CN112837247A - 一种融合改进残差网络的gan图像去噪算法 - Google Patents
一种融合改进残差网络的gan图像去噪算法 Download PDFInfo
- Publication number
- CN112837247A CN112837247A CN202110364838.9A CN202110364838A CN112837247A CN 112837247 A CN112837247 A CN 112837247A CN 202110364838 A CN202110364838 A CN 202110364838A CN 112837247 A CN112837247 A CN 112837247A
- Authority
- CN
- China
- Prior art keywords
- image
- residual error
- network
- loss
- generator
- 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 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004880 explosion Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 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
- G06T5/70—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
- 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
- G06N3/048—Activation functions
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30—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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明创造提供了一种融合改进残差网络的GAN图像去噪算法，包括：S1、对数据集图像进行预处理；S2、生成器对带噪图像提取特征，生成去噪图像；S3、判别器对输入图像进行判定，输出判定结果；S4、依据损失函数对上述各过程交替迭代训练；本发明创造使用的多层残差特征提取网络，与传统的残差网络相比，该网络保留了原有的残差网络的优点，即解决了单堆叠卷积神经网络造成的梯度消失或爆炸问题，同时本文的多层残差特征提取网络也实现了输入图片的深层次特征和浅层次细节特征信息的提取，而且本文使用的残差网络对于模型网络参数也进行了缩减。本发明创造使用的双通道判别器构造模型可以较好的提升判别器的判别能力，从而更好的训练生成器G，生成去噪效果更好的图片。
Description
技术领域
本发明创造属于图像处理领域，尤其是涉及一种基于生成对抗网络的目标图像去噪算法。
背景技术
近年来，图像处理技术的快速进步，使其在医学影像、卫星遥感以及智能监控等应用领域获得持续关注。在上述领域的应用中，均需要使用图像采集技术，但在图像的采集和传输的过程中，图像均会受到不同程度的污染甚至损坏，而使用高质量的图片是一切图像处理技术的前提，因此，如何才能在保证不损坏图像信息的前提下，最大程度的去除图像在采集和运输过程中出现的污染与损坏，以恢复理想的高质量无损图片成为了当下各领域均在关注的热门问题。
为了解决这样的问题，大量的图像去噪算法被提出，现有的算法大概可以分为两大类，分别为传统方法和深度学习方法，传统的方法具有易于实现，消耗资源少，所需数据集小的优点，但是同样具有对于不同噪声污染程度的图片不具备自我调节能力、去噪处理过的图片细节信息缺失、生成图片模糊的缺点。而深度学习去噪算法因为其数据驱动的特性，通过提取带噪图片与无噪图像的特点来建立带噪图像与无噪图像之间的映射关系，最终依据该映射关系来实现带噪图片的去噪操作，这种去噪模式很好的弥补了传统去噪算法的缺点。Ian Goodfellow在2014年提出的十分精巧的生成对抗网络(GAN)受到了众多学者的关注，并成功将其应用在图像去噪领域，而其中的DeblurGAN算法以其优异的性能而被大家熟知，其作者在传统的生成对抗网络上进行了改良，提出了新的图像处理算法，该网络的应用使图像处理领域算法的性能进一步提升。但DeblurGAN算法的生成器模型只采用了9层残差网络结构，这种设计虽然很好的缩减了模型网络参数，但是易导致生成器模型的感受野缩小，使整个生成器不能充分提取图片的细节特征，导致生成的图片的细节纹理丢失，最终影响图片的重建效果。
发明内容
有鉴于此，本发明创造旨在克服上述现有技术中存在的缺陷，提出一种融合改进残差网络的GAN图像去噪算法。
为达到上述目的，本发明创造的技术方案是这样实现的：
进一步的，所述的一种融合改进残差网络的GAN图像去噪算法，包括：
S1、对数据集图像进行预处理，将图像数据调整到网络设定的尺寸；
S2、将预处理过的带噪图像传入生成器G，生成器对带噪图像提取特征，生成去噪图像；
S3、将生成的去噪图像与真实无噪图像传入判别器D，判别器D对输入图像进行判定，输出判定结果；
S4、依据损失函数对上述各过程交替迭代训练。
进一步的，所述步骤S1的图像预处理的构建具体步骤如下：
S101、对图像进行颜色增强、平移变化、水平以及垂直翻转；
S102、使用线性插值法将所有图像数据放缩到64*64的大小。
进一步的，所述步骤S2的生成器的构建具体步骤如下：
S201、将传统的残差初始化网络进行改进，利用多尺度残差网络加强对于图像细节特征的提取，同时减少残差网络参数以减小运算量；
S202、生成器构建具体过程为，首先通过特征提取模块对图片进行特征提取，将提取到的特征输入到残差模块中进行残差信息学习，之后将残差信息上采样到原图大小，最后使用全局跳跃连接与原图融合得到重建的图片。
进一步的，所述步骤S3的判别器的构建具体步骤如下：
判别器D采用双通道全卷积结构，首先将输入图片分成N*N块，分别利用5层全卷积网络和7层全卷积网络对输入特征进行提取判定，并将双通道输出结果加权合并，输出最终结果。
进一步的，所述步骤S4的损失函数的具体组成如下：
S401、使用对抗损失约束生成结果，使生成器G生成结果更加接近真实分布；
S402、使用L1损失减少真实图像和生成图像之间的差异；
S403、使用MS_SSIM损失实现保留图像的亮度，对比度等信息；
S404、使用感知损失引导生成的重建图片能够更加贴合人的视觉感知能力；
S405、损失函数最终为对抗损失、内容损失、L1损失和MS-SSIM损失结合的形式，如式1所示:
相对于现有技术，本发明创造具有以下优势：
本发明创造使用的多层残差特征提取网络，与传统的残差网络相比，该网络保留了原有的残差网络的优点，即解决了单堆叠卷积神经网络梯度消失或爆炸问题，而本文的多层残差特征提取网络也实现了输入图片的深层次特征和浅层次细节特征信息的提取，同时相对于原残差网络，本文使用的残差网络对网络参数也进行了缩减。
本发明创造使用的双通道判别器构造模型，分别对输入的带噪图片的浅层次特征与深层次特征进行提取，判定，并将判定结果加权输出，这种方法可以较好的提升判别器的判别能力，从而更好的训练生成器G，生成去噪效果更好的图片。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：
图1为本发明创造实施例所述的一种融合改进残差网络的GAN图像去噪算法主体结构图；
图2为本发明创造实施例所述的一种融合改进残差网络的GAN图像去噪算法改进残差块结构图；
图3为本发明创造实施例所述的一种融合改进残差网络的GAN图像去噪算法生成器主体结构图；
图4为本发明创造实施例所述的一种融合改进残差网络的GAN图像去噪算法判别器主体结构图；
具体实施方式
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
下面将参考附图并结合实施例来详细说明本发明创造。
一种融合改进残差网络的GAN图像去噪算法，如图1至图4所示，包括：
S1、对数据集图像进行预处理；将图像数据调整到网络设定的尺寸；S2、将预处理过带噪图像传入生成器G，生成器对带噪图像提取特征，生成去噪图像。S3、将生成去噪图像与真实无噪图像传入判别器D，判别器对输入图像进行判定，输出判定结果。S4、依据损失函数对上述各过程交替迭代训练。
所述步骤S1的具体步骤如下：S101、对图像进行颜色增强、平移变化、水平以及垂直翻转；S102、使用线性插值法将所有图像数据放缩到64*64的大小。
所述步骤S2中特征提取的具体方法为：首先构建以卷积为主的残差块，包含卷积运算、实例正则化、激活函数。S201、首先先引进一个1*1卷积进行信息聚合，帮助网络能在不损失信息的情况下聚合通道，进一步的将特征通道均分为6组，第一组并不调用卷积操作，以获取带噪图像低维度特征信息，第二组进行一次卷积操作，获取高一维度的特征信息，第三组在上一组的基础上再次进行卷积操作，获取更高一维度的特征信息，以此类推，直至第六组通道提取高维度特征信息。利用1*1卷积对上述6通道信息进行聚合，之后再次执行上述特征提取过程，最终将六通道特征信息以及输入未处理信息聚合并输出。S202、生成器构建具体过程为，首先通过一个7*7卷积层与3个3*3卷积层构成的特征提取模块对图片进行特征提取，之后将提取到的特征输入到9个残差模块中进行残差信息学习，之后将提取到的特征信息上采样到原图大小，最后借鉴U-Net网络的全局跳跃连接方式使提取到的特征信息与原图融合得到重建的图片。
所述步骤S3的判别器的构建具体方法为：构建两个全卷积网络，分别为4*4的5层和7层网络，输出采用sigmod函数以便于概率分析并将判别结果归一化。判别器首先将输入图片分成N*N块区域，分别利用5层全卷积网络和7层全卷积网络，通过输出函数sigmod输出表征输入图像和原始未污染图像的相似程度，双通道的数据加权整合为最终输出结果，数值越高表明生成图像与干净图像拟合程度越高。
所述步骤S4的损失函数的构建具体方法为：S401、对抗损失基于数据集，最大化最小化式2所示的对抗损失，以获得生成器和判别器的最优解，从而显著提升生成器的生成图片与真实图片的相似性，进而改善图像的去噪能力。
S402、L1损失函数也被称为最小绝对值偏差(LAD)，绝对值损失函数(LAE)，它是把目标值yi与估计值f(xi)的差值的平方和最小化。使用L1损失可以通过生成器减少真实图像和合成图像之间的差异。L1损失如式3所示。
S403、MS-SSIM损失是基于多层的SSIM损失函数，相当于考虑了分辨率，如公式4所示：
MS-SSIM同意导致亮度的改变和颜色的偏差，但它能保留高频信息(图像的边缘和细节)，而L1损失函数能够较好的保持亮度和颜色不变，同时也可以更好的保留图像的亮度，对比度等信息，如公式5所示：
S404、使用感知损失引导生成的重建图片能够更加贴合人的视觉感知能力，使得生成的图像更加自然、真实且更具有普适性。本文选取的感知网络是与风格迁移相同的VGG-19网络，选取在ImageNet预训练过的VGG-19网络的第七层卷积的特征图来作为内容损失进行训练，如公式6所示
其中，
是VGG-19第七层卷积的输出卷积图，W和H分别表示特征图的宽、高。
S405、损失函数最终为对抗损失、内容损失、L1损失和MS-SSIM损失结合的形式，如公式7所示:
Claims (5)
1.一种融合改进残差网络的GAN图像去噪算法，其特征在于，包括：
S1、对数据集图像进行预处理，将图像数据调整到网络设定的尺寸；
S2、将预处理过的带噪图像传入生成器G，生成器对带噪图像提取特征，生成去噪图像；
S3、将生成的去噪图像与真实无噪图像传入判别器D，判别器D对输入图像进行判定，输出判定结果；
S4、依据损失函数对上述各过程交替迭代训练。
2.根据权利要求1所述的一种融合改进残差网络的GAN图像去噪算法，其特征在于，所述步骤S1的具体步骤如下：
S101、对图像进行颜色增强、平移变化、水平以及垂直翻转；
S102、使用线性插值法将所有图像数据放缩到64*64的大小。
3.根据权利要求1所述的一种融合改进残差网络的GAN图像去噪算法，其特征在于，所述步骤S2中生成器G提取特征的具体方法为：
S201、将传统的残差初始化网络进行改进，利用多尺度残差网络加强对于图像细节特征的提取，同时减少残差网络参数以减小运算量；
S202、生成器构建具体过程为，首先通过特征提取模块对图片进行特征提取，将提取到的特征输入到残差模块中进行残差信息学习，之后将残差信息上采样到原图大小，最后使用全局跳跃连接与原图融合得到重建的图片。
4.根据权利要求1所述的一种融合改进残差网络的GAN图像去噪算法，其特征在于，所述步骤S3中判别器D判定的具体方法为：判别器D采用双通道全卷积结构，首先将输入图片分成N*N块，分别利用5层全卷积网络和7层全卷积网络对输入特征进行提取判定，并将双通道输出结果加权合并，输出最终结果。
5.根据权利要求1所述的一种融合改进残差网络的GAN图像去噪算法，其特征在于，所述步骤S4中损失函数构建的具体方法为：
S401、使用对抗损失约束生成结果，使生成器G生成结果更加接近真实分布；
S402、使用L1损失减少真实图像和生成图像之间的差异；
S403、使用MS_SSIM损失实现保留图像的亮度，对比度等信息；
S404、使用感知损失引导生成的重建图片更加贴合人的视觉感知能力；
S405、损失函数最终为对抗损失、内容损失、L1损失和MS-SSIM损失结合的形式，如式1所示:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110364838.9A CN112837247A (zh) | 2021-04-06 | 2021-04-06 | 一种融合改进残差网络的gan图像去噪算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110364838.9A CN112837247A (zh) | 2021-04-06 | 2021-04-06 | 一种融合改进残差网络的gan图像去噪算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112837247A true CN112837247A (zh) | 2021-05-25 |
Family
ID=75930788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110364838.9A Pending CN112837247A (zh) | 2021-04-06 | 2021-04-06 | 一种融合改进残差网络的gan图像去噪算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112837247A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538263A (zh) * | 2021-06-28 | 2021-10-22 | 江苏威尔曼科技有限公司 | 基于改进DeblurGAN模型的去运动模糊方法、介质及设备 |
| CN113793397A (zh) * | 2021-07-30 | 2021-12-14 | 浙江大学 | 基于改进wgan的服装属性编辑方法 |
| CN114399440A (zh) * | 2022-01-13 | 2022-04-26 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
| CN115049565A (zh) * | 2022-08-12 | 2022-09-13 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
| CN115115783A (zh) * | 2022-07-08 | 2022-09-27 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
| CN115442613A (zh) * | 2021-06-02 | 2022-12-06 | 四川大学 | 一种利用gan的基于帧间信息的噪声去除方法 |
| CN115984106A (zh) * | 2022-12-12 | 2023-04-18 | 武汉大学 | 一种基于双边生成对抗网络的线扫描图像超分辨率方法 |
| CN116543265A (zh) * | 2023-06-07 | 2023-08-04 | 厦门像甜科技有限公司 | 一种去除图片人物双下巴模型的训练方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111797783A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于双通道卷积神经网络的智能脉冲星筛查系统 |
-
2021
- 2021-04-06 CN CN202110364838.9A patent/CN112837247A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111797783A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于双通道卷积神经网络的智能脉冲星筛查系统 |
Non-Patent Citations (2)
| Title |
|---|
| SEN LEI ET AL: "Coupled Adversarial Training for Remote Sensing Image Super-Resolution", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 陈乔松 等: "基于多尺度残差生成对抗网络的单图像盲去运动模糊方法", 《计算机应用研究》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115442613A (zh) * | 2021-06-02 | 2022-12-06 | 四川大学 | 一种利用gan的基于帧间信息的噪声去除方法 |
| CN113538263A (zh) * | 2021-06-28 | 2021-10-22 | 江苏威尔曼科技有限公司 | 基于改进DeblurGAN模型的去运动模糊方法、介质及设备 |
| CN113793397A (zh) * | 2021-07-30 | 2021-12-14 | 浙江大学 | 基于改进wgan的服装属性编辑方法 |
| CN113793397B (zh) * | 2021-07-30 | 2023-11-03 | 浙江大学 | 基于改进wgan的服装属性编辑方法 |
| CN114399440A (zh) * | 2022-01-13 | 2022-04-26 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
| CN114399440B (zh) * | 2022-01-13 | 2022-12-13 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
| CN115115783B (zh) * | 2022-07-08 | 2023-08-15 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
| CN115115783A (zh) * | 2022-07-08 | 2022-09-27 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
| CN115049565A (zh) * | 2022-08-12 | 2022-09-13 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
| CN115049565B (zh) * | 2022-08-12 | 2022-11-08 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
| CN115984106A (zh) * | 2022-12-12 | 2023-04-18 | 武汉大学 | 一种基于双边生成对抗网络的线扫描图像超分辨率方法 |
| CN115984106B (zh) * | 2022-12-12 | 2024-04-02 | 武汉大学 | 一种基于双边生成对抗网络的线扫描图像超分辨率方法 |
| CN116543265A (zh) * | 2023-06-07 | 2023-08-04 | 厦门像甜科技有限公司 | 一种去除图片人物双下巴模型的训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112837247A (zh) | 一种融合改进残差网络的gan图像去噪算法 | |
| CN111145170B (zh) | 一种基于深度学习的医学影像分割方法 | |
| CN111062872B (zh) | 一种基于边缘检测的图像超分辨率重建方法及系统 | |
| CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN109410135B (zh) | 一种对抗学习型图像去雾、加雾方法 | |
| CN110189286B (zh) | 一种基于ResNet的红外与可见光图像融合方法 | |
| CN102722865A (zh) | 一种超分辨率稀疏重建方法 | |
| CN109389585A (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
| CN1822046A (zh) | 基于区域特征模糊的红外与可见光图像融合方法 | |
| CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
| CN113723174B (zh) | 基于生成对抗网络的人脸图像超分辨修复重建方法及系统 | |
| CN113033630A (zh) | 一种基于双非局部注意力模型的红外与可见光图像深度学习融合方法 | |
| CN106650650A (zh) | 一种跨年龄人脸识别方法 | |
| CN111161271A (zh) | 一种超声图像分割方法 | |
| CN114677722A (zh) | 一种融合多尺度特征的多监督人脸活体检测方法 | |
| CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
| CN116029902A (zh) | 一种基于知识蒸馏的无监督真实世界图像超分辨方法 | |
| CN115205527A (zh) | 一种基于域适应和超分辨率的遥感图像双向语义分割方法 | |
| CN115578280A (zh) | 一种双分支遥感图像去雾网络的构建方法 | |
| CN114639002A (zh) | 一种基于多模式特征的红外与可见光图像融合方法 | |
| CN116343058A (zh) | 基于全局协同融合的多光谱和全色卫星影像地表分类方法 | |
| CN115511722A (zh) | 基于深浅特征融合网络及联合损失函数的遥感图像去噪方法 | |
| CN118097160A (zh) | 基于视觉技术的危急重症病患状态监测系统 | |
| CN112184552B (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
| CN117115563A (zh) | 基于区域语义感知的遥感土地覆盖分类方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210525 |
|
| WD01 | Invention patent application deemed withdrawn after publication |