CN112712488A - 基于自注意力融合的遥感图像超分辨率重建方法 - Google Patents
基于自注意力融合的遥感图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN112712488A CN112712488A CN202011563791.0A CN202011563791A CN112712488A CN 112712488 A CN112712488 A CN 112712488A CN 202011563791 A CN202011563791 A CN 202011563791A CN 112712488 A CN112712488 A CN 112712488A
- Authority
- CN
- China
- Prior art keywords
- attention
- module
- channel
- resolution
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
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
本发明公开了基于自注意力融合的遥感图像超分辨率重建方法,包括:获取低分辨率遥感图像,进行数据预处理;将数据预处理后的低分辨率图像输入提前训练后的基于自注意力融合的遥感图像超分辨率重建模型;所述重建模型包括一个特征提取模块、一个特征非线性映射模块、一个重建模块和两个注意力模块;输出重建后的高分辨率图像。低分辨率图像通过该方法,使得经过注意力模块的特征进行了加权,建立了特征之间的长距离的约束关系,解决了卷积操作感受野的限制,同时经过了通道注意力的多层特征图具有每一层的权重关系,加强对于超分辨率重建有用的这层特征图,弱化对于超分辨率重建任务无用的特征图,提升了重建的效果。
Description
技术领域
本发明属于数字图像处理领域,涉及一种提升遥感图像超分辨重建效果方法,特别涉及基于自注意力融合的遥感图像超分辨率重建方法。
背景技术
遥感图像超分辨率重建技术是将低分辨率遥感图像重建为高分辨率遥感图像的一项技术。遥感图像超分辨率重建可以提升遥感图像的视觉效果,重建后的高分辨率图像可以提升后续信息处理任务的效果。传统的超分辨率重建方法重建结果较为粗糙,纹理细节的恢复较差,重建的图像质量较差。
近些年,随着深度学习的发展,深度学习方法因为其强大的拟合性能以及更具细节的重建结果逐渐成为了研究的热点,特别是基于卷积神经网络(CNN)的超分辨重建网络可以恢复图像质量更高的图像质量。基于卷积神经网络的超分辨重建网络的通用结构如图1所示,输入的低分辨率图像经过预处理操作在经过卷积神经网络进行特征提取以及低分辨率特征到高分辨率特征的映射,最终经过重建层重建为高分辨率图像。
基于卷积神经网络的网络在特征提取部分和特征非线性部分都采取了大量的卷积操作,特征提取都卷积来建立不同图像区域间的依赖关系模型,卷积操作本身存在感受野的限制,这种限制也妨碍了网络去学习到在图像区域之间的长距离的约束关系,致使超分辨率重建结果的精度有限,指标可能会受到这种影响而降低,每一层的特征会对特征非线性映射具有不同的贡献,基于深度学习的通用超分辨率网络,将每一层特征看作等价处理,这会造成重建结果变差,重建指标下降。
因此,卷积操作感受野的限制以及等价处理每层特征的关键问题还有待解决。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于自注意力融合的遥感图像超分辨率重建方法。
为实现上述目的,本发明采取的技术方案为:
本发明实施例提供基于自注意力融合的遥感图像超分辨率重建方法,包括:
S1:获取低分辨率遥感图像,进行数据预处理;
S2:将步骤S1数据预处理后的低分辨率图像输入提前训练后的基于自注意力融合的遥感图像超分辨率重建模型;所述重建模型包括一个特征提取模块、一个特征非线性映射模块、一个重建模块和两个注意力模块;
S3:输出重建后的高分辨率图像。
进一步地,所述两个注意力模块结构相同;所述两个注意力模块分别位于所述特征提取模块前和所述重建模块前;
所述注意力模块包括空间注意力模块与通道注意力模块;所述空间注意力模块与通道注意力模块相融合,且所述空间注意力模块与所述通道注意力模块均通过自注意力结构实现。
进一步地,所述空间注意力模块,包括:
通过两个1×1的卷积核转换到两个特征空间f、g去计算空间注意力,其中f(x)=Wfx,g(x)=Wgx;
βj,i即为注意力表现为生成第j个像素时,模型对第i个像素的关注程度;
进一步地,所述通道注意力模块,包括:
通过两个1×1的卷积核转换到两个特征空间k、l去计算通道注意力,其中k(x)=Wkx,l(x)=Wlx;
αj,i即为注意力表现为生成第j个通道时,模型对第i个通道的关注程度;
进一步地,所述空间注意力模块与通道注意力模块相融合,包括:
设置学习参数γ,μ,初始设为0;
最终的注意力模块的输出为y=γs+μd+x;
s与d分别为空间注意力模块与通道注意力模块的输出。
与现有技术相比,本发明具有如下有益效果:
本专利所提出的基于自注意力融合的超分辨率重建的方法,通过在特征提取模块前和重建模块前加入注意力融合的注意力模块,从而使得经过注意力模块的特征进行了加权,建立了特征之间的长距离的约束关系,从而解决了卷积操作感受野的限制,同时经过了通道注意力的多层特征图具有每一层的权重关系,加强对于超分辨率重建有用的这层特征图,弱化对于超分辨率重建任务无用的特征图,从而提升重建的效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为相关技术中基于深度学习的通用超分辨率重建网络结构图;
图2为本发明实施例提供的基于自注意力融合的遥感图像超分辨率重建方法流程图;
图3为本发明实施例提供的注意力融合的超分辨率重建网络结构图;
图4为本发明实施例提供的自注意力结构的空间注意力结构图;
图5为本发明实施例提供的自注意力结构的通道注意力结构图;
图6为本发明实施例提供的注意力融合结构图;
图7为本发明实施例提供的农田实验效果对比和活动房屋停车场实验效果对比图;
图8为本发明实施例提供的机场跑道实验效果对比和港湾实验效果对比图;
图9为本发明实施例提供的飞机实验效果对比和中型住宅实验效果对比图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明提供了基于自注意力融合的遥感图像超分辨率重建方法,如图2和图3所示,其中,该方法包括:
S1:获取低分辨率遥感图像,进行数据预处理;
S2:将步骤S1数据预处理后的低分辨率图像输入提前训练后的基于自注意力融合的遥感图像超分辨率重建模型;所述重建模型包括一个特征提取模块、一个特征非线性映射模块、一个重建模块和两个注意力模块;
S3:输出重建后的高分辨率图像。
其中,上述S2步骤中,特征提取模块、特征非线性映射模块、重建模块所涉及的神经网络为预先训练好的神经网络,即采用已知的训练样本图像对已知的基础网络模型进行迭代训练,以得到满足需求的神经网络。神经网络的训练过程可采用现有神经网络训练方式进行训练,本申请对神经网络的具体结构、训练方式不作严格限定。
S2步骤中,两个注意力模块结构相同,两个注意力模块分别位于上述特征提取模块前和上述重建模块前,注意力模块包括空间注意力模块与通道注意力模块。
在注意力模块将空间注意力与通道注意力进行了融合,空间注意力模块与通道注意力模块都通过自注意力结构(self-attention)实现。
结合图3所示,空间注意力模块的计算过程如下:
通过两个1×1的卷积核转换到两个特征空间f、g去计算空间注意力,其中f(x)=Wfx,g(x)=Wgx。
在上述(1)、(2)公式中为可学习的权重矩阵,均通过1×1的卷积实现,通过这种自注意力结构的空间注意力机制使得像素之间建立了联系,从而使得网络可以学习到全局的特征,这也有助于提升网络超分辨率重建的图像质量。
通道注意力也通过自注意力结构(self-attention)实现,结合图4所示,通道注意力模块的计算过程如下,定义预处理模块输出或特征非线性映射模块输出特征图N=W×H,W,H分别为图像的宽与高,C为特征图的通道数;N为一个通道上像素点的数量。
通过两个1×1的卷积核转换到两个特征空间k、l去计算通道注意力,其中k(x)=Wkx,l(x)=Wlx。
在上述(3)、(4)公式中为可学习的权重矩阵,均通过1×1的卷积实现。通过这种自注意力结构的通道注意力机制使得通道之间建立了联系,从而使得网络可以学习任务最有作用的通道,加强对于超分辨率重建有用的这层特征图,弱化对于超分辨率重建任务无用的特征图,提升重建质量。
其中将空间注意力模块与通道注意力模块融合的结构如图5所示,为不破坏原本的特征,设置学习参数γ,μ,初始设为0。最终的注意力模块的输出为y=γs+μd+x,其中s与d分别为空间注意力模块与通道注意力模块的输出。
本发明采用注意力融合的卷积神经网络的方法对遥感图像进行超分辨率重建。将空间注意力与通道注意力引入到传统的超分辨率重建的网络之中,从而使得对比传统的超分辨率重建的网络可以学习到全局的特征,引入的通道注意力可以使得网络加强对超分辨率重建任务有关的通道的权重,弱化对超分辨率重建任务无用的通道。并将两种注意力进行了融合,在不破坏原本特征的基础上融合空间注意力与通道注意力。本发明提出的注意力融合模块提升了SRResNet、ESRGAN的重建指标,所使用的指标为PSNR,PSNR指标越高,图像的质量越高。
表1本发明方法提升模型指标
模型 | 超分倍数 | PSNR |
SRResNet | 4 | 28.331 |
SRResNet+注意力模块 | 4 | 28.382 |
ESRGAN | 4 | 26.083 |
ESRGAN+注意力模块 | 4 | 26.121 |
通过表1可以看出通过引入注意力模块,超分辨率重建的指标(PSNR)都有很大提升,说明注意力模块提升了重建的效果,使得重建的图像质量有所提升。
本发明网络的训练和测试采用了UC Merced遥感图像数据集上进行,实验结果:如图7所示为农田实验效果对比和活动房屋停车场实验效果对比图;图8为机场跑道实验效果对比和港湾实验效果对比图;图9为飞机实验效果对比和中型住宅实验效果对比图所示;明显可以看出基于本发明重建后的图像(上述对比图右侧部分)清晰度要高于原图。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.基于自注意力融合的遥感图像超分辨率重建方法,其特征在于,包括以下步骤:
S1:获取低分辨率遥感图像,进行数据预处理;
S2:将步骤S1数据预处理后的低分辨率图像输入提前训练后的基于自注意力融合的遥感图像超分辨率重建模型;所述重建模型包括一个特征提取模块、一个特征非线性映射模块、一个重建模块和两个注意力模块;
S3:输出重建后的高分辨率图像。
2.如权利要求1所述的基于自注意力融合的遥感图像超分辨率重建方法,其特征在于,所述两个注意力模块结构相同;所述两个注意力模块分别位于所述特征提取模块前和所述重建模块前;
所述注意力模块包括空间注意力模块与通道注意力模块;所述空间注意力模块与通道注意力模块相融合,且所述空间注意力模块与所述通道注意力模块均通过自注意力结构实现。
5.根据权利要求2所述的基于自注意力融合的遥感图像超分辨率重建方法,其特征在于,所述空间注意力模块与通道注意力模块相融合,包括:
设置学习参数γ,μ,初始设为0;
最终的注意力模块的输出为y=γs+μd+x;
s与d分别为空间注意力模块与通道注意力模块的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563791.0A CN112712488B (zh) | 2020-12-25 | 2020-12-25 | 基于自注意力融合的遥感图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563791.0A CN112712488B (zh) | 2020-12-25 | 2020-12-25 | 基于自注意力融合的遥感图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712488A true CN112712488A (zh) | 2021-04-27 |
CN112712488B CN112712488B (zh) | 2022-11-15 |
Family
ID=75546583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011563791.0A Active CN112712488B (zh) | 2020-12-25 | 2020-12-25 | 基于自注意力融合的遥感图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712488B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706388A (zh) * | 2021-09-24 | 2021-11-26 | 上海壁仞智能科技有限公司 | 图像超分辨率重建方法及装置 |
CN114429424A (zh) * | 2022-04-01 | 2022-05-03 | 中国石油大学(华东) | 一种适用于退化方式不定的遥感图像超分重建方法 |
CN114549316A (zh) * | 2022-02-18 | 2022-05-27 | 中国石油大学(华东) | 基于通道自关注多尺度特征学习的遥感单图超分辨率方法 |
CN114742706A (zh) * | 2022-04-12 | 2022-07-12 | 重庆牛智智科技有限公司 | 一种用于智慧环保的水污染遥感图像超分辨率重建方法 |
CN116310883A (zh) * | 2023-05-17 | 2023-06-23 | 山东建筑大学 | 基于遥感图像时空融合的农业灾害预测方法及相关设备 |
CN117671509A (zh) * | 2024-02-02 | 2024-03-08 | 武汉卓目科技有限公司 | 遥感目标检测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584161A (zh) * | 2018-11-29 | 2019-04-05 | 四川大学 | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 |
CN109859106A (zh) * | 2019-01-28 | 2019-06-07 | 桂林电子科技大学 | 一种基于自注意力的高阶融合网络的图像超分辨率重建方法 |
CN109903228A (zh) * | 2019-02-28 | 2019-06-18 | 合肥工业大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN110717856A (zh) * | 2019-09-03 | 2020-01-21 | 天津大学 | 一种用于医学成像的超分辨率重建算法 |
CN111461973A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种图像的超分辨率重建方法及系统 |
CN111861961A (zh) * | 2020-07-25 | 2020-10-30 | 安徽理工大学 | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 |
-
2020
- 2020-12-25 CN CN202011563791.0A patent/CN112712488B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584161A (zh) * | 2018-11-29 | 2019-04-05 | 四川大学 | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 |
CN109859106A (zh) * | 2019-01-28 | 2019-06-07 | 桂林电子科技大学 | 一种基于自注意力的高阶融合网络的图像超分辨率重建方法 |
CN109903228A (zh) * | 2019-02-28 | 2019-06-18 | 合肥工业大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN110717856A (zh) * | 2019-09-03 | 2020-01-21 | 天津大学 | 一种用于医学成像的超分辨率重建算法 |
CN111461973A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种图像的超分辨率重建方法及系统 |
CN111861961A (zh) * | 2020-07-25 | 2020-10-30 | 安徽理工大学 | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 |
Non-Patent Citations (1)
Title |
---|
WEN LI 等: "Lightweight Image Super-Resolution Reconstruction With Hierarchical Feature-Driven Network", 《2020 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706388A (zh) * | 2021-09-24 | 2021-11-26 | 上海壁仞智能科技有限公司 | 图像超分辨率重建方法及装置 |
CN114549316A (zh) * | 2022-02-18 | 2022-05-27 | 中国石油大学(华东) | 基于通道自关注多尺度特征学习的遥感单图超分辨率方法 |
CN114429424A (zh) * | 2022-04-01 | 2022-05-03 | 中国石油大学(华东) | 一种适用于退化方式不定的遥感图像超分重建方法 |
CN114742706A (zh) * | 2022-04-12 | 2022-07-12 | 重庆牛智智科技有限公司 | 一种用于智慧环保的水污染遥感图像超分辨率重建方法 |
CN114742706B (zh) * | 2022-04-12 | 2023-11-28 | 内蒙古至远创新科技有限公司 | 一种用于智慧环保的水污染遥感图像超分辨率重建方法 |
CN116310883A (zh) * | 2023-05-17 | 2023-06-23 | 山东建筑大学 | 基于遥感图像时空融合的农业灾害预测方法及相关设备 |
CN116310883B (zh) * | 2023-05-17 | 2023-10-20 | 山东建筑大学 | 基于遥感图像时空融合的农业灾害预测方法及相关设备 |
CN117671509A (zh) * | 2024-02-02 | 2024-03-08 | 武汉卓目科技有限公司 | 遥感目标检测方法、装置、电子设备及存储介质 |
CN117671509B (zh) * | 2024-02-02 | 2024-05-24 | 武汉卓目科技有限公司 | 遥感目标检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112712488B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712488B (zh) | 基于自注意力融合的遥感图像超分辨率重建方法 | |
CN111784602B (zh) | 一种生成对抗网络用于图像修复的方法 | |
CN110739070A (zh) | 一种基于3d卷积神经网络的脑疾病诊断方法 | |
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 | |
CN109584161A (zh) | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 | |
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 | |
CN112991354A (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN111783782A (zh) | 融合改进UNet和SegNet的遥感图像语义分割方法 | |
CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN113554599B (zh) | 一种基于人类视觉效应的视频质量评价方法 | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
Chen et al. | MICU: Image super-resolution via multi-level information compensation and U-net | |
CN114581560A (zh) | 基于注意力机制的多尺度神经网络红外图像彩色化方法 | |
CN115565056A (zh) | 基于条件生成对抗网络的水下图像增强方法及系统 | |
CN114638768B (zh) | 一种基于动态关联学习网络的图像去雨方法、系统及设备 | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN116051382A (zh) | 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法 | |
CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
Lan et al. | An optimized GAN method based on the Que-Attn and contrastive learning for underwater image enhancement | |
CN113034388B (zh) | 一种古代绘画虚拟修复方法及修复模型的构建方法 | |
Yin et al. | Adams-based hierarchical features fusion network for image dehazing | |
CN116523985B (zh) | 一种结构和纹理特征引导的双编码器图像修复方法 | |
CN113496472A (zh) | 图像去雾模型构建、道路图像去雾方法、装置及车辆 |
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 |