CN112116545A - 基于特征域失真分解的图像、视频复原方法 - Google Patents
基于特征域失真分解的图像、视频复原方法 Download PDFInfo
- Publication number
- CN112116545A CN112116545A CN202011191270.7A CN202011191270A CN112116545A CN 112116545 A CN112116545 A CN 112116545A CN 202011191270 A CN202011191270 A CN 202011191270A CN 112116545 A CN112116545 A CN 112116545A
- Authority
- CN
- China
- Prior art keywords
- module
- decomposition
- distortion
- image
- feature
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 230000014509 gene expression Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004094 surface-active agent Substances 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/529—Depth or shape recovery from texture
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于特征域失真分解的图像、视频复原方法，通过可学习的特征域分解模块，通过特征分解，实现将图像、视频失真中的不同失真表征分解到不同的通道中，从而降低了不同失真之间的干扰，达到对图像、视频失真更好地分而治之的目的。大量实验表明本发明在标准公开数据集上实验表现超过前人算法，并且在去模糊，去雨，等单失真去除上也具有极强的泛化性能，并超越前人算法。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于特征域失真分解的图像、视频复原方法。
背景技术
图像、视频复原技术早已被应用到流媒体，照片、视频处理编辑以及云存储等技术中。在图像或视频采集和传输过程中，原始图片和视频经常由于图片和视频采集设备问题，高码率压缩，环境以及人为干扰等而叠加各种不同的失真，包括低分辨，模糊，噪声，雨和雾等。现有的图像视频复原算法虽然在超分辨，去模糊，去噪，去雨等单失真任务上取得了比较满意的效果。然而，由于这些方法是针对于单种失真设计，无法很好的解决真实世界中包含多种失真情况的图像视频复原问题。
为了更好地解决这种混合失真问题，文章1(Yu,K.,Dong,C.,Lin,L.,Change Loy,C.:Crafting a toolchain for image restoration by deep reinforcementlearning.In:Proceedings of the IEEE conference oncomputer vision and patternrecognition.pp.2443-2452(2018).)利用强化学习去自动搜索去除单失真的子算法来顺序去除混合失真。文章2(Suganuma,M.,Liu,X.,Okatani,T.:Attention-based adaptiveselection of operations for image restoration in the presence of unknowncombined distortions.In:Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition.pp.9039-9048(2019).)利用注意力机制实现自适应的混合失真去除。然而上述方案忽略了混合失真去除的根本问题：失真之间的干扰。由于混合失真包含的失真存在互相冲突的处理方式，例如噪声的处理和模糊的去除。噪声去除倾向于消减高频信息，而模糊的去除倾向于加强高频信息。由于混合失真的固有干扰，使得混合失真解决方案难以取得较好效果。
发明内容
本发明的目的是提供一种基于特征域失真分解的图像、视频复原方法，在增强图像纹理细节的同时，去除了各类失真，并且对更复杂的自然场景失真具有较强的鲁棒性。
本发明的目的是通过以下技术方案实现的：
一种基于特征域失真分解的图像、视频复原方法，包括：
对于单个混合失真图像或者视频中的单帧混合失真图像；
通过特征提取模块，实现图片像素域到到特征域的变换；利用结合神经网络卷积和增益控制设计基于神经网络的特征域失真分解模块，由基于神经网络的特征域失真分解模块实现特征域的失真分解，从而将特征域中的失真表征分解到不同通道中；通过处理单元对各通道中的失真表征进行处理，再由特征聚合模块，基于通道注意力机制，从处理后的失真表征中自适应提取用于图像重建的特征表达；最终由融合模块采用信号分解的反变换方式，将特征聚合模块输出的各通道的特征表达以及来自于辅助模块来的损失信息融合，获得聚合后的特征表达；
通过重建模块对聚合后的特征表达进行重建，获得去除混合失真的图像。
由上述本发明提供的技术方案可以看出，通过可学习的特征域分解模块，通过特征分解，实现将图像、视频失真中的不同失真表征分解到不同的通道中，从而降低了不同失真之间的干扰，达到对图像、视频失真更好地分而治之的目的。大量实验表明本发明在标准公开数据集上实验表现超过前人算法，并且在去模糊，去雨，等单失真去除上也具有极强的泛化性能，并超越前人算法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种基于特征域失真分解的图像、视频复原方法的流程图；
图2为本发明实施例提供的一种基于特征域失真分解的图像、视频复原方法的网络结构示意图；
图3为本发明实施例提供的基于神经网络的特征域失真分解模块的原理示意图；
图4为本发明实施例提供的特征聚合模块的原理示意图；
图5为本发明实施例提供的在去除混合失真主观效果对比图；
图6为本发明实施例提供的在图像去雨的主观效果对比图；
图7为本发明实施例提供的在图像去运动模糊的主观效果对比图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
由于真实场景中的图像、视频失真通常是由不同种类的单失真组成。而多种失真叠加，图片在纹理细节被破坏的同时又引入了新的噪声。然而现有单失真图像恢复算法只能针对特定的失真恢复，无法有效地处理复杂的混合失真。因此，如何有效处理混合失真图像、视频中的混合失真成为一个技术难点。此外，现有混合失真算法无法有效处理混合失真的主要原因是由于混合失真中存在不同失真的纠缠和相互干扰，由于无法基于图片域对不同失真以及图像原始信息做有效地识别和分解。因此，如何去除混合失真中不同失真间的干扰并实现对其分而治之是处理混合失真的关键难点。
为了解决现有技术所存在的上述问题，本发明实施例提供一种基于特征域失真分解的图像、视频复原方法，如图1所示，其主要包括：
通过特征提取模块，实现图片像素域到到特征域的变换；利用结合神经网络卷积和增益控制设计基于神经网络的特征域失真分解模块，由基于神经网络的特征域失真分解模块实现特征域的失真分解，从而将特征域中的失真表征分解到不同通道中；通过此分解操作，我们实现将图像、视频失真中的不同失真表征分解到不同的通道中，从而降低了不同失真之间的干扰，达到对图像、视频失真更好地分而治之的目的。通过处理单元对各通道中的失真表征进行处理，再由特征聚合模块，基于通道注意力机制，从处理后的失真表征中提取各通道中用于图像重建的特征表达；最终由融合模块采用信号分解的反变换方式，将特征聚合模块输出的各通道的特征表达以及来自于辅助模块来的损失信息融合，获得聚合后的特征表达；通过重建模块对聚合后的特征表达进行重建，获得去除混合失真的图像。
本发明实施例上述方案，可以对于单个混合失真图像或者视频中的单帧混合失真图像进行复原；对于视频复原，只需增加对应视频帧时序对齐操作。
为了便于理解，下面针对上述方案做进一步的介绍。
如图2所示，为上述方法的网络结构示意图。本发明实施例中，采用递进式结构设计了网络模型，从而促进网络自适应的选取合适的特征进行失真分解。该网络在多种失真任务以及部分单失真任务都超越了前人的算法，并且具有较少的参数量和较快的运行速度。
如图2所示，基于神经网络的特征域失真分解模块、处理单元、特征聚合模块、辅助模块、以及融合模块作为一个整体模块，采用递进式结构设置了若干整体模块(图2中给出了三个模块的示例)，后一级整体模块的输入包含了前一级整体模块的输出和基于神经网络的特征域失真分解模块的输出，最后一级整体模块中融合模块的输出作为重建模块的输入；其中，第一个整体模块的输出为：融合模块输出与特征提取模块输出的相加结果。
图2所示中，第一个整体模块与第二个整体模块(即模块一与模块二)的输入特征不同，但是，对于基于神经网络的特征域失真分解模块而言，对于输入特征都是在不同特征层的不同层次进行特征分解，原理是相同的。前一级整体模块的两部分输出都输入至后一级整体模块的基于神经网络的特征域失真分解模块，其中，前一级整体模块基于神经网络的特征域失真分解模块的输出传递至后一级整体模块，可以保证不同整体模块分解空间的一致性。
下面以一个整体模块为例进行其内部操作过程。
1、基于神经网络的特征域失真分解模块。
本发明实施例中，通过利用不同失真在特征域具有不同的表征的特性，从信号分解角度出发，通过结合神经网络卷积和增益控制，设计了基于神经网络的特征域失真分解模块。其中增益控制的信号分解模型参考了文章(Schwartz,O.,Simoncelli,E.P.:Naturalsignal statistics and sensory gain control.Nature neuroscience 4(8),819(2001).)中的技术。通过设计损失函数进行自适应的约束优化，该模块可以学习到在特征域进行失真分解的能力。从而可以更有效地去除失真地同时，增强图像的细节和纹理。
如图3所示，为基于神经网络的特征域失真分解模块的原理；特征输入至基于神经网络的特征域失真分解模块后，通过不同特征分解层中的卷积操作可以将不同失真分解到不同的通道中。具体来说：基于神经网络的特征域失真分解模块是可学习的，其包含为三个特征分解层，其中每一个特征分解层分为卷积层和可学习参数的增益控制层，其中卷积层为一系列不同的滤波器组成，可以在损失函数约束下实现不同通道的初步分解，然后再通过可学习参数的增益控制层进一步消除不同通道间的相关性，从而实现失真间不同通道维度的分解。由于混合失真不同失真之间存在相关以及非相关成分，会伴随着特征的通道分解而分解，使得不同的失真成分尽可能的进行分散到不同通道，从而增大混合失真表征的可区分性。可学习性值得是卷积层和增益控制层的参数都是可学习的。
2、处理单元。
本发明实施例中，处理单元包括若干依次设置的卷积层，利用卷积操作结合训练实现失真表征和图像表征的提取。
3、辅助模块。
本发明实施例中，所述辅助模块包含若干依次设置的残差模块，所述辅助模块输入信息与所述基于神经网络的特征域失真分解模块的输入信息相同；通过辅助模块来传递损失信息，以弥补基于神经网络的特征域失真分解模块产生的信息损失。
4、特征聚合模块。
所述特征聚合模块，利用通道注意力机制从处理后的分解空间自适应的选取不同通道中有用的特征表达，从而自适应地聚合所需要的图像信息，并且抑制失真。
如图4所示，为特征聚合模块的原理。分解后的特征(也即处理单元输出的失真表征)，通过特征聚合层中的通道注意力模块自适应提取用于图像重建的特征表达。
如图2所示，所述基于神经网络的特征域失真分解模块中包含若干特征分解层；所述特征聚合模块中包含若干特征聚合层；特征聚合层与特征分解层的层数相同；每一特征分解层的输出还作为相应特征聚合层的输入。特征聚合模块的工作过程包括两个方面，第一个是利用通道注意力机制进行自适应图像重建表达的获取，然后利用特征分解层的反变换来实现特征空间变换，使其变换到原始适用于图像重建的特征空间。
5、融合模块。
融合模块主要是将特征聚合模块输出与辅助模块提供的残差信息进行融合，融合操作包括一个concatenate(合并)操作与1x1卷积操作。
本发明实施例中，包含了网络训练与测试两个过程；训练与测试中对图像复原原理相同，均为前文所描述的方案；网络训练主要是进行网络中所有模块的参数更新，训练方式可采用常规技术实现。
本发明实施例上述方案，主要获得如下有益效果：
1)通过在可学习的特征域失真分解，极大地减少了图像、视频复原中不同失真之间的互相干扰。
2)结合特征域失真分解思想，并利用深度学习设计出对应的混合失真去除网络，在增强图像纹理细节的同时，去除了各类失真，并且对更复杂的自然场景失真具有较强的鲁棒性。
为了说明本发明实施例上述方案的效果，在初步在混合失真的公共数据集DIV2K，图像去模糊数据集GOPRO，图像去雨数据集DID-MDN上进行了验证实验，实验结果如表1～表3所示，实验结果表明，本发明实施例上述方案的取得了目前最好的效果。
| 测试集 | Mild(unseen) | Moderate | Severe(unseen) |
| 指标 | PSNR SSIM | PSNR SSIM | PSNR SSIM |
| Dncnn | 27.51 0.732 | 26.50 0.665 | 25.26 0.597 |
| RL-Restore | 28.04 0.731 | 26.45 0.656 | 25.20 0.592 |
| OP-Att | 28.33 0.746 | 27.07 0.679 | 25.88 0.617 |
| 本发明 | 28.66 0.757 | 27.24 0.685 | 26.05 0.622 |
表1在混合失真公共数据集DIV2K的性能比较
表1中，mild，moderate和severe表示三类混合失真等级，本发明上述方案只在Moderate失真类型上训练。Dncnn为文章(Zhang,K.,Zuo,W.,Chen,Y.,Meng,D.,Zhang,L.:Beyond a gaussian denoiser:Residual learning of deep cnn for imagedenoising.IEEE Transactions on ImageProcessing26(7),3142-3155(2017))中的方案。RL-Restore表示前文提到的文章1中的方案；OP-Att表示前文提到的文章2中的方案。
| 方法 | DeepDeblur | DeblurGAN_v2 | SRN | 本发明 |
| PSNR | 29.23 | 29.55 | 30.10 | 30.55 |
| SSIM | 0.916 | 0.932 | 0.932 | 0.938 |
表2在图像去模糊数据集GOPRO性能比较
其中，DeepDeblur为文章(Wang,L.,Li,Y.,Wang,S.:Deepdeblur:Fast one-stepblurry face images restoration.arXiv preprint arXiv:1711.09515(2017).)中的方案。DeblurGAN_v2为文章(Kupyn,O.,Martyniuk,T.,Wu,J.,Wang,Z.:Deblurgan-v2:Deblurring(orders-ofmagnitude)faster and better.In:Proceedings of the IEEEInternational Conferenceon Computer Vision.pp.8878-8887(2019).)中的方案。SRN为文章(Tao,X.,Gao,H.,Shen,X.,Wang,J.,Jia,J.:Scale-recurrent network fordeepimage deblurring.In:Proceedings of the IEEE Conference on ComputerVisionand Pattern Recognition.pp.8174-8182(2018).)中的方案。
| 方法 | DID-MDN | RESCAN | SPANET | 本发明 |
| PSNR | 27.95 | 29.95 | 30.05 | 32.96 |
| SSIM | 0.909 | 0.884 | 0.934 | 0.951 |
表3在图像去雨数据集DID-MDN性能比较
其中，DID-MDN为文章(Zhang,H.,Patel,V.M.:Density-aware single image de-raining using a multi-streamdense network.In:Proceedings of the IEEEconference on computer vision andpattern recognition.pp.695-704(2018).)中的方案。RESCAN为文章(Li,X.,Wu,J.,Lin,Z.,Liu,H.,Zha,H.:Recurrent squeeze-and-excitation context aggregation net for single image deraining.In:Proceedingsof the EuropeanConference on Computer Vision(ECCV).pp.254-.269(2018).)中的方案。SPANET为文章(Wang,T.,Yang,X.,Xu,K.,Chen,S.,Zhang,Q.,Lau,R.W.:Spatialattentivesingle-image deraining with a high quality real rain dataset.In:Proceedings of theIEEE Conference on Computer Vision and PatternRecognition.pp.12270-12279(2019).)中的方案。
此外，验证实验中，还以图像形式直观的展示了本发明的复原效果。图5为在去除混合失真主观效果对比，其中混合失真包括雨、噪声、高斯模糊、JPEG压缩失真。图6为在图像去雨的主观效果对比。图7为在图像去运动模糊的主观效果对比。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于特征域失真分解的图像、视频复原方法，其特征在于，包括：
对于单个混合失真图像或者视频中的单帧混合失真图像；
通过特征提取模块，实现图片像素域到到特征域的变换；利用结合神经网络卷积和增益控制设计基于神经网络的特征域失真分解模块，由基于神经网络的特征域失真分解模块实现特征域的失真分解，从而将特征域中的失真表征分解到不同通道中；通过处理单元对各通道中的失真表征进行处理，再由特征聚合模块，基于通道注意力机制，从处理后的失真表征中自适应提取用于图像重建的特征表达；最终由融合模块采用信号分解的反变换方式，将特征聚合模块输出的各通道的特征表达以及来自于辅助模块来的损失信息融合，获得聚合后的特征表达；
通过重建模块对聚合后的特征表达进行重建，获得去除混合失真的图像。
2.根据权利要求1所述的一种基于特征域失真分解的图像、视频复原方法，其特征在于，所述基于神经网络的特征域失真分解模块、处理单元、特征聚合模块、辅助模块、以及融合模块作为一个整体模块，采用递进式结构设置了若干整体模块；
后一级整体模块的输入包含了前一级整体模块的输出和基于神经网络的特征域失真分解模块的输出，最后一级整体模块中融合模块的输出作为重建模块的输入；其中，第一个整体模块的输出为：融合模块输出与特征提取模块输出的相加结果。
3.根据权利要求1或2所述的一种基于特征域失真分解的图像、视频复原方法，其特征在于，所述处理单元包括若干依次设置的卷积层。
4.根据权利要求1或2所述的一种基于特征域失真分解的图像、视频复原方法，其特征在于，所述辅助模块包含若干依次设置的残差模块，所述辅助模块输入信息与所述基于神经网络的特征域失真分解模块的输入信息相同。
5.根据权利要求1或2所述的一种基于特征域失真分解的图像、视频复原方法，其特征在于，所述基于神经网络的特征域失真分解模块中包含若干分解层；所述特征聚合模块中包含若干聚合层；
聚合层与分解层的层数相同；每一分解层的输出还作为相应聚合层的输入。
6.根据权利要求1或2所述的一种基于特征域失真分解的图像、视频复原方法，其特征在于，所述基于神经网络的特征域失真分解模块中所包含的每一特征分解层包括：卷积层和可学习参数的增益控制层；
卷积层为一系列不同的滤波器组成，在损失函数约束下实现不同通道的初步分解，然后再通过可学习参数的增益控制层消除不同通道间的相关性，从而实现失真间不同通道维度的分解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011191270.7A CN112116545A (zh) | 2020-10-30 | 2020-10-30 | 基于特征域失真分解的图像、视频复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011191270.7A CN112116545A (zh) | 2020-10-30 | 2020-10-30 | 基于特征域失真分解的图像、视频复原方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116545A true CN112116545A (zh) | 2020-12-22 |
Family
ID=73794810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011191270.7A Pending CN112116545A (zh) | 2020-10-30 | 2020-10-30 | 基于特征域失真分解的图像、视频复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116545A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780446A (zh) * | 2016-12-01 | 2017-05-31 | 重庆邮电大学 | 一种无参考混合失真图像质量评价方法 |
| CN108776958A (zh) * | 2018-05-31 | 2018-11-09 | 重庆瑞景信息科技有限公司 | 混合降质图像的图像质量评价方法和装置 |
| CN111091503A (zh) * | 2019-11-09 | 2020-05-01 | 复旦大学 | 基于深度学习的图像去失焦模糊方法 |
| CN111709895A (zh) * | 2020-06-17 | 2020-09-25 | 中国科学院微小卫星创新研究院 | 基于注意力机制的图像盲去模糊方法及系统 |
-
2020
- 2020-10-30 CN CN202011191270.7A patent/CN112116545A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780446A (zh) * | 2016-12-01 | 2017-05-31 | 重庆邮电大学 | 一种无参考混合失真图像质量评价方法 |
| CN108776958A (zh) * | 2018-05-31 | 2018-11-09 | 重庆瑞景信息科技有限公司 | 混合降质图像的图像质量评价方法和装置 |
| CN111091503A (zh) * | 2019-11-09 | 2020-05-01 | 复旦大学 | 基于深度学习的图像去失焦模糊方法 |
| CN111709895A (zh) * | 2020-06-17 | 2020-09-25 | 中国科学院微小卫星创新研究院 | 基于注意力机制的图像盲去模糊方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| XIN LI 等: "Learning Disentangled Feature Representation for Hybrid-distorted Image Restoration", 《ARXIV》 * |
| 杨爱萍 等: "基于内容特征和风格特征融合的单幅图像去雾网络", 《自动化学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11430090B2 (en) | Method and apparatus for removing compressed Poisson noise of image based on deep neural network | |
| Zhao et al. | Legacy photo editing with learned noise prior | |
| CN113902647B (zh) | 一种基于双闭环网络的图像去模糊方法 | |
| Hang et al. | Attention cube network for image restoration | |
| Xu et al. | A compact neural network-based algorithm for robust image watermarking | |
| Anwar et al. | Improved image enhancement algorithms based on the switching median filtering technique | |
| Yang et al. | Joint image dehazing and super-resolution: Closed shared source residual attention fusion network | |
| Chen et al. | Enhanced separable convolution network for lightweight jpeg compression artifacts reduction | |
| Li et al. | Deep scale-aware image smoothing | |
| Sadreazami et al. | Data-adaptive color image denoising and enhancement using graph-based filtering | |
| CN112085667A (zh) | 一种基于伪模拟视频传输的去分块效应方法和装置 | |
| Abdalla et al. | A review of nonlinear image-denoising techniques | |
| CN112116545A (zh) | 基于特征域失真分解的图像、视频复原方法 | |
| Juneja et al. | Design and development of an improved adaptive median filtering method for impulse noise detection | |
| Petrov et al. | Intra frame compression and video restoration based on conditional markov processes theory | |
| Arumugham et al. | A new denoising approach for the removal of impulse noise from color images and video sequences | |
| Jiji et al. | Enhancement of underwater deblurred images using gradient guided filter | |
| Patil et al. | A Comprehensive Survey on Image Filtering & Inpainting for Improved Image Quality | |
| CN110766635A (zh) | 证卡数字人像复原方法、装置、存储介质及处理器 | |
| Liao et al. | Image Deraining via Self-supervised Reinforcement Learning | |
| Vemuru et al. | Enhancing Real-World Image Deblurring: Algorithm Selection and Performance Evaluation for CCTV | |
| Kang et al. | Deep learning-based moiré pattern removal from a single image: A survey and comparative study | |
| Li et al. | Support vector regression based color image restoration in YUV color space | |
| Kudoo et al. | Real-time compression artifact reduction for low bandwidth video conferencing | |
| Moriguchi et al. | Robust Image Hashing Based on Wavelet Decomposition |
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: 20201222 |
|
| RJ01 | Rejection of invention patent application after publication |