CN112634168A - 一种结合边缘信息的图像修复方法 - Google Patents
一种结合边缘信息的图像修复方法 Download PDFInfo
- Publication number
- CN112634168A CN112634168A CN202011608765.5A CN202011608765A CN112634168A CN 112634168 A CN112634168 A CN 112634168A CN 202011608765 A CN202011608765 A CN 202011608765A CN 112634168 A CN112634168 A CN 112634168A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- countermeasure network
- generative
- layer
- 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
- 230000006870 function Effects 0.000 claims description 24
- 230000005284 excitation Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006727 cell loss Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及图像修复方法领域,详细讲是一种图像边界部分的修复效果好、修复后的图像的纹理色彩与图像整体具有高度的一致性、无明显的修复痕迹的结合边缘信息的图像修复方法。
背景技术
Bertalmio M等人介绍了一种用于静态图像数字修复的算法,用户选择需要修复的区域后,该算法会根据选中区域周围像素的像素值,向待修复区域内扩展直至修复完成,此方法能够同步修复包括完全相异的纹理和周围场景的众多区块。这种图像修复算法并没有考虑图像的纹理、结构等特征,修复得到的图像结果仅仅利用相邻像素点的色彩信息对缺失信息的空洞进行填补,修复后的图像特征、纹理等信息容易被破坏,无法保证图像的整体性。
Vese L等人提出了一种在缺失图像信息区域同时填充纹理和结构的算法,此方法首先将图像分解为具有不同基本特征的两个函数的总和,然后使用结构和纹理填充算法分别重构每个函数,两个特征函数中第一个函数是有界变化,表示基础图像结构,而第二个函数则用于捕获纹理和可能的噪声。使用图像修复算法重建有界变化图像中丢失信息的区域,同时使用纹理合成技术填充纹理图像中的相同区域。然后重建原始图像,并添加这两个子图像得到修复后的图像,此算法将图像分解与修补和纹理合成结合在一起,从而可以同时使用适合于不同图像特征的填充算法。Dolhansky B等人在条件生成对抗网络的基础上,在对抗网络内的多个点插入额外的参考图像样例信息,从而提高图像特征描述能力,实现了对人脸的修复。Vese L等人、Dolhansky B等人提出的图像修复方法虽然考虑了图像中纹理、结构等特征信息,将这些信息用于指导图像的修复,但是仅仅依靠纹理、结构等信息无法给出图像中不同类别物体之间的边界信息,从而导致修复后的图像在孔洞边缘部分修复效果差,存在着明显的修复痕迹,导致修复后图像整体性的下降。
发明内容
本发明的目的是解决上述现有技术的不足,提供一种图像边界部分的修复效果好、修复后的图像的纹理色彩与图像整体具有高度的一致性、无明显的修复痕迹的结合边缘信息的图像修复方法。
一种结合边缘信息的图像修复方法,其特征在于包括如下步骤:
步骤一、将原始图像(摄像机等实时采集的真实的场景图像)记作It,分别获取原始图像中的语义图像Cg、灰度图像Ig、掩膜图像M;
步骤二、建立生成式对抗网络一、生成边界特征图像
生成式对抗网络一的网络结构采用全卷积神经网络结构,除最后一层产生最终结果外,每两个卷积层之间都使用批量归一化算法对数据进行归一化,(将数据规范到梯度变化更大的范围内,)归一化后的数据通过RELU激励函数进行非线性激励(,增强网络的非线性表述能力),在最后一层输出层使用softmax函数;
通过生成式对抗网络一生成的边界特征图像为Cp,
式中G1为生成式对抗网络一中的生成器,(以掩膜图像、灰度图像、语义图像作为输入,输出为边界特征图像)
生成式对抗网络一的损失函数为:
式中Ladv1为鉴别器损失为特征池损失,D1为生成式对抗网络一的鉴别器,参数λ1和为正则化参数,分别选定为1和10,i为生成式对抗网络一中的第i层特征层,Ni为第i层学习权重;为第i层鉴别器判别结果输出。
步骤三、建立生成式对抗网络二、生成修复后的完整图像
生成式对抗网络二的网络结构采用全卷积神经网络结构,除最后一层产生最终结果外,每两个卷积层之间都使用批量归一化算法对数据进行归一化,归一化后的数据通过RELU激励函数进行非线性激励,在最后一层输出层使用tanh激励函数;
通过生成式对抗网络二生成的图像为修复后的完整图像记作Ip,
式中G2为生成式对抗网络二中的生成器;
生成式对抗网络二的损失函数为:
式中Ladv2为生成式对抗网络二中鉴别器损失,Lp为感知损失,Ls为类型损失,D2为生成式对抗网络二的鉴别器,Ni为第i层学习权重,φi预训练网络第i层的激活图,为预训练网络中第j层的生成器的对应输出,所述的预训练网络采用AlexNet;激活图使用ImageNet数据集上预先训练的VGG-19网络中的激活图;三个正则化参数通过迭代法得出,最终选值分别为:λadv2=1,λp=0.5,λs=0.3。
生成式对抗网络二的感知损失函数为Lp、类型损失函数为Ls。
本发明中所述的生成式对抗网络一和生成式对抗网络二的具体网络结构为如下表:
本发明中所述的原始图像为摄像机采集的原始真实场景图像,所述的灰度图像为将原始图像进行灰度化处理而得到,所述的语义图像是对原始图像进行人工语义标注得到像素级别的语义图像,所述的掩膜图像是将原始图像上去除(人工语义标注的)动态障碍物后的孔洞部分像素置为1,其余部分像素置为0的而生成的孔洞掩膜图像。本发明中所述的孔洞为原始图像去除动态障碍物所产生的孔洞。先生成语义图像,然后根据语义图像的生成掩膜图像。
本发明中所述的对原始图像进行人工语义标注时,语义包括动态障碍物语义及其他语义,其中动态障碍物语义包括交通流语义,其他语义为除交通流外的语义。交通流语义包括行人、车辆、自行车等,其他语义包括道路、天空、树木等。对原始图像进行人工语义标注生成语义图像后,去除原始图像上被标注为动态障碍物语义部分,形成待修复的具有孔洞的彩色图像(具有孔洞的原始图像)。
本发明应用于自动驾驶增强仿真当中,对图像修复的具过程包括如下步骤:
第一步:对生成式对抗网络一、生成式对抗网络二的网络结构进行实现,依据上述给出的公式,通过Pytorch建立生成式对抗网络一、生成式对抗网络二的网络模型;
第二步:根据摄像机采集的实际使用场景图像进行处理,获得灰度图像、掩膜图像和语义图像数据集,制作对应的训练数据集和测试数据集,用于后续神经网络模型参数的优化训练;
第三步:利用制作的训练数据集对生成式对抗网络一、生成式对抗网络二的网络权重参数进行训练,得到训练后的系数矩阵,通过制作的测试数据集对模型进行测试,优化系数矩阵;
第四步:将待修复的包含孔洞的彩色图像输入生成式对抗网络一、生成式对抗网络二,以得到的系数矩阵作为修复参数,得到修复后的图像。
本发明基于对图像中不同类别物体边缘信息特征的提取,用于指导图像的修复。利用两个生成式对抗网络,以孔洞掩膜图像、语义图像、具有孔洞的彩色图像(具有孔洞的原始图像)、灰度图像为输入,分别用于对边缘特征图像的生成以及具有孔洞的彩色图像的修复。可以实现对大面积孔洞的修复,修复后的图像在边界部分具有更精细的修复效果。全卷积网络中应用了多层空洞卷积以增大感受野并提供更宽泛的输入视图以捕获图像的整体结构。
附图说明
图1为原始图像的灰度图像。
图2为原始图像的语义图像。
图3为原始图像的掩膜图像。
图4为生成式对抗网络一生成的边缘信息图像。
图5为修复前包含孔洞的彩色图像。
图6为使用本发明的修复方法对原始图像(还是包含孔洞的彩色图像)后得到的修复后图像。
图7为使用Vese L等人提出的修复方法对原始图像(还是包含孔洞的彩色图像)后得到的修复后图像。
图8为使用Dolhansky B等人提出的修复方法对原始图像(还是包含孔洞的彩色图像)后得到的修复后图像。
由于专利申请中说明书附图不能使用彩色图片,因此将上述图像中的彩色图像进行了灰度处理。原始图像为彩色图像,使用彩色图像效果更佳。
具体实施方式
一种结合边缘信息的图像修复方法,包括如下步骤:
步骤一、摄像机等实时采集的真实的场景图像为原始图像,原始图像记作It,对原始图像进行人工语义标注得到像素级别的语义图像Cg;将原始图像进行灰度化处理、得到灰度图像Ig;将原始图像去除(人工语义标注的)动态障碍物后的孔洞部分像素置为1、其余部分像素置为0,生成的孔洞掩膜图像M;所述的孔洞为原始图像去除动态障碍物所产生的孔洞。
步骤二、建立生成式对抗网络一、生成边界特征图像
生成式对抗网络一的网络结构采用全卷积神经网络结构,具体网络结构如下:
生成式对抗网络一的网络结构除最后一层产生最终结果外,每两个卷积层之间都使用批量归一化算法对数据进行归一化,将数据规范到梯度变化更大的范围内,归一化后的数据通过RELU激励函数进行非线性激励,增强网络的非线性表述能力,在最后一层输出层使用softmax函数;
通过生成式对抗网络一生成的边界特征图像为Cp,
式中G1为生成式对抗网络一中的生成器,以掩膜图像、灰度图像、语义图像作为输入,输出为边界特征图像。
生成式对抗网络一的损失函数为:
步骤三、建立生成式对抗网络二、生成修复后的完整图像
生成式对抗网络二的网络结构采用全卷积神经网络结构,具体网络结构如下:
生成式对抗网络二除最后一层产生最终结果外,每两个卷积层之间都使用批量归一化算法对数据进行归一化,将数据规范到梯度变化更大的范围内,归一化后的数据通过RELU激励函数进行非线性激励,增强网络的非线性表述能力,在最后一层输出层使用tanh激励函数,输出修复后的彩色图像;
通过生成式对抗网络二生成的图像为修复后的完整图像记作Ip,
式中G2为生成式对抗网络二中的生成器;
生成式对抗网络二的损失函数为:
式中Ladv2为生成式对抗网络二中鉴别器损失,Lp为感知损失,Ls为类型损失,D2为生成式对抗网络二的鉴别器,Ni为第i层学习权重,φi预训练网络第i层的激活图,为预训练网络中第j层的生成器的对应输出,所述的预训练网络采用AlexNet;激活图使用ImageNet数据集上预先训练的VGG-19网络中的激活图;三个正则化参数通过迭代法得出,最终选值分别为:λadv2=1,λp=0.5,λs=0.3。
生成式对抗网络二的感知损失函数为Lp、类型损失函数为Ls,使生成式对抗网络二对原始图像的修复效果大大提高。
本发明应用于自动驾驶增强仿真当中,对面积较大的孔洞修复的具过程包括如下步骤:
第一步:对生成式对抗网络一、生成式对抗网络二的网络结构进行实现,通过Pytorch建立生成式对抗网络一、生成式对抗网络二的网络模型;
第二步:根据摄像机采集的实际使用场景图像进行批量处理,获得灰度图像、掩膜图像和语义图像数据集,制作对应的训练数据集和测试数据集,用于后续神经网络模型参数的优化训练;
第三步:利用制作的训练数据集对生成式对抗网络一、生成式对抗网络二的网络权重参数进行训练,得到训练后的系数矩阵,通过制作的测试数据集对模型进行测试,优化系数矩阵;
第四步:将待修复的包含孔洞的彩色图像输入生成式对抗网络一、生成式对抗网络二,以得到的系数矩阵作为修复参数,得到修复后的图像。
本发明基于对图像中不同类别物体边缘信息特征的提取,用于指导图像的修复。利用两个生成式对抗网络,以孔洞掩膜图像、语义图像、具有孔洞的彩色图像、灰度图像为输入,分别用于对边缘特征图像的生成以及具有孔洞的彩色图像(具有孔洞的原始图像)的修复。可以实现对大面积孔洞的修复,修复后的图像在边界部分具有更精细的修复效果。全卷积网络中应用了多层空洞卷积以增大感受野并提供更宽泛的输入视图以捕获图像的整体结构。图1、图2、图3为图像修复模型的输入:图1为原始图像的灰度图像、图2为原始图像的语义图像、图3为原始图像的掩膜图像;图4为生成式对抗网络一生成的边缘信息图像。图5为修复前包含孔洞的彩色图像。图6为使用本发明的修复方法对原始图像(还是包含孔洞的彩色图像)后得到的修复后图像。图7为使用Vese L等人提出的修复方法对原始图像(还是包含孔洞的彩色图像)后得到的修复后图像。图8为使用Dolhansky B等人提出的修复方法对原始图像(还是包含孔洞的彩色图像)后得到的修复后图像。由于专利申请中说明书附图不能使用彩色图片,因此将上述图像中的包含彩色的图像进行了灰度处理。原始图像为彩色图像,使用彩色图像效果更佳。
本发明中所述的对原始图像进行人工语义标注时,语义包括动态障碍物语义及其他语义,其中动态障碍物语义包括交通流语义,其他语义为除交通流外的语义。交通流语义包括行人、车辆、自行车等,其他语义包括道路、天空、树木等。对原始图像进行人工语义标注生成语义图像后,去除原始图像上被标注为动态障碍物语义的图像,形成待修复的具有孔洞的彩色图像(具有孔洞的原始图像)。
图像掩膜是:用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。
生成式对抗网络:GAN(Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。
全卷积网络:Fully Convolutional Networks(FCN)是UC Berkeley的JonathanLong等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架,可以实现像素级别图像处理。
Claims (5)
1.一种结合边缘信息的图像修复方法,其特征在于包括如下步骤:
步骤一、将原始图像记作It,分别获取原始图像中的语义图像Cg、灰度图像Ig、掩膜图像M;
步骤二、建立生成式对抗网络一、生成边界特征图像
生成式对抗网络一的网络结构采用全卷积神经网络结构,除最后一层产生最终结果外,每两个卷积层之间都使用批量归一化算法对数据进行归一化,归一化后的数据通过RELU激励函数进行非线性激励,在最后一层输出层使用softmax函数;
通过生成式对抗网络一生成的边界特征图像为Cp,
式中G1为生成式对抗网络一中的生成器,
生成式对抗网络一的损失函数为:
式中Ladv1为鉴别器损失为特征池损失,D1为生成式对抗网络一的鉴别器,参数λ1和为正则化参数,分别选定为1和10,i为生成式对抗网络一中的第i层特征层,Ni为第i层学习权重;为第i层鉴别器判别结果输出;
步骤三、建立生成式对抗网络二、生成修复后的完整图像
生成式对抗网络二的网络结构采用全卷积神经网络结构,除最后一层产生最终结果外,每两个卷积层之间都使用批量归一化算法对数据进行归一化,归一化后的数据通过RELU激励函数进行非线性激励,在最后一层输出层使用tanh激励函数;
通过生成式对抗网络二生成的图像为修复后的完整图像记作Ip,
式中G2为生成式对抗网络二中的生成器;
生成式对抗网络二的损失函数为:
3.根据权利要求1所述的结合边缘信息的图像修复方法,其特征在于所述的原始图像为摄像机采集的原始真实场景图像。
4.根据权利要求1所述的结合边缘信息的图像修复方法,其特征在于对原始图像进行人工语义标注时,语义包括动态障碍物语义及其他语义,其中动态障碍物语义包括交通流语义,其他语义为除交通流外的语义。
5.根据权利要求1所述的结合边缘信息的图像修复方法应用于自动驾驶增强仿真当中,其特征在于对孔洞修复的具过程包括如下步骤:
第一步:对生成式对抗网络一、生成式对抗网络二的网络结构进行实现,依据上述给出的公式,通过Pytorch建立生成式对抗网络一、生成式对抗网络二的网络模型;
第二步:根据摄像机采集的实际使用场景图像进行处理,获得灰度图像、掩膜图像和语义图像数据集,制作对应的训练数据集和测试数据集,用于后续神经网络模型参数的优化训练;
第三步:利用制作的训练数据集对生成式对抗网络一、生成式对抗网络二的网络权重参数进行训练,得到训练后的系数矩阵,通过制作的测试数据集对模型进行测试,优化系数矩阵;
第四步:将待修复的包含孔洞的彩色图像输入生成式对抗网络一、生成式对抗网络二,以得到的系数矩阵作为修复参数,得到修复后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608765.5A CN112634168A (zh) | 2020-12-30 | 2020-12-30 | 一种结合边缘信息的图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608765.5A CN112634168A (zh) | 2020-12-30 | 2020-12-30 | 一种结合边缘信息的图像修复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634168A true CN112634168A (zh) | 2021-04-09 |
Family
ID=75286875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011608765.5A Pending CN112634168A (zh) | 2020-12-30 | 2020-12-30 | 一种结合边缘信息的图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634168A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222843A (zh) * | 2021-05-10 | 2021-08-06 | 北京有竹居网络技术有限公司 | 一种图像修复方法及其相关设备 |
CN116879112A (zh) * | 2023-09-06 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 一种憎水性等级判定方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710904A (zh) * | 2018-05-10 | 2018-10-26 | 上海交通大学 | 基于递归神经网络的图像匹配方法及系统 |
CN111784602A (zh) * | 2020-06-28 | 2020-10-16 | 江西理工大学 | 一种生成对抗网络用于图像修复的方法 |
CN111861901A (zh) * | 2020-06-05 | 2020-10-30 | 西安工程大学 | 一种基于gan网络的边缘生成图像修复方法 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
-
2020
- 2020-12-30 CN CN202011608765.5A patent/CN112634168A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710904A (zh) * | 2018-05-10 | 2018-10-26 | 上海交通大学 | 基于递归神经网络的图像匹配方法及系统 |
CN111861901A (zh) * | 2020-06-05 | 2020-10-30 | 西安工程大学 | 一种基于gan网络的边缘生成图像修复方法 |
CN111784602A (zh) * | 2020-06-28 | 2020-10-16 | 江西理工大学 | 一种生成对抗网络用于图像修复的方法 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
Non-Patent Citations (3)
Title |
---|
KALRA N ET AL: "Driving to safety: How many miles of driving would it take to demonstrate autonomous vehicle reliability?", 《TRANSPORTATION RESEARCH PART A: POLICY AND PRACTICE》 * |
曹建芳等: "增强一致性生成对抗网络在壁画修复上的应用", 《计算机辅助设计与图形学学报》 * |
胡敏等: "基于生成式对抗网络的裂缝图像修复方法", 《计算机应用与软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222843A (zh) * | 2021-05-10 | 2021-08-06 | 北京有竹居网络技术有限公司 | 一种图像修复方法及其相关设备 |
CN113222843B (zh) * | 2021-05-10 | 2023-11-10 | 北京有竹居网络技术有限公司 | 一种图像修复方法及其相关设备 |
CN116879112A (zh) * | 2023-09-06 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 一种憎水性等级判定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992275B (zh) | 一种基于生成对抗网络的细化单幅图像去雨方法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN111915530B (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 | |
CN113240580A (zh) | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 | |
CN112288632B (zh) | 基于精简esrgan的单图像超分辨率方法及系统 | |
CN111861894B (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
CN111754438B (zh) | 基于多分支门控融合的水下图像复原模型及其复原方法 | |
CN113962893A (zh) | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 | |
CN113450288B (zh) | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 | |
CN113989129A (zh) | 基于门控和上下文注意力机制的图像修复方法 | |
CN114445292A (zh) | 一种多阶段渐进式水下图像增强方法 | |
CN112634168A (zh) | 一种结合边缘信息的图像修复方法 | |
CN113284100A (zh) | 基于恢复图像对混合域注意力机制的图像质量评价方法 | |
CN113673590A (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN114170286B (zh) | 一种基于无监督深度学习的单目深度估计方法 | |
CN112070668A (zh) | 一种基于深度学习和边缘增强的图像超分辨方法 | |
CN115861094A (zh) | 一种融合注意力机制的轻量级gan水下图像增强模型 | |
CN115272072A (zh) | 一种基于多特征图像融合的水下图像超分辨率方法 | |
CN110570375A (zh) | 一种图像处理方法、装置、电子设置以及存储介质 | |
CN113554568A (zh) | 一种基于自监督约束和不成对数据的无监督循环去雨网络方法 | |
CN113096015A (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN115439849B (zh) | 基于动态多策略gan网络的仪表数字识别方法及系统 | |
CN116823647A (zh) | 基于快速傅里叶变换和选择性注意力机制的图像补全方法 | |
CN116128768A (zh) | 一种带有去噪模块的无监督图像低照度增强方法 | |
CN114862699B (zh) | 基于生成对抗网络的人脸修复方法、装置及存储介质 |
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: 20210409 |
|
RJ01 | Rejection of invention patent application after publication |