CN111833267A - 一种进行运动模糊复原的双重生成对抗网络及其运行方法 - Google Patents
一种进行运动模糊复原的双重生成对抗网络及其运行方法 Download PDFInfo
- Publication number
- CN111833267A CN111833267A CN202010565935.XA CN202010565935A CN111833267A CN 111833267 A CN111833267 A CN 111833267A CN 202010565935 A CN202010565935 A CN 202010565935A CN 111833267 A CN111833267 A CN 111833267A
- Authority
- CN
- China
- Prior art keywords
- generator
- dual
- image
- countermeasure network
- discriminator
- 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
- 230000009977 dual effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 27
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 6
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
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
本发明提出一种进行运动模糊复原的双重生成对抗网络，包括数据集清晰域、数据集模糊域、偶合的第一生成对抗网络和第二生成对抗网络，所述第一生成对抗网络包括原始生成器GA以及对应的原始判别器DA，所述第二生成对抗网络包括对偶生成器GB以及对应的对偶判别器DB。本发明解决了去模糊数据集难获取的难题，只需分别获取足够多的模糊图像和清晰图像即可，用两个一样的生成对抗网络形成一个双重对抗网络，实现可以在非成数据集上训练。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种进行运动模糊复原的双重生成对抗网络及其运行方法。
背景技术
在电子设备广泛普及的今天，照片成了记录生活的重要方式，监控成了找到犯罪嫌疑人的有利手段。在图像获取的过程中经常会受到一些因素的影响导致图像质量下降，例如摄影设备未聚焦，电路噪声，相机抖动和被摄物体运动等。因此图像模糊分为很多种，其中最常见也是处理难度最大的就是运动模糊。相机运动和目标物体运动是产生运动模糊的主要两大原因。在街道上的智能监控和自动驾驶都需要有效的去模糊算法先去除运动模糊增加识别率。因此，图像去模糊是机器识别任务中预处理的一环，可以增加应用在实际场景中的识别率。
当深度学习让计算机视觉领域获得突飞猛进的发展后，各地学者也纷纷开始使用深度网络来处理图像去模糊问题。2016年，Nah等人提出使用多尺度的卷积神经网络直接对图像进行去模糊。他们使用了“端到端”(End-to-end)的训练方式，让网络直接输出重建后的清晰图像。
这种端到端的训练方式让数据集占据着很重要的地位。然而与图像超分辨任务和图像风格转换任务不一样的是，图像去模糊数据集很难获得。在某个场景下拍摄得到一张模糊图像，把它拿回原位置再重新拍摄一张清晰的图像，由于拍摄的角度、光线、位置不可能完全相同，这两张图像的构图并不会完全相同。所以去模糊数据集的获取成为了去模糊过程中的一大难题。大多数学者们专注于研究如何合成尽可能真实的模糊图像，并在合成的数据集中训练去模糊模型。合成的数据集和真实场景中拍摄的模糊图数据分布有很大的区别，使得在合成的数据集上训练的去模糊算法运用到真实拍摄的模糊图像时去模糊效果下降，缺乏良好的泛化能力。此外，强有力的监督可能导致算法过度拟合训练数据，因此不能很好地推广到真实图像。
发明内容
本发明解决了去模糊数据集难获取以及去模糊算法实用性低的问题，提出一种进行运动模糊复原的双重生成对抗网络及其运行方法，在非成对去模糊数据集上训练，解决了去模糊数据集难获取的难题，只需分别获取足够多的模糊图像和清晰图像即可，用两个一样的生成对抗网络形成一个双重对抗网络，实现可以在非成数据集上训练。
为实现上述目的，本发明提供以下的技术方案：
一种进行运动模糊复原的双重生成对抗网络，包括数据集清晰域、数据集模糊域、偶合的第一生成对抗网络和第二生成对抗网络，所述第一生成对抗网络包括原始生成器GA以及对应的原始判别器DA，所述第二生成对抗网络包括对偶生成器GB以及对应的对偶判别器DB，所述原始生成器GA将模糊图像转化为清晰图像，原始判别器DA判断原始生成器GA生成的清晰图像与数据集清晰域中的清晰图像的拟合程度，优化原始生成器GA；所述对偶生成器GB将清晰图像转换为模糊图像，对偶判别器DB判断对偶生成器GB生成的模糊图像与数据集模糊域中的模糊图像的拟合程度，优化对偶生成器GB。
当一张模糊图像IB通过原始生成器GA生成假的清晰图像GA(IB)，再通过对偶生成器GB生成一张假的模糊图像GB(GA(IB)),由IB和GB(GA(IB))构建一个循环一致性损失：||GB(GA(IB))-IB||；当一张清晰图像IS通过对偶生成器GB生成假的模糊图像GB(IS)，再通过原始生成器GA生成一张假的清晰图像GA(GB(IS)),由IS和GA(GB(IS))构建一个循环一致性损失：||GA(GB(IS))-IS||。正如，原始生成器GA可以把模糊图像转换成清晰图像，但是原始生成器GA不知道它转换的准不准确，但是通过判断对偶生成器GB继续转换成模糊图像是否与输入的模糊图一致可以判断生成清晰图像的准确性，反之亦然。因此，迭代一次可以对原始生成器GA,对偶生成器GB双重优化，从而得到一个最优的GA,当随便输入一张模糊图像进去，则可以生成一张清晰的图像。
本发明在非成对去模糊数据集上训练，解决了去模糊数据集难获取的难题，只需分别获取足够多的模糊图像和清晰图像即可，且用真实拍摄的模糊图像进行学习使得该算法具有很好的泛化能力；本发明无需考虑模糊核，直接把图像去模糊当成是模糊图像域到清晰图像域的图像风格转换任务。本发明用两个一样的生成对抗网络形成一个双重对抗网络，实现可以在非成数据集上训练。
作为优选，所述原始生成器GA和对偶生成器GB设有生成器损失函数：
其中，IS为原始清晰图像，IB为原始模糊图像，GA为原始生成器将清晰域的图像转换为模糊域的图像，GB为对偶生成器将模糊图像转化为清晰图像，λA，λB为超参数。使用全新的损失函数技术提高算法去模糊效果。
作为优选，所述原始判别器DA和对偶判别器DB设有判别器损失函数：
其中,
γ为超参数。设为10，加上惩罚项之后可以约束生成的图像更接近清晰图像且不会超过清晰图像产生伪影，使用全新的损失函数技术提高算法去模糊效果。
作为优选，所述原始生成器GA和对偶生成器GB为同一类的生成器，所述生成器包括三个阶段，第一阶段和第三阶段相同，包括一个开始残差块，一个中间残差块和一个结束残差块，第二阶段包括一个开始残差块，四个中间残差块，一个结束残差块。
分成三个阶段，这样即使网络层数增加，主路径上也只有三个BN，即归一化层。提高网络性能的同时不增加计算复杂度。运用残差网络利于生成图像的细节部分，可以生成更有效的去模糊图像，这样的残差网络设计既避免了传统残差块的叠加引起的信息阻碍，也避免了预激活残差块的快捷连接造成的信息传播无规范。
作为优选，所述原始判别器DA和判别器DB为同一类的判别器，所述判别器为pix2pix中的判别器PatchGAN。
与普通判别网络不同，它只在图像块上判断图像的真实性，整张图像的真实性为所有图像块的真实性的平均值。只关注图像块使得PatchGAN能将“注意力”放在图像的局部信息上，使生成的图像结构更丰富细腻、整体更逼真。
一种进行运动模糊复原的双重生成对抗网络的运行方法，适用于上述的一种进行运动模糊复原的双重生成对抗网络，包括以下步骤：
S1，获取图像建立数据集，包括数据集清晰域和数据集模糊域；
S2，构建双重生成对抗网络结构；
S3，利用数据集对双重生成对抗网络进行训练，得到训练好的双重生成对抗网络；
S4，输入任一模糊图像至训练好的双重生成对抗网络，获得一张清晰图像。
作为优选，所述步骤S1具体包括：用相机拍摄1000张不同场景下的清晰图像IS，构成数据集清晰域；在不同场景再获取1000张存在运动模糊的图像IB，构成数据集模糊域；所述数据集清晰域和数据集模糊域构成1000对非成对的数据集。
作为优选，所述步骤S3具体包括：
S301，确定损失函数，损失函数分别为：
其中，
为原始生成器GA的损失函数，
为对偶生成器GB的损失函数，
为原始判别器DA的损失函数，
为对偶判别器DB的损失函数。λA，λB凭经验设为100，可以通过训练结果进行调整，γ一般设为10。
S302，对网络进行训练，使用小批量随机梯度下降法并应用RMSProp求解器进行训练，先对判别器进行关键步骤训练，然后对生成器进行一步训练。
因为基于动量的方法，例如Adam，偶尔会引起不稳定性，并且已知RMSProp即使在高度不稳定的问题上也表现良好。通常将每个生成器迭代的批注者迭代次数n设置为5，并将批处理大小设为1，通过实验发现，这样获得的模型在测试集上的表现更好而在实验有效性上没有明显差异。削波参数c通常设置为[-0.1,0.1]，具体取决于应用程序。详细的模型训练参数如表1。
本发明有以下有益效果：在非成对去模糊数据集上训练，解决了去模糊数据集难获取的难题，只需分别获取足够多的模糊图像和清晰图像即可；用真实拍摄的模糊图像进行学习使得该算法具有很好的泛化能力；无需考虑模糊核，直接把图像去模糊当成是模糊图像域到清晰图像域的图像风格转换任务；用两个一样的生成对抗网络形成一个双重对抗网络，实现可以在非成数据集上训练；使用全新的损失函数技术提高算法去模糊效果。
附图说明
图1是本实施例的网络结构构成图；
图2是本实施例中各阶残差块的构成图；
具体实施方式
实施例：
本实施例提出一种进行运动模糊复原的双重生成对抗网络，参考图1，包括数据集清晰域、数据集模糊域、偶合的第一生成对抗网络和第二生成对抗网络，第一生成对抗网络包括原始生成器GA以及对应的原始判别器DA，第二生成对抗网络包括对偶生成器GB以及对应的对偶判别器DB，原始生成器GA将模糊图像转化为清晰图像，原始判别器DA判断原始生成器GA生成的清晰图像与数据集清晰域中的清晰图像的拟合程度，优化原始生成器GA；对偶生成器GB将清晰图像转换为模糊图像，对偶判别器DB判断对偶生成器GB生成的模糊图像与数据集模糊域中的模糊图像的拟合程度，优化对偶生成器GB。
原始生成器GA和对偶生成器GB为同一类的生成器，生成器包括三个阶段，参考图2，第一阶段和第三阶段相同，包括一个开始残差块，一个中间残差块和一个结束残差块，第二阶段包括一个开始残差块，四个中间残差块，一个结束残差块。原始判别器DA和判别器DB为同一类的判别器，判别器为pix2pix中的判别器PatchGAN。
当一张模糊图像IB通过原始生成器GA生成假的清晰图像GA(IB)，再通过对偶生成器GB生成一张假的模糊图像GB(GA(IB)),由IB和GB(GA(IB))构建一个循环一致性损失：||GB(GA(IB))-IB||；当一张清晰图像IS通过对偶生成器GB生成假的模糊图像GB(IS)，再通过原始生成器GA生成一张假的清晰图像GA(GB(IS)),由IS和GA(GB(IS))构建一个循环一致性损失：||GA(GB(IS))-IS||。正如，原始生成器GA可以把模糊图像转换成清晰图像，但是原始生成器GA不知道它转换的准不准确，但是通过判断对偶生成器GB继续转换成模糊图像是否与输入的模糊图一致可以判断生成清晰图像的准确性，反之亦然。因此，迭代一次可以对原始生成器GA,对偶生成器GB双重优化，从而得到一个最优的GA,当随便输入一张模糊图像进去，则可以生成一张清晰的图像。
原始生成器GA和对偶生成器GB设有生成器损失函数：
其中，IS为原始清晰图像，IB为原始模糊图像，GA为原始生成器将清晰域的图像转换为模糊域的图像，GB为对偶生成器将模糊图像转化为清晰图像，λA，λB为超参数。使用全新的损失函数技术提高算法去模糊效果。
原始判别器DA和对偶判别器DB设有判别器损失函数：
其中,
γ为超参数，设为10，加上惩罚项之后可以约束生成的图像更接近清晰图像且不会超过清晰图像产生伪影，使用全新的损失函数技术提高算法去模糊效果。
生成器分成三个阶段，这样即使网络层数增加，主路径上也只有三个BN，即归一化层。提高网络性能的同时不增加计算复杂度。运用残差网络利于生成图像的细节部分，可以生成更有效的去模糊图像，这样的残差网络设计既避免了传统残差块的叠加引起的信息阻碍，也避免了预激活残差块的快捷连接造成的信息传播无规范。
判别器PatchGAN与普通判别网络不同，它只在图像块上判断图像的真实性，整张图像的真实性为所有图像块的真实性的平均值。只关注图像块使得PatchGAN能将“注意力”放在图像的局部信息上，使生成的图像结构更丰富细腻、整体更逼真。
本发明还提出一种进行运动模糊复原的双重生成对抗网络的运行方法，适用于上述的一种进行运动模糊复原的双重生成对抗网络，包括以下步骤：
S1，获取图像建立数据集，包括数据集清晰域和数据集模糊域；
步骤S1具体包括：用相机拍摄1000张不同场景下的清晰图像IS，构成数据集清晰域；在不同场景再获取1000张存在运动模糊的图像IB，构成数据集模糊域；数据集清晰域和数据集模糊域构成1000对非成对的数据集。
S2，构建双重生成对抗网络结构；
S3，利用数据集对双重生成对抗网络进行训练，得到训练好的双重生成对抗网络；
步骤S3具体包括：
S301，确定损失函数，损失函数分别为：
其中，
为原始生成器GA的损失函数，
为对偶生成器GB的损失函数，
为原始判别器DA的损失函数，
为对偶判别器DB的损失函数。λA，λB凭经验设为100，可以通过训练结果进行调整，γ一般设为10。
S302，对网络进行训练，使用小批量随机梯度下降法并应用RMSProp求解器进行训练，先对判别器进行关键步骤训练，然后对生成器进行一步训练。因为基于动量的方法，例如Adam，偶尔会引起不稳定性，并且已知RMSProp即使在高度不稳定的问题上也表现良好。通常将每个生成器迭代的批注者迭代次数n设置为5，并将批处理大小设为1，通过实验发现，这样获得的模型在测试集上的表现更好而在实验有效性上没有明显差异。削波参数c通常设置为[-0.1,0.1]，具体取决于应用程序。详细的模型训练参数如下表：
| 初始学习率 | 0.00005 |
| γ | 10 |
| 优化算法 | RMSProp |
| λ<sub>A</sub> | 1000 |
| λ<sub>B</sub> | 1000 |
| Batch_size | 1 |
| 迭代次数 | 200 |
S4，输入任一模糊图像至训练好的双重生成对抗网络，获得一张清晰图像。
本发明有以下有益效果：在非成对去模糊数据集上训练，解决了去模糊数据集难获取的难题，只需分别获取足够多的模糊图像和清晰图像即可；用真实拍摄的模糊图像进行学习使得该算法具有很好的泛化能力；无需考虑模糊核，直接把图像去模糊当成是模糊图像域到清晰图像域的图像风格转换任务；用两个一样的生成对抗网络形成一个双重对抗网络，实现可以在非成数据集上训练；使用全新的损失函数技术提高算法去模糊效果。
Claims (8)
1.一种进行运动模糊复原的双重生成对抗网络，其特征是，包括数据集清晰域、数据集模糊域、偶合的第一生成对抗网络和第二生成对抗网络，所述第一生成对抗网络包括原始生成器GA以及对应的原始判别器DA，所述第二生成对抗网络包括对偶生成器GB以及对应的对偶判别器DB，所述原始生成器GA将模糊图像转化为清晰图像，原始判别器DA判断原始生成器GA生成的清晰图像与数据集清晰域中的清晰图像的拟合程度，优化原始生成器GA；所述对偶生成器GB将清晰图像转换为模糊图像，对偶判别器DB判断对偶生成器GB生成的模糊图像与数据集模糊域中的模糊图像的拟合程度，优化对偶生成器GB。
2.根据权利要求1所述的一种进行运动模糊复原的双重生成对抗网络，其特征是，所述原始生成器GA和对偶生成器GB设有生成器损失函数：
其中，IS为原始清晰图像，IB为原始模糊图像，GA为原始生成器将清晰域的图像转换为模糊域的图像，GB为对偶生成器将模糊图像转化为清晰图像，λA，λB为超参数。
3.根据权利要求1所述的一种进行运动模糊复原的双重生成对抗网络，其特征是，所述原始判别器DA和对偶判别器DB设有判别器损失函数：
其中,
γ为超参数。
4.根据权利要求1所述的一种进行运动模糊复原的双重生成对抗网络，其特征是，所述原始生成器GA和对偶生成器GB为同一类的生成器，所述生成器包括三个阶段，第一阶段和第三阶段相同，包括一个开始残差块，一个中间残差块和一个结束残差块，第二阶段包括一个开始残差块，四个中间残差块，一个结束残差块。
5.根据权利要求1所述的一种进行运动模糊复原的双重生成对抗网络，其特征是，所述原始判别器DA和判别器DB为同一类的判别器，所述判别器为pix2pix中的判别器PatchGAN。
6.一种进行运动模糊复原的双重生成对抗网络的运行方法，适用于权利要求1所述的一种进行运动模糊复原的双重生成对抗网络，其特征是，包括以下步骤：
S1，获取图像建立数据集，包括数据集清晰域和数据集模糊域；
S2，构建双重生成对抗网络结构；
S3，利用数据集对双重生成对抗网络进行训练，得到训练好的双重生成对抗网络；
S4，输入任一模糊图像至训练好的双重生成对抗网络，获得一张清晰图像。
7.根据权利要求6所述的一种进行运动模糊复原的双重生成对抗网络的运行方法，其特征是，所述步骤S1具体包括：用相机拍摄1000张不同场景下的清晰图像IS，构成数据集清晰域；在不同场景再获取1000张存在运动模糊的图像IB，构成数据集模糊域；所述数据集清晰域和数据集模糊域构成1000对非成对的数据集。
8.根据权利要求6所述的一种进行运动模糊复原的双重生成对抗网络的运行方法，其特征是，所述步骤S3具体包括：
S301，确定损失函数，损失函数分别为：
其中，
为原始生成器GA的损失函数，
为对偶生成器GB的损失函数，
为原始判别器DA的损失函数，
为对偶判别器DB的损失函数。
S302，对网络进行训练，使用小批量随机梯度下降法并应用RMSProp求解器进行训练，先对判别器进行关键步骤训练，然后对生成器进行一步训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010565935.XA CN111833267A (zh) | 2020-06-19 | 2020-06-19 | 一种进行运动模糊复原的双重生成对抗网络及其运行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010565935.XA CN111833267A (zh) | 2020-06-19 | 2020-06-19 | 一种进行运动模糊复原的双重生成对抗网络及其运行方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111833267A true CN111833267A (zh) | 2020-10-27 |
Family
ID=72897884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010565935.XA Pending CN111833267A (zh) | 2020-06-19 | 2020-06-19 | 一种进行运动模糊复原的双重生成对抗网络及其运行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833267A (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 |
| CN112634163A (zh) * | 2020-12-29 | 2021-04-09 | 南京大学 | 基于改进型循环生成对抗网络去图像运动模糊方法 |
| CN112766489A (zh) * | 2021-01-12 | 2021-05-07 | 合肥黎曼信息科技有限公司 | 一种基于对偶距离损失的生成对抗网络训练方法 |
| CN112884671A (zh) * | 2021-02-26 | 2021-06-01 | 南京航空航天大学 | 一种基于无监督生成对抗网络的模糊图像复原方法 |
| CN113689348A (zh) * | 2021-08-18 | 2021-11-23 | 中国科学院自动化研究所 | 多任务图像复原方法、系统、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
| CN108573479A (zh) * | 2018-04-16 | 2018-09-25 | 西安电子科技大学 | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 |
| CN109190579A (zh) * | 2018-09-14 | 2019-01-11 | 大连交通大学 | 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法 |
| CN109671018A (zh) * | 2018-12-12 | 2019-04-23 | 华东交通大学 | 一种基于生成式对抗网络和ResNets技术的图像转换方法及系统 |
| CN111275647A (zh) * | 2020-01-21 | 2020-06-12 | 南京信息工程大学 | 一种基于循环生成对抗网络的水下图像复原方法 |
-
2020
- 2020-06-19 CN CN202010565935.XA patent/CN111833267A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
| CN108573479A (zh) * | 2018-04-16 | 2018-09-25 | 西安电子科技大学 | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 |
| CN109190579A (zh) * | 2018-09-14 | 2019-01-11 | 大连交通大学 | 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法 |
| CN109671018A (zh) * | 2018-12-12 | 2019-04-23 | 华东交通大学 | 一种基于生成式对抗网络和ResNets技术的图像转换方法及系统 |
| CN111275647A (zh) * | 2020-01-21 | 2020-06-12 | 南京信息工程大学 | 一种基于循环生成对抗网络的水下图像复原方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZILI YI ET AL: "DualGAN: Unsupervised Dual Learning for Image-to-Image Translation", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
| 罗琪彬等: "采用双框架生成对抗网络的图像运动模糊盲去除", 《图学学报》 * |
Cited By (8)
| 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 |
| CN112634163A (zh) * | 2020-12-29 | 2021-04-09 | 南京大学 | 基于改进型循环生成对抗网络去图像运动模糊方法 |
| CN112766489A (zh) * | 2021-01-12 | 2021-05-07 | 合肥黎曼信息科技有限公司 | 一种基于对偶距离损失的生成对抗网络训练方法 |
| CN112884671A (zh) * | 2021-02-26 | 2021-06-01 | 南京航空航天大学 | 一种基于无监督生成对抗网络的模糊图像复原方法 |
| CN112884671B (zh) * | 2021-02-26 | 2024-02-20 | 南京航空航天大学 | 一种基于无监督生成对抗网络的模糊图像复原方法 |
| CN113689348A (zh) * | 2021-08-18 | 2021-11-23 | 中国科学院自动化研究所 | 多任务图像复原方法、系统、电子设备及存储介质 |
| CN113689348B (zh) * | 2021-08-18 | 2023-12-26 | 中国科学院自动化研究所 | 多任务图像复原方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Noisy-as-clean: Learning self-supervised denoising from corrupted image | |
| CN111833267A (zh) | 一种进行运动模糊复原的双重生成对抗网络及其运行方法 | |
| Zhang et al. | Multi-level fusion and attention-guided CNN for image dehazing | |
| Chen et al. | Hdrunet: Single image hdr reconstruction with denoising and dequantization | |
| Tran et al. | GAN-based noise model for denoising real images | |
| Pan et al. | DACNN: Blind image quality assessment via a distortion-aware convolutional neural network | |
| CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
| CN112884671B (zh) | 一种基于无监督生成对抗网络的模糊图像复原方法 | |
| CN112508817B (zh) | 一种基于循环生成对抗网络的图像运动盲去模糊方法 | |
| CN110225260B (zh) | 一种基于生成对抗网络的立体高动态范围成像方法 | |
| Zhao et al. | A simple and robust deep convolutional approach to blind image denoising | |
| Wei et al. | Non-homogeneous haze removal via artificial scene prior and bidimensional graph reasoning | |
| CN114283058A (zh) | 基于对抗网络和最大互信息优化的图像超分辨率重建方法 | |
| CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
| CN114463176B (zh) | 基于改进esrgan的图像超分辨重建方法 | |
| CN116433516A (zh) | 一种基于注意力机制的低照度图像去噪增强方法 | |
| Kumar et al. | Underwater Image Enhancement using deep learning | |
| Yang et al. | Blind VQA on 360° Video via Progressively Learning From Pixels, Frames, and Video | |
| CN115018733A (zh) | 一种基于生成对抗网络的高动态范围成像及鬼影去除方法 | |
| Banterle et al. | NoR-VDPNet++: Real-Time No-Reference Image Quality Metrics | |
| Qian et al. | Dense connected residual generative adversarial network for single image deblurring | |
| CN111612798A (zh) | 面向人脸数据对完整的人脸网纹修复方法、系统及介质 | |
| Peng et al. | RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement Method | |
| Wu et al. | RDS-denoiser: a detail-preserving convolutional neural network for image denoising | |
| CN114596219B (zh) | 一种基于条件生成对抗网络的图像去运动模糊方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |
|
| RJ01 | Rejection of invention patent application after publication |