CN113034404A - 一种基于多尺度对抗学习的交通图像去模糊方法及装置 - Google Patents
一种基于多尺度对抗学习的交通图像去模糊方法及装置 Download PDFInfo
- Publication number
- CN113034404A CN113034404A CN202110426042.1A CN202110426042A CN113034404A CN 113034404 A CN113034404 A CN 113034404A CN 202110426042 A CN202110426042 A CN 202110426042A CN 113034404 A CN113034404 A CN 113034404A
- Authority
- CN
- China
- Prior art keywords
- image
- scale
- deblurring
- clear
- traffic
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000005316 response function Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000000126 substance 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
- 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
- G06T2207/10016—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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一个基于多尺度对抗学习的交通图像去模糊方法及装置。其中,所述方法包括以下几个步骤:步骤1、采用运动模糊生成方法,生成清晰‑模糊交通图像对;步骤2、构建基于对抗学习的交通图像去模糊网络模型,对恢复得到的图像进行对抗学习,使其更接近真实清晰图像;步骤3、构建多个结构相同的尺度从小到大的图像去模糊网络模型,将小尺度下恢复得到的清晰图像作为输入传递给后续网络,逐尺度进行恢复,最终得到原尺寸的去模糊图像;步骤4、对多尺度对抗学习图像去模糊网络模型进行联合训练。本发明可以通过多尺度对抗学习的方法,提升去模糊图像质量。
Description
技术领域
本发明涉及人工智能技术和图像恢复领域,具体地涉及一种基于多尺度对抗学习的交通图像去模糊方法及装置,主要通过对多个尺度下去模糊图像进行对抗学习,从而提升交通图像车辆模糊的恢复效果。
背景技术
随着近十年人工智能研究的大量开展以及相关应用的大规模普及,智能交通已经成为近几年的热门研究领域。交通图像有着广泛的实际运用如车牌识别、车辆计数等。但交通场景下由于行驶车辆与固定监控设备之间的相对运动而导致图像中存在一定程度模糊现象,而模糊图像会影响主观视觉以及机器视觉处理,因此交通图像去模糊方法在智能交通中具有重要的应用价值。
图像去模糊的目的就是使用一定的方法从模糊图像中恢复出清晰的、包含丰富细节信息的图像。其主流方法可以分为两大类:非盲去模糊和盲去模糊。主要区别在于模糊核是否已知。传统非盲去模糊方法在已知模糊核的情况下重建清晰图像,通常使用反卷积方法如L-R算法、维纳滤波等。但是由于自然场景复杂多变,模糊核是未知的,因此使用盲去模糊方法对图像进行恢复。
近年来由于深度学习发展,越来越多学者使用卷积神经网络进行图像盲去模糊,并取得较好的效果。但由于卷积神经网络多注重于图像整体复原,而忽视图像中静态清晰背景与动态模糊物体之间的区别,使得图像细节与纹理的恢复效果并不理想。如何有效恢复图像中细节信息,对于图像去模糊以及其他基于图像的智能交通理解任务而言,是非常重要的。。
发明内容
本发明针对当前主流图像去模糊方法中细节信息恢复不佳的问题,提出一种基于多尺度对抗学习的交通图像去模糊方法及装置。本发明通过对卷积神经网络恢复得到的去模糊图像进行对抗学习,能够使得恢复的图像更加真实;并且通过从粗到细的多尺度图像去模糊方式,有效恢复图像细节信息。本发明所采用的技术方案如下:
步骤1、采用运动模糊数据集生成方法,生成清晰-模糊交通图像对;
步骤2、构建基于对抗学习的交通图像去模糊网络模型,对恢复得到的图像进行对抗学习,使其更接近真实清晰图像;
步骤3、构建多个结构相同的尺度从小到大的图像去模糊网络模型,将小尺度下恢复得到的清晰图像作为输入传递给后续网络,逐尺度进行恢复,最终得到原尺寸的去模糊图像;
步骤4、对多尺度对抗学习图像去模糊网络模型进行联合训练。
进一步地,步骤1中所述的采用运动模糊数据集生成清晰-模糊交通图像对的具体步骤为:
第1步:使用高帧率拍照设备对不同真实交通场景拍摄得到不同时间段、不同光照情况下的高清原始视频数据。
第2步:对第1步中得到的高清原始视频数据进行截帧以及图像裁剪操作。因为高清图像中运动车辆所占整张图像的区域过小(不超过10%),而静态背景占比过大,导致图像去模糊模型较难关注到图像运动区域并且提取出有效的视觉特征,因此对图像进行裁剪使得车辆模糊区域在图像中占比达到40%以上。
第3步:通过将清晰图像对应的传感器信号进行累加来近似模糊图像生成。拍摄设备中所内嵌的非线性相机响应函数(Camera Response Function,简称CRF),能够将拍摄设备连续的传感器信号转换为离散的像素值。因此,首先将采集得到的清晰图像经过反向CRF变换得到传感器信号,对若干个连续传感器信号求平均后再通过正向CRF变换得到叠加后的模糊图像。模糊累计、产生的过程可以表示为:
上式中,T为曝光时间,S(t)为t时刻的传感器信号;M为采样得到的清晰信号个数,S[i]为第i个清晰信号;g代表相机响应函数CRF,它将传感器信号S(t)转换为数字图像即或IB是生成的模糊图像。实际中,原始的传感器信号和相机响应函数CRF都是未知的,因此使用了γ=2.2的伽马曲线来近似相机响应函数,即g(x)=x1/γ。
进一步地,步骤2中所述的基于对抗学习的交通图像去模糊网络模型包括两个部分:生成器和对抗器。
具体的,生成器的网络结构包括3个卷积块、3个残差模块和3个反卷积块构成。每个卷积块的大小为5*5;每个残差模块由3个残差块(ResBlock)组成,且每个残差块由2个5*5的卷积层构成,同时残差模块的输入和输出构成跳跃残差连接;每个反卷积块的大小为5*5。生成器的每一个卷积块输出与对应特征图尺度的反卷积块输出进行跳跃连接。
具体的,对抗器的任务是判断输入的图像是生成器输出的去模糊图像还是原始真实清晰图像,以此监督生成器输出更加真实的去模糊图像。对抗器的网络结构包括5个卷积块。每个卷积块由2个4*4的卷积层构成,且最终一个卷积块输出一个概率值,用以表示输入图像是真实清晰图像的概率。
进一步地,步骤3中所述的多个结构相同尺度从小到大的图像去模糊网络模型对模糊图像从粗至精逐尺度恢复清晰图像的具体步骤为:将不同尺度的清晰图像生成过程视为图像去模糊的子问题,设计N层级联网络,其中每层网络都使用步骤2中所提出的基于对抗学习的交通图像去模糊网络模型,以模糊图像以及原始去模糊结果作为输入,估计当前尺度下的清晰图像,并使用对应尺度下的对抗器进行对抗学习。该网络结构用如下公式进行描述:
Ii,hi=NetSR(Bi,Ii+1↑;θSR)
其中,i表示尺度索引,i=1时表示最精细的尺度。Bi和Ii分别表示i尺度下的模糊和清晰图像。不同尺度下的图像去模糊处理使用的网络之间参数进行共享,以减少网络整体参数量,降低网络训练难度。
具体的,N个尺度级联网络中的数量N可以设置为正整数,在本专利中N设置为3。
其中,λ1和λ2为权重系数,最优化损失函数的目标是在已知模糊图像的情况下恢复出最真实的去模糊图像。
具体的,内容损失函数用以约束生成器输出的去模糊图像与真实图像在像素级别相近。内容损失函数包含N个子部分,由多个尺度下的去模糊图像与真实图像计算均方误差得到。定义如下:
具体的,对抗损失函数通过对抗器D预测输入图像是否是真实图像的概率对生成器进行监督,以使得生成器G生成的去模糊图像更接近真实图像。对抗损失函数包含N个子部分,定义如下:
本发明还提出了一种基于多尺度对抗学习的交通图像去模糊装置,可以用于交通图像信号中的去模糊处理。所采取的技术方案如下:
所述装置包括特征提取单元、去模糊图像获取单元、对抗学习单元、多尺度图像融合单元;所述特征提取单元,用于利用卷积神经网络对模糊图像进行特征提取,获得高阶语义特征图;所述去模糊图像获取单元,用于对高阶语义特征图进行反卷积操作,获得去模糊图像;所述对抗学习单元,用于对去模糊图像以及清晰图像进行对抗学习,获得判别概率预测以监督所述特征提取单元和去模糊图像获取单元训练;所述多尺度图像融合单元,用以将小尺度去模糊图像与大尺度模糊图像进行融合,由粗至精进行图像去模糊处理。
具体的,所述特征提取单元的输出作为去模糊图像获取单元的输入;所述去模糊图像获取单元的输出作为对抗学习单元的输入和多尺度图像融合单元的输入;所述多尺度图像融合单元的输出作为第二尺度及以上的特征提取单元的输入。
由于采取了上述技术手段,本发明具有如下优点和有益效果:
1.本发明方法对交通图像运动模糊进行模拟,构建了交通图像去模糊数据集,有利于模型训练;
2.本发明实施的图像去模糊方法通过设计生成器和对抗器,对去模糊图像进行对抗学习,从而监督去模糊图像更接近清晰图像,进一步提升去模糊图像的视觉效果和生成质量;
3.本发明提出了一种基于多尺度级联网络的图像去模糊方法,通过将图像去模糊任务拆分成不同尺度下的子问题,并将小尺度下去模糊图像与大尺度模糊图像进行融合处理,更好地捕捉图像的信息,由粗至精进行去模糊操作,提升图像恢复质量;
4.本发明方法的灵活性强,泛化能力好。通过预留很多超参数以供设置,可以根据具体的应用场景,选择对应的超参数集合。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1示出本发明所述方法的总体流程图。
图2示出本发明所述方法的网络结构图。
图3示出本发明所述方法的多尺度对抗学习图像去模糊过程示意图。
图4示出本发明所述装置的示意图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
图1为根据一示例示出一种基于多尺度对抗学习的交通图像去模糊方法的总体流程图,具体包括如下步骤:
步骤1:采用运动模糊数据集生成方法,生成清晰-模糊交通图像对;
步骤2:构建基于对抗学习的交通图像去模糊网络模型,对恢复得到的图像进行对抗学习,使其更接近真实清晰图像;
步骤3:构建多个结构相同的尺度从小到大的图像去模糊网络模型,将小尺度下恢复得到的清晰图像作为输入传递给后续网络,逐尺度进行恢复,最终得到原尺寸的去模糊图像;
步骤4:对多尺度对抗学习图像去模糊网络模型进行联合训练;
图2为根据一示例示出一种基于多尺度对抗学习的交通图像去模糊方法的网络结构图,以此阐明经过每一步操作后的数据维度大小;设定数据维度表示方法“C×W×H”为“通道数×空间宽度×空间高度”,则其中:1-原始输入为3通道RGB彩色图像,故数据维度为3×W×H;2-小尺度下生成器处理原始图像,因此,原始图像需要缩放至小尺度3×(W/8)×(H/8),所述的生成器包括卷积块、残差块、反卷积块等;3-所述小尺度生成器经过3个卷积块和9个残差块之后,输出是高阶语义特征图,作为该模糊图像的语义表征,其数据维度为128×(W/64)×(H/64);4-所述的反卷积块对得到的高阶语义特征图进行反卷积操作后,输出与输入模糊图像分辨率相同的去模糊图像,其数据维度为3×(W/8)×(H/8);5-所述的小尺度对抗器将生成器输出的去模糊图像和缩放的真实清晰图像作为输入,输出判别概率进行对抗学习;6-所述的小尺度生成器输出的小尺度去模糊图像经过上采样操作之后与中尺度模糊图像进行融合输入至中尺度下生成器进行图像恢复,以此进行级联,由粗至精恢复清晰图像。其中小尺度去模糊图像经过上采样后之后的数据维度为3×(W/4)×(H/4),中尺度模糊图像的数据维度为3×(W/4)×(H/4),经过多尺度融合之后的输入数据维度为6×(W/4)×(H/4);7-再经过一次级联迭代,最终恢复得到与原始模糊图像相同分辨率的清晰图像,其数据维度为3×W×H。
图3为根据一示例示出多尺度对抗学习图像去模糊过程示意图,具体包括如下步骤:
所述高阶语义特征提取:使用3个卷积块和3个残差模块对输入图像提取语义特征图;每个卷积块的大小为5*5;每个残差模块由3个残差块(ResBlock)组成,且每个残差块由2个5*5的卷积层构成,同时残差模块的输入和输出构成跳跃残差连接;
所述去模糊图像恢复:使用3个反卷积块对提取到的高阶语义特征进行反卷积操作以恢复出清晰图像。每个反卷积块的大小为5*5。
所述对抗学习:使用对抗器判断输入的图像是生成器输出的去模糊图像还是原始真实清晰图像,以此监督生成器输出更加真实的去模糊图像。对抗器的网络结构包括5个卷积块。每个卷积块由2个4*4的卷积层构成,且最终一个卷积块输出一个概率值,用以表示输入图像是真实清晰图像的概率。
在得到小尺度去模糊图像后,将其与更大尺度的模糊图像进行多尺度融合,并作为输入传递给下一个尺度的图像去模糊网络进行级联处理,最终得到原分辨率的去模糊图像。
图4为根据一示例示出一种基于多尺度对抗学习的交通图像去模糊装置,可以用于交通图像信号中的去模糊处理。所采取的技术方案如下:
所述装置包括特征提取单元、去模糊图像获取单元、对抗学习单元、多尺度图像融合单元;所述特征提取单元,用于利用卷积神经网络对模糊图像进行特征提取,获得高阶语义特征图;所述去模糊图像获取单元,用于对高阶语义特征图进行反卷积操作,获得去模糊图像;所述对抗学习单元,用于对去模糊图像以及清晰图像进行对抗学习,获得判别概率预测以监督所述特征提取单元和去模糊图像获取单元训练;所述多尺度图像融合单元,用以将小尺度去模糊图像与更大尺度模糊图像进行融合,由粗至精进行图像去模糊处理。
具体的,所述特征提取单元的输出作为去模糊图像获取单元的输入;所述去模糊图像获取单元的输出作为对抗学习单元的输入和多尺度图像融合单元的输入;所述多尺度图像融合单元的输出作为第二尺度及以上的特征提取单元的输入。
上述实施例仅仅是为清楚地说明本发明所作的描述,而并非对实施方式的限定,对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举,而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (10)
1.一种基于多尺度对抗学习的交通图像去模糊方法,包括以下步骤:
步骤1:采用运动模糊生成方法,生成清晰-模糊交通图像对;
步骤2:构建基于对抗学习的交通图像去模糊网络模型,对恢复得到的图像进行对抗学习,使其更接近真实清晰图像;
步骤3:构建多个结构相同尺度从小到大的图像去模糊网络模型,将小尺度下恢复得到的清晰图像作为输入传递给后续网络,逐尺度进行恢复,最终得到原尺寸的去模糊图像;
步骤4:对多尺度对抗学习图像去模糊网络模型进行联合训练。
2.根据权利要求1所述的方法,其特征在于,所述采用运动模糊生成方法来生成清晰-模糊交通图像对的具体步骤为:
第1步:使用高帧率相机对不同真实交通场景拍摄得到不同时间段、不同光照情况下的高清原始视频数据。
第2步:对第1步中得到的高清原始视频数据进行截帧以及图像裁剪操作。因为高清图像中运动车辆所占整张图像的区域过小(不超过10%),而静态背景占比过大,导致图像去模糊模型较难关注到图像运动区域并且提取出有效的视觉特征,因此对图像进行裁剪使得车辆模糊区域在图像中占比达到40%以上。
第3步:通过将清晰图像对应的传感器信号进行累加来近似模糊图像生成。拍摄设备中所内嵌的非线性相机响应函数(Camera Response Function,简称CRF),能够将拍摄设备连续的传感器信号转换为离散的像素值。因此,首先将采集得到的清晰图像经过反向CRF变换得到传感器信号,对若干个连续传感器信号求平均后再通过正向CRF变换得到叠加后的模糊图像。模糊累计、产生的过程可以表示为:
上式中,T为曝光时间,S(t)为t时刻的传感器信号;M为采样得到的清晰信号个数,S[i]为第i个清晰信号;g代表相机响应函数CRF,它将传感器信号转换为数字图像;I是生成的模糊图像。实际中,原始的传感器信号和相机响应函数CRF都是未知的,因此使用了γ=2.2的伽马曲线来近似相机响应函数。
3.根据权利要求1所述的方法,其特征在于,所述的基于对抗学习的交通图像去模糊网络模型包括两个部分:生成器和对抗器。
4.根据权利要求1或3所述的方法,其特征在于,所述的生成器网络结构包括3个卷积块、3个残差模块和3个反卷积块构成。每个卷积块的大小为5*5;每个残差模块由3个残差块(ResBlock)组成,且每个残差块由2个5*5的卷积层构成,同时残差模块的输入和输出构成跳跃残差连接;每个反卷积块的大小为5*5。生成器的每一个卷积块输出与对应特征图尺度的反卷积块输出进行跳跃连接。
5.根据权利要求1或3所述的方法,其特征在于,所述的对抗器的任务是判断输入的图像是生成器输出的去模糊图像还是原始真实清晰图像,以此监督生成器输出更加真实的去模糊图像。对抗器的网络结构包括5个卷积块。每个卷积块由2个4*4的卷积层构成,且最终一个卷积块输出一个概率值,用以表示输入图像是真实清晰图像的概率。
6.根据权利要求1所述的方法,其特征在于,所述的多个结构相同的尺度从小到大的图像去模糊网络模型对模糊图像从粗至精逐尺度恢复清晰图像的具体步骤为:将不同尺度的清晰图像生成过程视为图像去模糊的子问题,设计多层级联网络,其中每层网络都使用所提出的基于对抗学习的交通图像去模糊网络模型,以模糊图像以及原始去模糊结果作为输入,估计当前尺度下的清晰图像,并使用对应尺度下的对抗器进行对抗学习。
7.根据权利要求1所述的方法,其特征在于,所述的对抗学习图像去模糊网络模型进行联合训练包括两个目标函数:内容损失函数以及对抗损失函数。
8.根据权利要求1或7所述的方法,其特征在于,所述的内容损失函数用以约束生成器输出的去模糊图像与真实图像在像素级别相近。内容损失函数包含N个子部分,由多个尺度下的去模糊图像与真实图像计算均方误差得到。
9.根据权利要求1或7所述的方法,其特征在于,所述的对抗损失函数通过对抗器预测输入图像是否是真实图像的概率对生成器进行监督,以使得生成器生成的去模糊图像更接近真实图像。并且对抗损失函数包含多个子部分,对应多个尺度。
10.一种基于多尺度对抗学习的交通图像去模糊装置,其特征在于,包括:
特征提取单元,用于利用卷积神经网络对模糊图像进行特征提取,获得高阶语义特征图;
去模糊图像获取单元,用于对高阶语义特征图进行反卷积操作,获得去模糊图像;
对抗学习单元,用于对去模糊图像以及清晰图像进行对抗学习,获得判别概率预测以监督所述特征提取单元和去模糊图像获取单元训练;
多尺度图像融合单元,用以将小尺度去模糊图像与大尺度模糊图像进行融合,由粗至精进行图像去模糊处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110426042.1A CN113034404A (zh) | 2021-04-20 | 2021-04-20 | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110426042.1A CN113034404A (zh) | 2021-04-20 | 2021-04-20 | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034404A true CN113034404A (zh) | 2021-06-25 |
Family
ID=76457036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110426042.1A Pending CN113034404A (zh) | 2021-04-20 | 2021-04-20 | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034404A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610732A (zh) * | 2021-08-10 | 2021-11-05 | 大连理工大学 | 基于交互对抗学习的全聚焦图像生成方法 |
CN114821449A (zh) * | 2022-06-27 | 2022-07-29 | 松立控股集团股份有限公司 | 一种基于注意力机制的车牌图像处理方法 |
CN118172286A (zh) * | 2024-05-14 | 2024-06-11 | 西交利物浦大学 | 车牌图像去模糊方法、模型训练方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073909A (zh) * | 2017-12-29 | 2018-05-25 | 深圳云天励飞技术有限公司 | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 |
CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种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 |
CN112102177A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于压缩与激励机制神经网络的图像去模糊方法 |
-
2021
- 2021-04-20 CN CN202110426042.1A patent/CN113034404A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073909A (zh) * | 2017-12-29 | 2018-05-25 | 深圳云天励飞技术有限公司 | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 |
CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种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 |
CN112102177A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于压缩与激励机制神经网络的图像去模糊方法 |
Non-Patent Citations (2)
Title |
---|
罗阳: "一种基于生成对抗网络的图像清晰化算法研究", 《中国优秀硕士学位沦为全文数据库 信息科技辑》 * |
谢垠盈: "面向目标检测的运动模糊修复算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610732A (zh) * | 2021-08-10 | 2021-11-05 | 大连理工大学 | 基于交互对抗学习的全聚焦图像生成方法 |
CN113610732B (zh) * | 2021-08-10 | 2024-02-09 | 大连理工大学 | 基于交互对抗学习的全聚焦图像生成方法 |
CN114821449A (zh) * | 2022-06-27 | 2022-07-29 | 松立控股集团股份有限公司 | 一种基于注意力机制的车牌图像处理方法 |
CN114821449B (zh) * | 2022-06-27 | 2022-09-20 | 松立控股集团股份有限公司 | 一种基于注意力机制的车牌图像处理方法 |
CN118172286A (zh) * | 2024-05-14 | 2024-06-11 | 西交利物浦大学 | 车牌图像去模糊方法、模型训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113034404A (zh) | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 | |
CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
CN113592736B (zh) | 一种基于融合注意力机制的半监督图像去模糊方法 | |
CN113673590B (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN112581409B (zh) | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 | |
CN112801900B (zh) | 一种基于双向循环卷积生成对抗网络的视频模糊去除方法 | |
CN111861925A (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
CN114187203A (zh) | 注意力优化的深度编解码去雾生成对抗网络 | |
CN111539888B (zh) | 一种基于金字塔通道特征注意力的神经网络图像去雾方法 | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN115601403A (zh) | 一种基于自注意力机制的事件相机光流估计方法及装置 | |
CN116152591B (zh) | 模型训练方法、红外小目标检测方法、装置及电子设备 | |
CN114463218A (zh) | 一种基于事件数据驱动的视频去模糊方法 | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
CN114821449B (zh) | 一种基于注意力机制的车牌图像处理方法 | |
CN111027440B (zh) | 一种基于神经网络的人群异常行为检测装置和检测方法 | |
CN114004766A (zh) | 一种水下图像增强方法、系统和设备 | |
Yang et al. | A model-driven deep dehazing approach by learning deep priors | |
CN112487874A (zh) | 一种基于事件相机消除背景噪声的方法及系统 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN115760640A (zh) | 基于含噪Retinex模型的煤矿低光照图像增强方法 | |
Ray et al. | Deep learning based underwater image enhancement using deep convolution neural network | |
CN115205148A (zh) | 基于双路径残差网络的图像去模糊方法 |
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 |