中，提取三个下采样层以及前五个resnet块作为共享部分。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (10)
1.基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：其包括以下步骤：
(1)使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；
(2)提取出该模型中生成器的部分网络层作为一个通用的预训练模型；
(3)针对不同的内窥镜图像质量缺陷，在步骤(2)的预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
2.根据权利要求1所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(1)中，生成对抗网络为采用循环一致性损失的生成对抗神经网络；训练时的图片具有在内窥镜图像中广泛性存在的图像质量缺陷，有图像质量缺陷的内窥镜图像为
xi为第i张缺陷图像，N为缺陷图像的总数；转化后的图像质量可观的内窥镜图像为
yi为第i张高质量图像，M为高质量图像的总数。
3.根据权利要求2所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(1)中，图像质量缺陷包括：亮暗不均、模糊。
4.根据权利要求3所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(2)中，在该网络中，引入两个生成器G：X→Y和F：Y→X，以及两个分别与之对应的判别器DY和DX；在两个对偶的生成对抗网络中引入生成对抗损失进行对抗训练，为了得到对抗损失
对于生成器G和与之对应的判别器DY有公式(3)：
对于生成器F和与之对应的判别器DX有公式(4)：
使用生成器G将有图像质量缺陷的内窥镜图像x转化为质量较好的图像G(x)，再通过生成器F将G(x)恢复成图像质量差的F(G(x))，保证图像经过两个生成器G和F后仍然能够回复到图像本身；
整个训练过程包括前向循环公式(5)：
x→G(x)→F(G(x))≈x (5)
和后向循环公式(6)：
y→F(y)→G(F(y))≈y (6)
引入L1范数计算循环一致性损失
见公式(7)：
则总损失函数
为公式(8)：
λ为一致性损失的权重；
该网络的目标函数为公式(9)：
5.根据权利要求4所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(2)中，输入256×256大小的图像，进行三次降采样后采用9个resnet模块处理特征图像，最后使用三次上采样恢复至原图大小；降采样第一层和上采样最后一层采用步长为1，卷积核大小为7×7的卷积层；后两层降采样均采用步长为2，卷积核大小为3×3的卷积层；前两层上采样采用步长为1/2，卷积核大小为3×3的反卷积层；判别器网络采用70x70的PatchGANs。
6.根据权利要求5所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(2)中，网络训练时，两个生成器和两个判别器分别共享权重；训练时，在公式(8)中λ取8.0，初始学习率设置为0.0002，前30个轮次学习率保持不变，后90个轮次采用线性下降策略，使学习率逐渐下降至趋于0。
7.根据权利要求6所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(3)中，在生成器G：X→Y中，提取后五个resnet块以及三个上采样层作为共享部分；在生成器F：Y→X中，提取三个下采样层以及前五个resnet块作为共享部分；将该预训练模型迁移至不同的内窥镜图像质量增强模型中，采用循环一致性损失的生成对抗神经网络训练，得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
8.根据权利要求7所述的基于生成对抗神经网络的通用内窥镜图像增强方法，其特征在于：所述步骤(3)中，内窥镜图像增强模型包括：去烟模型、色彩校正模型。
9.基于生成对抗神经网络的通用内窥镜图像增强装置，其特征在于：其包括：
初始训练模块，其配置来使用生成对抗网络训练出一个单一的针对大部分内窥镜图像都存在的图像质量缺陷的模型；
提取模块，其配置来提取出该模型中生成器的部分网络层作为一个通用的预训练模型；
迁移模块，其配置来针对不同的内窥镜图像质量缺陷，在预训练模型的基础上进行训练，最终得到针对不同内窥镜图像质量缺陷的性能更加良好的神经网络模型。
10.根据权利要求9所述的基于生成对抗神经网络的通用内窥镜图像增强装置，其特征在于：
所述初始训练模块中，生成对抗网络为采用循环一致性损失的生成对抗神经网络；
所述提取模块中，输入256×256大小的图像，进行三次降采样后采用9个resnet模块处理特征图像，最后使用三次上采样恢复至原图大小；降采样第一层和上采样最后一层采用步长为1，卷积核大小为7×7的卷积层；后两层降采样均采用步长为2，卷积核大小为3×3的卷积层；前两层上采样采用步长为1/2，卷积核大小为3×3的反卷积层；判别器网络采用70x70的PatchGANs；网络训练时，两个生成器和两个判别器分别共享权重；
所述迁移模块中，每一种图像质量增强模型拥有独立的判别器；在生成器G：X→Y中，提取后五个resnet块以及三个上采样层作为共享部分；在生成器F：Y→X中，提取三个下采样层以及前五个resnet块作为共享部分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010541347.2A CN111784596A (zh) | 2020-06-12 | 2020-06-12 | 基于生成对抗神经网络的通用内窥镜图像增强方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010541347.2A CN111784596A (zh) | 2020-06-12 | 2020-06-12 | 基于生成对抗神经网络的通用内窥镜图像增强方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111784596A true CN111784596A (zh) | 2020-10-16 |
Family
ID=72756511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010541347.2A Pending CN111784596A (zh) | 2020-06-12 | 2020-06-12 | 基于生成对抗神经网络的通用内窥镜图像增强方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784596A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258438A (zh) * | 2020-10-28 | 2021-01-22 | 清华大学深圳国际研究生院 | 一种基于非配对数据的ldct图像恢复算法 |
| CN112767266A (zh) * | 2021-01-11 | 2021-05-07 | 之江实验室 | 一种面向深度学习的显微内窥镜图像数据增强方法 |
| CN113469959A (zh) * | 2021-06-16 | 2021-10-01 | 北京理工大学 | 基于质量缺陷成像模型的对抗训练优化方法及装置 |
| CN114139648A (zh) * | 2021-12-07 | 2022-03-04 | 北京科技大学 | 一种尾矿充填管路异常智能检测方法及系统 |
| CN115393230A (zh) * | 2022-10-28 | 2022-11-25 | 武汉楚精灵医疗科技有限公司 | 超声内镜图像标准化方法、装置及其相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978037A (zh) * | 2019-03-18 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、模型训练方法、装置、和存储介质 |
| US20190295223A1 (en) * | 2018-03-22 | 2019-09-26 | Adobe Inc. | Aesthetics-guided image enhancement |
| CN110705406A (zh) * | 2019-09-20 | 2020-01-17 | 五邑大学 | 基于对抗迁移学习的人脸美丽预测方法及装置 |
| CN111161178A (zh) * | 2019-12-25 | 2020-05-15 | 湖南大学 | 基于生成式对抗网络的单幅低光图像增强方法 |
| CN111260584A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 基于gan网络的水下退化图像增强的方法 |
-
2020
- 2020-06-12 CN CN202010541347.2A patent/CN111784596A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190295223A1 (en) * | 2018-03-22 | 2019-09-26 | Adobe Inc. | Aesthetics-guided image enhancement |
| CN109978037A (zh) * | 2019-03-18 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、模型训练方法、装置、和存储介质 |
| CN110705406A (zh) * | 2019-09-20 | 2020-01-17 | 五邑大学 | 基于对抗迁移学习的人脸美丽预测方法及装置 |
| CN111161178A (zh) * | 2019-12-25 | 2020-05-15 | 湖南大学 | 基于生成式对抗网络的单幅低光图像增强方法 |
| CN111260584A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 基于gan网络的水下退化图像增强的方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258438A (zh) * | 2020-10-28 | 2021-01-22 | 清华大学深圳国际研究生院 | 一种基于非配对数据的ldct图像恢复算法 |
| CN112258438B (zh) * | 2020-10-28 | 2023-07-25 | 清华大学深圳国际研究生院 | 一种基于非配对数据的ldct图像恢复方法 |
| CN112767266A (zh) * | 2021-01-11 | 2021-05-07 | 之江实验室 | 一种面向深度学习的显微内窥镜图像数据增强方法 |
| CN112767266B (zh) * | 2021-01-11 | 2022-08-30 | 之江实验室 | 一种面向深度学习的显微内窥镜图像数据增强方法 |
| CN113469959A (zh) * | 2021-06-16 | 2021-10-01 | 北京理工大学 | 基于质量缺陷成像模型的对抗训练优化方法及装置 |
| CN114139648A (zh) * | 2021-12-07 | 2022-03-04 | 北京科技大学 | 一种尾矿充填管路异常智能检测方法及系统 |
| CN114139648B (zh) * | 2021-12-07 | 2022-08-02 | 北京科技大学 | 一种尾矿充填管路异常智能检测方法及系统 |
| CN115393230A (zh) * | 2022-10-28 | 2022-11-25 | 武汉楚精灵医疗科技有限公司 | 超声内镜图像标准化方法、装置及其相关装置 |
| CN115393230B (zh) * | 2022-10-28 | 2023-02-03 | 武汉楚精灵医疗科技有限公司 | 超声内镜图像标准化方法、装置及其相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784596A (zh) | 基于生成对抗神经网络的通用内窥镜图像增强方法及装置 | |
| Wang et al. | Joint iterative color correction and dehazing for underwater image enhancement | |
| CN110223251B (zh) | 适用于人工与自然光源的卷积神经网络水下图像复原方法 | |
| CN113658057A (zh) | 一种Swin Transformer微光图像增强方法 | |
| CN111986106A (zh) | 一种基于神经网络的高动态图像重建方法 | |
| CN113159019A (zh) | 一种基于光流变换的暗光视频增强方法 | |
| Su et al. | Explorable tone mapping operators | |
| CN117197627B (zh) | 一种基于高阶退化模型的多模态图像融合方法 | |
| Wu et al. | An improved method of low light image enhancement based on retinex | |
| CN116389912B (zh) | 脉冲相机融合普通相机重构高帧率高动态范围视频的方法 | |
| CN110557572A (zh) | 一种图像处理方法、装置及卷积神经网络系统 | |
| CN117237207A (zh) | 针对动态场景的无鬼影高动态范围光场成像方法 | |
| Yue et al. | Deep pyramid network for low-light endoscopic image enhancement | |
| CN108305252B (zh) | 用于便携式电子内镜的图像融合方法 | |
| US20230325974A1 (en) | Image processing method, apparatus, and non-transitory computer-readable medium | |
| Jiang et al. | Learning a frequency separation network with hybrid convolution and adaptive aggregation for low-dose CT denoising | |
| CN116645281A (zh) | 一种基于多阶段拉普拉斯特征融合的微光图像增强方法 | |
| Vavilin et al. | Fast HDR image generation from multi-exposed multiple-view LDR images | |
| CN116152128A (zh) | 基于注意力机制的高动态范围多曝光图像融合模型及方法 | |
| Anand et al. | Hdrvideo-gan: deep generative hdr video reconstruction | |
| CN114862698A (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
| CN110796607B (zh) | 一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法 | |
| CN113808057A (zh) | 基于无监督学习的内窥镜图像增强方法 | |
| CN116957968B (zh) | 一种消化道内窥镜图像增强方法、系统、设备及介质 | |
| Guo et al. | Single-Image HDR Reconstruction Based on Two-Stage GAN Structure |
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 |