CN112116537A - 图像反射光消除方法及图像反射光消除网络构建方法 - Google Patents
图像反射光消除方法及图像反射光消除网络构建方法 Download PDFInfo
- Publication number
- CN112116537A CN112116537A CN202010892445.0A CN202010892445A CN112116537A CN 112116537 A CN112116537 A CN 112116537A CN 202010892445 A CN202010892445 A CN 202010892445A CN 112116537 A CN112116537 A CN 112116537A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- loss
- reflected light
- reflection
- 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
- 230000008030 elimination Effects 0.000 title claims abstract description 28
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 208000032370 Secondary transmission Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明适用图像处理技术领域,提供了一种图像反射光消除方法及图像反射光消除网络构建方法;其中消除方法通过编、解码器构成的第一网络,对输入图像中的透射和反射进行粗略估计,然后将粗略反射估计作为空间注意力掩模,在第二网络中引入门控卷积层,对反射信号强烈的区域进行重点处理,进一步提升透射图像的预测精度。同时,构建采用该方法的神经网络时通过网络对抗和损失函数进行网络优化,可以得到更好的反射光消除效果。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及图像反射光消除方法及图像反射光消除网络构建方法。
背景技术
数字成像系统中针对存在玻璃反射这一特殊成像场景,图像中的反射光会对图像的投射光造成干扰,影响透射光的图像表达。对于反射光消除问题,由于反射成像时,由于玻璃厚度、成像角度以及折射率等因素影响,大部分神经网络移除反射光时受到反射干扰图像与真实透射光之间存在一定的坐标偏移,从而影响了透射图像预测的准确性。
同时,目前大部分的神经网络采用对反射光的图像进行高斯模糊之后,再与透射像加权求和的方式来生成训练样本。对于仿真生成的样本(合成的既有反射光图像又有透射光图像的图片)而言,其对应的真实反射像和透射像都是已知的,因此相比于真实样本来说,其可以用来监督学习的信息反而更加丰富。但是目前,大部分的反射光移除网络只对透射图像进行预测,而没有利用反射图像中的有用信息,因此预测性能比较有限。
发明内容
本发明的目的在于提供图像反射光消除方法及图像反射光消除网络构建方法,旨在解决提升透射图像的预测精度的技术问题。并进一步构建一种基于反射掩模引导的图像反射光消除网络。
一方面,本发明提供了一种图像反射光消除方法,所述方法包括下述步骤:
S1.通过编码器和解码器构成的第一网络对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计;
S2.通过门控卷积和普通卷积构成的第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全,输出3通道透射估计图像。
另一方面,本发明还提供了一种图像反射光消除网络的构建方法,包括:
G1.搭建Tensorflow的开发环境并选取包含反射光的图像的训练集;
G2.构建基于反射掩模引导的二级反射光消除网络模型;
G3.为所述二级反射光消除网络模型层每级网络构建损失函数,以增加最终的透射光预测的误差权重,从而提升透射估计图像的预测精度;
G4.使用Adam优化器优化所述损失函数。
本发明通过通过编、解码器构成的第一网络,对输入图像中的透射和反射进行粗略估计,然后将粗略反射估计作为空间注意力掩模,在第二网络中引入门控卷积层,对反射信号强烈的区域进行重点处理,进一步提升透射图像的预测精度。同时,构建采用该方法的神经网络时通过网络对抗和损失函数进行网络优化,可以得到更好的反射光消除效果。
附图说明
图1是本发明实施例一提供的图像反射光消除方法的实步骤框图;
图2是本发明实施例二提供的图像反射光消除网络构建方法的步骤框图;
图3是本发明施例二提供的图像反射光消除网络构建方法的中生成对抗网络中的生成器的结构图;
图4是本发明施例二提供的图像反射光消除中生成对抗网络中的判别器结构;
图5是本发明施例一提供的图像反射光消除方法的精细分割流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的一种图像反射光消除方法,所述方法包括下述步骤:
S1.通过编码器和解码器构成的第一网络对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计;
S2.通过门控卷积和普通卷积构成的第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全,输出3通道透射估计图像。
进一步的,所述第二网络还嵌入卷积块注意单元和跳跃连接以增强网络表达能力。
在优选的实施例中,第二网络是一个全卷积网络,由9个门控卷积和1个普通卷积构成。
在本发明实施例中,第二网络采用门控卷积策略,而非普通卷积方法,主要是考虑到在反射光移除问题中,反射像在透射像的不同区域上表现出的信号强度不同,因此可以把反射光移除问题看作是一个量化掩模遮挡条件下的图像恢复和补全问题。基于这一假设,门控卷积策略可以将第一级网络中预测的粗略反射估计作为空间注意力掩模,对反射信号强烈的区域进行重点处理,提升对透射图像的预测精度。
实施例二:
图2示出了本发明实施例二提供的一种图像反射光消除网络构建方法,包括以下步骤:
G1.搭建Tensorflow的开发环境并选取包含反射光的图像的训练集;
G2.构建基于反射掩模引导的二级反射光消除网络模型;
G3.为所述二级反射光消除网络模型层每级网络构建损失函数,以增加最终的透射光预测的误差权重,从而提升透射估计图像的预测精度;
G4.使用Adam优化器优化所述损失函数。
具体的,基于反射图像在透射图像的不同区域上表现出的信号强度不同,因此可以把反射光移除问题看作是一个量化掩模遮挡条件下的图像恢复和补全问题。基于这一假设,引入门控卷积方法来补全透射图片有助于提高透射图片的预测效果,同时,第一级网络中预测的粗略反射估计将作为初始掩模来进行学习更新整个对抗网络。
进一步的,如图3至图4所示,所述步骤G2包括以下步骤:
G21.通过编码器和解码器构成的第一网络,对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计;
G22.通过门控卷积和普通卷积构成的第二网络,并与所述第一网络构成生成器;所述第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全,输出3通道透射估计图像;
G23.通过5层神经网络构成判别器,对真实透射图像、所述3通道透射估计图像和所述粗略反射估计构成的9通道图像顺序进行下采样、LReLU激活和归一化处理后按批展开,生成最终的真伪判断值。
具体的,图3是本发明中生成对抗网络的生成器网络结构。该生成器一级网络包含一系列卷积层和解卷积层,由卷积块注意单元(CBAM)构成跳跃连接,其后通过6通道的卷积滤波器,在不进行激活和归一化的情况下,对信号进行粗传输和粗反射估计。二级网络是一个全卷积网络,由9个门控卷积和1个普通卷积构成,输出3通道的透射估计图像。
图4是本发明生成对抗网络中的判别器。由5层构成,输入9通道图像(包括真实透射图像、估计透射图像和粗略反射估计),判别器经过下采样、LReLU激活以及归一化处理,最后按批(batch)展开,用于生成最终的真伪判断值。
进一步的,所述损失函数由二级网络各自的损失函数加权构成;其中,单级网络的损失由像素损失以及感知损失构成。
进一步的,合成训练样本中包含了二级预测结果的所述像素损失和所述感知损失分别为:
其中,
LpixelS代表合成图像的像素损失,T和分别表示真实的透射图像与预测的透射图像,R和分别表示真实的反射图像与预测的反射图像。表示梯度运算符,λ代表权值;LperceptualS为合成训练图像的感知损失。
进一步的,所述λ1的值为0.2,所述λ2的值为0.4;将第一级预测结果的损失乘以系数0.5。主要是期望通过这一设计来增加最终的透射光预测的误差权重,从而提升对透射光的预测精度。
进一步的,真实训练样本中由于没有反射参考图像,因此损失函数中不包含反射误差项,此时,相应的像素损失和感知损失变为:
LpixelR和LperceptualR分别代表真实样本的像素损失和感知损失,式中各变量意义与合成样本的损失定义相同。
进一步的,判别器的损失函数为:
LS=αLA+βLpixelS+γLperceptualS;
LR=αLA+βLpixelR+γLperceptualR;
其中,α、β、γ均为权重系数;α设置为1,β设置为1,γ设置为0.5。
进一步的,所述步骤G4中,输入图片尺寸裁剪为200*200到384*384;输入到所述判别器时将图片尺寸设置为256*256;学习率每50步分别设置为1e-4,3e-3和1e-5,共训练150步。
具体的,如图5所示,从主观视觉方面验证提出的“由粗到精”的二级估计网络的有效性,展示了将部分合成测试图像的二级透射估计结果、反射估计结果以及相应的标签像。
在具体实施时,采用PSNR、SSIM、多尺度结构相似度(Multi-scale SSIM,MSSIM)以及MSE等参数指标作为评价指标对分类结果进行评价。其中前三个指标越高代表预测性能越好,MSE越低代表预测效果越好。
针对现有基于监督学习的反射光移除网络,利用反射图像中的有用信息,看作是一个量化掩模遮挡条件下的图像恢复和补全。有效的提高了预测网络的预测性能。弥补了现有技术无法充分利用其有效信息这一缺陷。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像反射光消除方法,其特征在于,所述方法包括下述步骤:
S1.通过编码器和解码器构成的第一网络对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计;
S2.通过门控卷积和普通卷积构成的第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全,输出3通道透射估计图像。
2.如权利要求1所述的方法,其特征在于,所述第二网络还嵌入卷积块注意单元和跳跃连接以增强网络表达能力。
3.一种图像反射光消除网络构建方法,其特征在于,包括以下步骤:
G1.搭建Tensorflow的开发环境并选取包含反射光的图像的训练集;
G2.构建基于反射掩模引导的二级反射光消除网络模型;
G3.为所述二级反射光消除网络模型层每级网络构建损失函数,以增加最终的透射光预测的误差权重,从而提升透射估计图像的预测精度;
G4.使用Adam优化器优化所述损失函数。
4.如权利要求3所述的方法,其特征在于,所述步骤G2包括以下步骤:
G21.通过编码器和解码器构成的第一网络,对包含反射光的图像进行64个通道特征提取、粗略反射估计和粗略透射估计;
G22.通过门控卷积和普通卷积构成的第二网络,并与所述第一网络构成生成器;所述第二网络对所述第一网络的输出信息进行量化掩模遮挡条件下的图像恢复和补全,输出3通道透射估计图像;
G23.通过5层神经网络构成判别器,对真实透射图像、所述3通道透射估计图像和所述粗略反射估计构成的9通道图像顺序进行下采样、LReLU激活和归一化处理后按批展开,生成最终的真伪判断值。
5.如权利要求4所述的方法,其特征在于,所述损失函数由二级网络各自的损失函数加权构成;其中,单级网络的损失由像素损失以及感知损失构成。
7.如权利要求6所述的方法,其特征在于,所述λ1的值为0.2,所述λ2的值为0.4;将第一级预测结果的损失乘以系数0.5。
9.如权利要求5所述的方法,其特征在于,判别器的损失函数为:
LS=αLA+βLpixelS+γLperceptualS;
LR=αLA+βLpixelR+γLperceptualR;
其中,α、β、γ均为权重系数;α设置为1,β设置为1,γ设置为0.5。
10.如权利要求3所述的方法,其特征在于,所述步骤G4中,输入图片尺寸裁剪为200*200到384*384;输入到所述判别器时将图片尺寸设置为256*256;学习率每50步分别设置为1e-4,3e-3和1e-5,共训练150步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892445.0A CN112116537B (zh) | 2020-08-31 | 2020-08-31 | 图像反射光消除方法及图像反射光消除网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892445.0A CN112116537B (zh) | 2020-08-31 | 2020-08-31 | 图像反射光消除方法及图像反射光消除网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116537A true CN112116537A (zh) | 2020-12-22 |
CN112116537B CN112116537B (zh) | 2023-02-10 |
Family
ID=73805070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010892445.0A Active CN112116537B (zh) | 2020-08-31 | 2020-08-31 | 图像反射光消除方法及图像反射光消除网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116537B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598598A (zh) * | 2020-12-25 | 2021-04-02 | 南京信息工程大学滨江学院 | 一种基于两级反射光消除网络的图像反射光去除方法 |
CN112634161A (zh) * | 2020-12-25 | 2021-04-09 | 南京信息工程大学滨江学院 | 基于两级反射光消除网络和像素损失的反射光去除方法 |
CN112837234A (zh) * | 2021-01-25 | 2021-05-25 | 重庆师范大学 | 一种基于多列门控卷积网络的人脸图像修复方法 |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
WO2022222080A1 (zh) * | 2021-04-21 | 2022-10-27 | 浙江大学 | 一种基于位置感知的单图像反射层移除方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564611A (zh) * | 2018-03-09 | 2018-09-21 | 天津大学 | 一种基于条件生成对抗网络的单目图像深度估计方法 |
CN109472818A (zh) * | 2018-10-17 | 2019-03-15 | 天津大学 | 一种基于深度神经网络的图像去雾方法 |
CN109903301A (zh) * | 2019-01-28 | 2019-06-18 | 杭州电子科技大学 | 一种基于多级特征信道优化编码的图像轮廓检测方法 |
CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN110458060A (zh) * | 2019-07-30 | 2019-11-15 | 暨南大学 | 一种基于对抗学习的车辆图像优化方法及系统 |
CN110473154A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
US20200005511A1 (en) * | 2018-06-28 | 2020-01-02 | Adobe Inc. | Determining Image Handle Locations |
CN110675335A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
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 |
CN111598886A (zh) * | 2020-05-25 | 2020-08-28 | 中国科学院长春光学精密机械与物理研究所 | 一种基于单幅图像的像素级透过率估计方法 |
-
2020
- 2020-08-31 CN CN202010892445.0A patent/CN112116537B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564611A (zh) * | 2018-03-09 | 2018-09-21 | 天津大学 | 一种基于条件生成对抗网络的单目图像深度估计方法 |
US20200005511A1 (en) * | 2018-06-28 | 2020-01-02 | Adobe Inc. | Determining Image Handle Locations |
CN109472818A (zh) * | 2018-10-17 | 2019-03-15 | 天津大学 | 一种基于深度神经网络的图像去雾方法 |
CN109903301A (zh) * | 2019-01-28 | 2019-06-18 | 杭州电子科技大学 | 一种基于多级特征信道优化编码的图像轮廓检测方法 |
CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN110458060A (zh) * | 2019-07-30 | 2019-11-15 | 暨南大学 | 一种基于对抗学习的车辆图像优化方法及系统 |
CN110473154A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
CN110675335A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
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 |
CN111598886A (zh) * | 2020-05-25 | 2020-08-28 | 中国科学院长春光学精密机械与物理研究所 | 一种基于单幅图像的像素级透过率估计方法 |
Non-Patent Citations (4)
Title |
---|
KUANHONG CHENG等: "Single Image Reflection Removal via Attention Model and SN-GAN", 《HTTP://WEBCACHE.GOOGLEUSERCONTENT.COM/SEARCH?Q=CACHE:TSUUPTZ6E》 * |
张宁等: "基于深度学习的单幅图片超分辨率重构研究进展", 《自动化学报》 * |
汪克峰等: "FCM改进方法在图像分割中的知识发现", 《实验室研究与探索》 * |
钱进等: "基于侧窗滤波与分块贝塞尔插值的图像融合", 《长春理工大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598598A (zh) * | 2020-12-25 | 2021-04-02 | 南京信息工程大学滨江学院 | 一种基于两级反射光消除网络的图像反射光去除方法 |
CN112634161A (zh) * | 2020-12-25 | 2021-04-09 | 南京信息工程大学滨江学院 | 基于两级反射光消除网络和像素损失的反射光去除方法 |
CN112598598B (zh) * | 2020-12-25 | 2023-11-28 | 南京信息工程大学滨江学院 | 一种基于两级反射光消除网络的图像反射光去除方法 |
CN112837234A (zh) * | 2021-01-25 | 2021-05-25 | 重庆师范大学 | 一种基于多列门控卷积网络的人脸图像修复方法 |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
WO2022222080A1 (zh) * | 2021-04-21 | 2022-10-27 | 浙江大学 | 一种基于位置感知的单图像反射层移除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112116537B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116537B (zh) | 图像反射光消除方法及图像反射光消除网络构建方法 | |
CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN110363716B (zh) | 一种基于条件生成对抗网络复合降质图像高质量重建方法 | |
CN111915530A (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN113378775B (zh) | 一种基于深度学习的视频阴影检测与消除方法 | |
CN116205962B (zh) | 基于完整上下文信息的单目深度估计方法及系统 | |
CN115565043A (zh) | 结合多表征特征以及目标预测法进行目标检测的方法 | |
CN116757986A (zh) | 一种红外与可见光图像融合方法及装置 | |
CN111222453A (zh) | 基于密集连接和几何结构约束的遥感影像变化检测方法 | |
CN116664448B (zh) | 一种基于图像去雾的中高能见度计算方法及计算系统 | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN117391920A (zh) | 基于rgb通道差分平面的大容量隐写方法及系统 | |
CN112348762A (zh) | 一种基于多尺度融合生成对抗网络的单幅图像去雨方法 | |
CN113034404A (zh) | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 | |
CN112270691A (zh) | 一种基于动态滤波器网络的单目视频结构和运动预测方法 | |
CN117036182A (zh) | 一种单幅图像去雾方法及系统 | |
CN111275751A (zh) | 一种无监督绝对尺度计算方法及系统 | |
CN111768326A (zh) | 一种基于gan扩增图像前景物体的高容量数据保护方法 | |
CN116309213A (zh) | 一种基于生成对抗网络的高实时多源图像融合方法 | |
CN116309110A (zh) | 一种基于轻量化深度神经网络的低光照图像去雾方法 | |
CN113763261B (zh) | 一种海雾气象条件下的远小目标实时检测方法 | |
CN114881879A (zh) | 一种基于亮度补偿残差网络的水下图像增强方法 | |
CN114565764A (zh) | 基于舰船实例分割的港口全景感知系统 | |
Kumar et al. | Underwater Image Enhancement using deep learning | |
CN114140334A (zh) | 一种基于改进生成对抗网络的复杂煤矿图像去雾方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |