CN112258420A - 基于dqn的图像增强处理方法及装置 - Google Patents

基于dqn的图像增强处理方法及装置 Download PDF

Info

Publication number
CN112258420A
CN112258420A CN202011205932.1A CN202011205932A CN112258420A CN 112258420 A CN112258420 A CN 112258420A CN 202011205932 A CN202011205932 A CN 202011205932A CN 112258420 A CN112258420 A CN 112258420A
Authority
CN
China
Prior art keywords
image
score
neural network
network
evaluated
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
Application number
CN202011205932.1A
Other languages
English (en)
Other versions
CN112258420B (zh
Inventor
金一舟
胡征慧
李璐
傅泽华
范时朝
刘庆杰
王蕴红
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 Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang 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 Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202011205932.1A priority Critical patent/CN112258420B/zh
Publication of CN112258420A publication Critical patent/CN112258420A/zh
Application granted granted Critical
Publication of CN112258420B publication Critical patent/CN112258420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

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)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及基于DQN的图像增强处理方法及装置，其方法包括，步骤1、获取待处理的图像，初始化评价总分；步骤2、基于预先构建的操作选择网络对待处理图像的每一像素点进行数值操作，得到待评价图像，其中操作选择网络基于DQN算法构建及更新；步骤3、采用预设评价方式对待评价图像进行评分，根据得到的奖励分数对评价总分进行累加更新；步骤4、将评价总分与预定阈值进行比较，当其小于等于第一阈值时，将其清零，跳转执行步骤2，当其大于第一阈值且小于第二阈值时，以待评价图像作为新的待处理图像，跳转执行步骤2，当其大于等于第二阈值时，以待评价图像作为图像增强处理后的图像。本申请消除了图像增强处理对成对数据集的依赖，大幅降低了数据搜集难度。

Description

基于DQN的图像增强处理方法及装置
技术领域
本申请属于图像处理技术领域，具体涉及基于DQN的图像增强方法及装置。
背景技术
图像增强是指，增强图像中的有用信息，图像去雾、图像去雨、图像去噪、图像去云、夜间图像增强、图像超分辨等都属于图像增强处理范畴，不同的是增强对象和训练数据集的不同。相关技术中，为保证相应处理有效的前提下，图像增强处理技术所面对的主要问题是收集标注数据的成本巨大。
例如图像去雾，传统去雾方法，一般基于大气散射模型，使用一系列先验来估算透射图或大气光，可先验信息一般具有局限性，如暗原色先验(dark channel prior)无法解决带大面积天空场景图片的去雾。
而基于深度学习的去雾方法，则大多依靠高质量成对标注数据。但收集标注数据的成本巨大，且在去雾领域，很难搜集到大规模室外的成对同一场景下的有雾/无雾图像。因此，基于深度学习的图像去雾方法，大都基于利用大气散射模型及室内深度数据集人工合成的室内图像进行训练。鉴于这些室内合成带雾图像无法完全表征真实世界雾的分布和特性，并且实际运用在真实室外图像时，去雾效果一般。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于DQN的图像增强处理方法及装置，有助于降低数据搜集难度，且较好的实现相应的应用效果。
为实现以上目的，本申请采用如下技术方案：
第一方面，
本申请提供一种基于DQN的图像增强处理方法，该方法包括：
步骤1、获取待处理的图像，并初始化该图像所对应的评价总分；
步骤2、基于预先构建的操作选择网络对待处理图像的每一像素点进行数值操作，得到该回合的待评价图像，其中，所述操作选择网络基于DQN算法构建及更新；
步骤3、针对所述待评价图像，采用预设评价方式对其进行评分，以得到的该回合的奖励分数，根据该奖励分数对所述评价总分进行累加更新；
步骤4、将所述评价总分与预定阈值进行比较，
当所述评价总分小于等于第一阈值时，将所述评价总分清零，跳转执行步骤2进行新一回合处理，
当所述评价总分大于第一阈值且小于第二阈值时，以所述待评价图像作为新的待处理图像，跳转执行步骤2进行新一回合处理，
当所述评价总分大于等于第二阈值时，以所述待评价图像作为图像增强处理后的图像。
可选地，所述操作选择网络由具有同样网络结构的现实网络和估计网络构成；
所述数值操作具体为，对像素点RGB各通道的数值进行+1、-1或+0操作。
可选地，基于预先构建的操作选择网络对待处理图像的每一像素点进行数值操作，具体为：
每一回合中，生成一随机数，
当所述随机数小于第三阈值时，由所述估计网络在三种数值操作中进行选择，
当所述随机数大于等于第三阈值时，则随机在三种数值操作中进行选择。
可选地，所述第三阈值根据回合次序的增加而逐渐增大。
可选地，所述图像增强处理具体为图像去雾；所述预设评价方式包括：基于预先训练好的神经网络对图像的自然程度和图像的雾浓度进行判定评价。
可选地，所述预先训练好的神经网络包括第一神经网络和第二神经网络；
所述基于预先训练好神经网络对图像的自然程度和图像的雾浓度进行判定评价，具体为：
利用所述第一神经网络对图像的自然程度进行判定评价，利用所述第二神经网络对图像的雾浓度进行判定评价，或
将所述第一神经网络和第二神经网络合成为第三神经网络，基于多任务学习，利用所述第三神经网络同时对图像的自然程度和图像的雾浓度进行判定评价。
可选地，基于室内深度数据集合成的室内带雾图像对所述第一神经网络和第二神经网络进行预先训练，或
搜集室外非同一场景的天然带雾及无雾图像，通过多人标注带雾图像雾的浓淡以构建自然数据集，基于所述自然数据集对第一神经网络和第二神经网络进行预先训练。
可选地，每一回合中，对图像的自然程度进行判断评价而得到第一分数，对图像的雾浓度进行判断评价而得到第二分数，将所述第一分数和第二分数进行加权求和，以得到该回合的奖励分数。
可选地，所述第一分数的权重和第二分数的权重基于回合的次序动态调整。
第二方面，
本申请提供一种基于DQN的图像增强处理装置，所述装置包括，
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现上述所述方法的步骤。
本申请采用以上技术方案，至少具备以下有益效果：
本申请采用强化学习的思想，利用DQN(Deep Q Network)算法及图像增强的先验知识，消除了图像增强处理对成对数据集的依赖，大幅降低数据搜集难度。
本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的基于DQN的图像增强处理方法的流程示意图；
图2为本申请一个实施例提供的基于DQN的图像增强处理装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
如背景技术中所述，针对现有图像增强技术的缺陷，本申请提出一种基于DQN(Deep Q Network)的图像增强处理方法，该方法借鉴强化学习的思想，将图像增强处理看作一场回合制游戏。
如图1所示，在一实施例中，图像增强处理具体为图像去雾，该图像增强处理方法包括：
步骤1、获取待处理的图像，并初始化该图像所对应的评价总分；
步骤2、基于预先构建的操作选择网络对待处理图像的每一像素点进行数值操作，得到该回合的待评价图像，其中，操作选择网络基于DQN算法构建及更新；
具体的，在步骤2中，数值操作具体为，对像素点RGB各通道的数值进行+1、-1或+0操作，举例而言，待处理图像为300*300大小的图像，可拆分为RGB三通道，每个通道大小为300*300.数值为0-255每一回合，可针对每个通道内的每一个像素选择(+1，+0，-1)中的一个操作，来获取一幅新的RGB图像(待评价图像)。
该实施例中，基于DQN算法，操作选择网络由具有同样网络结构的现实网络(target net)和估计网络(eval net)构成；步骤2中对待处理图像的每一像素点进行数值操作，具体为：
每一回合中，生成一随机数，当该随机数小于第三阈值时，由估计网络在三种数值操作中进行选择，而当随机数大于等于第三阈值时，则随机在三种数值操作中进行选择。
根据DQN算法的相关公开文献，本领域技术人员容易理解的是在DQN算法中，现实/估计网络的作用其实也是一种打乱相关性的机制，使用现实/估计网络会使得DQN中出现两个结构完全相同但是参数却不同的网络。每经过一定次数的迭代，将估计网络(eval net)的参数复制给现实网络(target net)。引入现实网络(target net)后，在一段时间里使目标Q值保持不变的，一定程度降低了当前Q值和目标Q值的相关性，提高了算法稳定性。在具体实现中，可设置记忆存储库，每回合保存(当前图像s，选取操作a，操作后图像获得的分数r，操作后的图像s_),记忆存储库设有一定的数量，当存满后，就开始对现实/估计网络进行学习更新。
此外还需说明的是，该实施例中，第三阈值根据回合次序的增加而逐渐增大。即在游戏开始阶段(回合次序较小)，第三阈值较低，使得模型进行更多自由探索，到了后期，现实网络和估计网络训练的愈加完善，则将第三阈值调高，更多选取最优动作。
继续回到图1，步骤2之后，继续进行步骤3、针对待评价图像，采用预设评价方式对其进行评分，以得到的该回合的奖励分数，根据该奖励分数对评价总分进行累加更新；
具体的，在步骤3中，预设评价方式包括基于预先训练好的神经网络对图像的自然程度和图像的雾浓度进行判定评价；
在该实施例中，预先训练好的神经网络包括第一神经网络和第二神经网络；利用第一神经网络对图像的自然程度进行判定评价，利用第二神经网络对图像的雾浓度进行判定评价。
需要说明的是，在对第一神经网络、第二神经网络的模型训练阶段，可基于室内深度数据集合成的室内带雾图像对第一神经网络和第二神经网络进行预先训练。
举例而言，基于室内深度数据集可通过调整参数，来获得不同浓度的带雾图像，用于第二神经网络的训练；在不同浓度的带雾图像上，对每个像素点进行随机的数值增加或减少，与原图像的差距越小，我们认为图像越自然，用于第一神经网络的训练。
作为另一种具体的实现方式，针对第一神经网络、第二神经网络的模型训练阶段，还可搜集室外非同一场景的天然带雾及无雾图像，通过多人标注带雾图像雾的浓淡以构建自然数据集，基于该自然数据集对第一神经网络和第二神经网络进行预先训练。
此外，作为一种改进的方式，还可将第一神经网络和第二神经网络合成为第三神经网络，基于多任务学习，利用第三神经网络同时对图像的自然程度和图像的雾浓度进行判定评价。
基于以上评价方式的介绍，下面再对步骤3中奖励分数(reward)的得到过程进行一下简要说明：
每回合中，在对图像进行像素点数值操作后，可获得一幅新的图像，将此图像作为训练好的第一神经网络和第二神经网络的输入，获取新图像雾的浓度及图像自然程度的判断，判断结果雾的浓度越低，相应得分越高，反之则得分越低(雾的浓度过高，得分可能为负数)，判断结果图像越自然，则相应得分越高，反之则得分越低；
具体的，每一回合中，对图像的自然程度进行判断评价而得到第一分数，对图像的雾浓度进行判断评价而得到第二分数，将第一分数和第二分数进行加权求和，以得到该回合的奖励分数。
在该实施例中，第一分数的权重和第二分数的权重基于回合的次序动态调整，具体的，在游戏初期，第二得分的权重更高，以能够尽快降低图片雾的浓度，后续提高第一得分的权重，在保证去雾的同时，保证生成图像的自然性。举例而言，将前100轮回合作为为游戏初期，权重每轮逐渐进行对应调整。
如图1所示，在步骤3中基于奖励分数对评价总分进行累加更新后，继续进行步骤4，将评价总分与预定阈值进行比较，
当评价总分小于等于第一阈值时，将评价总分清零，跳转执行步骤2进行新一回合处理，
当评价总分大于第一阈值且小于第二阈值时，以待评价图像作为新的待处理图像，跳转执行步骤2进行新一回合处理，
当评价总分大于等于第二阈值时，以待评价图像作为图像增强处理后的图像，该实施例中具体为图像去雾后的图像。
本申请通过采用强化学习的思想，利用DQN(Deep Q Network)算法及图像增强的先验知识，消除了图像增强对成对数据集的依赖，大幅降低数据搜集难度。具体到图像去雾应用，可直接在自然带雾/无雾图片上进行训练，比起在合成数据训练，更加能适应实际场景的应用，在自然带雾图片上能获得过更好的效果。
且容易理解的，基于上述实施例，在将本申请的方法应用其他具体领域时，只需将训练数据集替换成相对应领域图片即可，如有雨/无雨，清晰图像/有噪声图像，有云/无云，夜间黑暗图像/夜间加亮后图像，低分辨率图像/高分辨率图像等，且这些类型图像都可以通过各自物理模型进行合成(类比基于室内深度数据集合成的室内带雾图像)，获取大批量合成数据，亦可搜集非同一场景的自然图像(类比室外非同一场景的天然带雾及无雾图像)，通过多人标注构建自然数据集，用于神经网络的预训练。
在一实施例中，本申请还提供了一种基于DQN的图像增强处理装置。如图2所示，该图像增强处理装置200包括：
存储器201，其上存储有可执行程序；
处理器202，用于执行存储器201中的可执行程序，以实现上述方法的步骤。
关于上述实施例中的图像增强处理装置200，其处理器202执行存储器201中的程序的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
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，任何熟悉该技术的人员在本发明所揭露的技术范围内，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的保护范围为准。

Claims (10)

1.一种基于DQN的图像增强处理方法，其特征在于，包括：
步骤1、获取待处理的图像，并初始化该图像所对应的评价总分；
步骤2、基于预先构建的操作选择网络对待处理图像的每一像素点进行数值操作，得到该回合的待评价图像，其中，所述操作选择网络基于DQN算法构建及更新；
步骤3、针对所述待评价图像，采用预设评价方式对其进行评分，以得到的该回合的奖励分数，根据该奖励分数对所述评价总分进行累加更新；
步骤4、将所述评价总分与预定阈值进行比较，
当所述评价总分小于等于第一阈值时，将所述评价总分清零，跳转执行步骤2进行新一回合处理，
当所述评价总分大于第一阈值且小于第二阈值时，以所述待评价图像作为新的待处理图像，跳转执行步骤2进行新一回合处理，
当所述评价总分大于等于第二阈值时，以所述待评价图像作为图像增强处理后的图像。
2.根据权利要求1所述的方法，其特征在于，所述操作选择网络由具有同样网络结构的现实网络和估计网络构成；
所述数值操作具体为，对像素点RGB各通道的数值进行+1、-1或+0操作。
3.根据权利要求2所述的方法，其特征在于，基于预先构建的操作选择网络对待处理图像的每一像素点进行数值操作，具体为：
每一回合中，生成一随机数，
当所述随机数小于第三阈值时，由所述估计网络在三种数值操作中进行选择，
当所述随机数大于等于第三阈值时，则随机在三种数值操作中进行选择。
4.根据权利要求3所述的方法，其特征在于，所述第三阈值根据回合次序的增加而逐渐增大。
5.根据权利要求1所述的方法，其特征在于，所述图像增强处理具体为图像去雾；
所述预设评价方式包括：基于预先训练好的神经网络对图像的自然程度和图像的雾浓度进行判定评价。
6.根据权利要求5所述的方法，其特征在于，所述预先训练好的神经网络包括第一神经网络和第二神经网络；
所述基于预先训练好神经网络对图像的自然程度和图像的雾浓度进行判定评价，具体为：
利用所述第一神经网络对图像的自然程度进行判定评价，利用所述第二神经网络对图像的雾浓度进行判定评价，或
将所述第一神经网络和第二神经网络合成为第三神经网络，基于多任务学习，利用所述第三神经网络同时对图像的自然程度和图像的雾浓度进行判定评价。
7.根据权利要求6所述的方法，其特征在于，基于室内深度数据集合成的室内带雾图像对所述第一神经网络和第二神经网络进行预先训练，或
搜集室外非同一场景的天然带雾及无雾图像，通过多人标注带雾图像雾的浓淡以构建自然数据集，基于所述自然数据集对第一神经网络和第二神经网络进行预先训练。
8.根据权利要求6所述的方法，其特征在于，每一回合中，对图像的自然程度进行判断评价而得到第一分数，对图像的雾浓度进行判断评价而得到第二分数，将所述第一分数和第二分数进行加权求和，以得到该回合的奖励分数。
9.根据权利要求8所述的方法，其特征在于，所述第一分数的权重和第二分数的权重基于回合的次序动态调整。
10.一种基于DQN的图像增强处理装置，其特征在于，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现权利要求1-9中任一项所述方法的步骤。
CN202011205932.1A 2020-11-02 2020-11-02 基于dqn的图像增强处理方法及装置 Active CN112258420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011205932.1A CN112258420B (zh) 2020-11-02 2020-11-02 基于dqn的图像增强处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011205932.1A CN112258420B (zh) 2020-11-02 2020-11-02 基于dqn的图像增强处理方法及装置

Publications (2)

Publication Number Publication Date
CN112258420A true CN112258420A (zh) 2021-01-22
CN112258420B CN112258420B (zh) 2022-05-20

Family

ID=74269116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011205932.1A Active CN112258420B (zh) 2020-11-02 2020-11-02 基于dqn的图像增强处理方法及装置

Country Status (1)

Country Link
CN (1) CN112258420B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860869A (zh) * 2021-03-11 2021-05-28 中国平安人寿保险股份有限公司 基于分层强化学习网络的对话方法、装置及存储介质
CN114723643A (zh) * 2022-06-10 2022-07-08 南京航空航天大学 一种基于强化学习和美学评估的低光图像增强方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377218A (zh) * 2018-09-20 2019-02-22 北京邮电大学 一种遏制虚假感知攻击的方法、服务器及移动终端
CN109859116A (zh) * 2018-12-29 2019-06-07 北京三快在线科技有限公司 图像处理模型的训练方法、装置、电子设备及存储介质
CN110210548A (zh) * 2019-05-27 2019-09-06 清华大学深圳研究生院 一种基于强化学习的图片动态自适应压缩方法
US20200193226A1 (en) * 2018-12-17 2020-06-18 King Fahd University Of Petroleum And Minerals Enhanced deep reinforcement learning deep q-network models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377218A (zh) * 2018-09-20 2019-02-22 北京邮电大学 一种遏制虚假感知攻击的方法、服务器及移动终端
US20200193226A1 (en) * 2018-12-17 2020-06-18 King Fahd University Of Petroleum And Minerals Enhanced deep reinforcement learning deep q-network models
CN109859116A (zh) * 2018-12-29 2019-06-07 北京三快在线科技有限公司 图像处理模型的训练方法、装置、电子设备及存储介质
CN110210548A (zh) * 2019-05-27 2019-09-06 清华大学深圳研究生院 一种基于强化学习的图片动态自适应压缩方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOKANG ZHOU等: "Deep-Learning-Enhanced Human Activity Recognition for Internet of Healthcare Things", 《IEEE INTERNET OF THINGS JOURNAL》 *
刘庆杰 等: "面向智能避障场景的深度强化学习研究", 《智能物联技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860869A (zh) * 2021-03-11 2021-05-28 中国平安人寿保险股份有限公司 基于分层强化学习网络的对话方法、装置及存储介质
CN112860869B (zh) * 2021-03-11 2023-02-03 中国平安人寿保险股份有限公司 基于分层强化学习网络的对话方法、装置及存储介质
CN114723643A (zh) * 2022-06-10 2022-07-08 南京航空航天大学 一种基于强化学习和美学评估的低光图像增强方法

Also Published As

Publication number Publication date
CN112258420B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
KR102134405B1 (ko) 적대적 생성망을 이용한 저조도 영상 개선을 위한 장치 및 방법
CN109447906B (zh) 一种基于生成对抗网络的图片合成方法
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
JP2022548712A (ja) フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法
CN112258420B (zh) 基于dqn的图像增强处理方法及装置
CN109146989B (zh) 一种通过搭建神经网络生成花鸟艺术字图像的方法
CN110349185B (zh) 一种rgbt目标跟踪模型的训练方法及装置
CN108596243B (zh) 基于分级注视图和条件随机场的眼动注视图预测方法
CN110148088B (zh) 图像处理方法、图像去雨方法、装置、终端及介质
CN104217404A (zh) 雾霾天视频图像清晰化处理方法及其装置
JP7434537B2 (ja) 組織セグメンテーションのための機械学習モデルの双方向トレーニング
CN113256538B (zh) 一种基于深度学习的无监督去雨方法
CN110807757A (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
CN110782448A (zh) 渲染图像的评价方法及装置
CN112614072B (zh) 一种图像复原方法、装置、图像复原设备及存储介质
CN111598842A (zh) 一种绝缘子缺陷样本生成模型的方法、系统及存储介质
CN109360159A (zh) 一种基于生成对抗网络模型的图像补全方法
CN114140469A (zh) 一种基于多层注意力的深度分层图像语义分割方法
CN112200887A (zh) 一种基于梯度感知的多聚焦图像融合方法
CN117197627B (zh) 一种基于高阶退化模型的多模态图像融合方法
CN102930513B (zh) 一种视频场景的虚实光照融合方法
Swami et al. Candy: Conditional adversarial networks based end-to-end system for single image haze removal
CN116523897A (zh) 一种基于互导学习的半监督浒苔检测方法及系统
CN111161384A (zh) 一种参与介质的路径引导方法
CN117253071B (zh) 基于多级伪标签增强的半监督目标检测方法及系统

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