CN113379036A - 一种基于上下文编码器的油气图像脱敏方法 - Google Patents
一种基于上下文编码器的油气图像脱敏方法 Download PDFInfo
- Publication number
- CN113379036A CN113379036A CN202110679775.6A CN202110679775A CN113379036A CN 113379036 A CN113379036 A CN 113379036A CN 202110679775 A CN202110679775 A CN 202110679775A CN 113379036 A CN113379036 A CN 113379036A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- model
- loss
- training
- 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 37
- 238000000586 desensitisation Methods 0.000 title abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract description 6
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 6
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于上下文编码器的油气图像脱敏方法，其步骤包括：(1)、制作供网络训练使用的图像数据集；(2)、构造网络模型，包括生成网络模型和对抗网络模型；(3)、构造网络联合损失函数；(4)、模型迭代优化过程；(5)、得到结果模型；本发明提出使用上下文编码器作为主要的图像脱敏结构，通过金字塔式的深度学习网络将图片的纹理和曲线特征编码为潜在特征，通过生成语义相关的补丁来替换敏感信息，同时，网络使用联合损失来提高图像清晰度，最终达成背景纹理的基本还原和曲线信息的完整替换。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及能够将带有部分敏感信息的曲线图像进行脱敏处理的一种基于上下文编码器的油气图像脱敏方法。
背景技术
面对着越来越智能的、未知的科技手段，自身的隐私数据安全也越来越受到重视。对一些非生产的环境下的数据信息，比如金融行业、运营商行业、或者是政府部门等，对它们中数据的敏感部分进行脱敏已被列入了相关监管部门的法律要求，如何确保在非生产环境中产生的敏感类数据的安全已经成为了目前的一个非常重要的研究课题。数据安全要求我们能够通过某种现有的技术手段，对产生数据中的敏感信息进行有效的脱敏、变形等，最终按照特定的方式对隐私数据进行完全保护。但是，现如今针对数据安全隐私保护的研究大多都是针对文本类数据，对敏感类图像信息的脱敏研究少之又少。
图像修复是数字图像处理技术中的一个重要的分支，主要工作是利用缺损区域周围的信息来修补未知区域，并且修复后的图像需使得观察者无法分辨是否已被修改，同时结果图像也需尽可能获得更好的视觉效果。图像修复是人工智能在图像处理领域的一种应用，是一种涉及图像处理、计算机技术、深度学习等学科的跨学科技术。传统的图像修复方法大多都借鉴了高级数学和物理的基本思想，之后随着人工智能技术的不断成熟，基于深度学习的图像修复技术也得到了很多国内外顶尖团队的关注和研究，研究者总在试图找到一种可以速度快、效果好、更智能的数字图像修复技术。目前，基于深度学习技术的图像修复方法大多都采用了卷积滤波器，并用生成对抗网络来进行模型的训练以及损失函数的约束，在网络初始训练时，首先用一个设定好的固定值作为图像缺失部分的内容，然后，通过不断调整该初始固定值以及其他模型参数来对网络进行迭代优化，最终得出一个稳定的结果模型。
发明内容
为了克服上述数据脱敏的不足之处，满足图像信息脱敏技术的需求，本发明的目的在于提供一种基于上下文编码器的油气图像脱敏方法，借助深度学习、人工智能在数字图像处理中的优势，针对涉敏图像数据的安全保护，提出使用基于上下文编码器网络的图像修复技术，来对油气勘探过程中的部分曲线图像的敏感信息进行替换。
为了实现上述目的，本发明的技术方案为：
一种基于上下文编码器的油气图像脱敏方法，其步骤包括：
(1)、制作供网络训练使用的图像数据集
训练数据集由油田综合录井图采样而来，综合录井图是一种综合成果图，包括测井曲线、分层、岩性、测井解释、气测解释、综合解释等基本信息；采样过程以图像背景网格相同，曲线连接平滑，结构简单为准，允许采样时分辨率不一致；
(2)、构造网络模型，包括生成网络模型和对抗网络模型
生成网络模型是以上下文编码器网络为基础，包括编码网络和解码网络两部分；通过在网络中加入数值化掩膜层构造模拟缺失图像，并获取图像的浅层特征表示，最终根据所学信息输出预测图像；
对抗网络模型负责对预测图片和原本真实图片的判别，并将判别结果反馈给生成网络；
(3)、构造网络联合损失函数
包括生成网络的重构损失和判别网络的对抗损失，网络联合损失函数由重构损失和对抗损失两种损失函数的加权和组成；
网络联合损失函数表达如下，
L＝λrecLrec+λadvLadv
其中，原始图像为x，上下文编码器方法记为F(x),
为输入图片相对应的Mask，
表示像素逐个乘积，Lrec(x)为重构损失，Ladv对抗损失，对抗损失根据GAN网络原理而设计，GAN网络的损失主要由两部分组成，分别是生成器G(x)和判别器D(x)，目标公式如下，
V＝Ex～Pdata[logD(x)]+Ex～PG[log(1-D(x))]
其中，Pdata为原始数据，PG为生成器预测后的结果数据，通过计算找到一个D(x)使得V取最大值，最终模型总损失函数L为重构损失Lrec(x)与对抗损失Ladv的加权和；
(4)、模型迭代优化过程
将训练数据集作为生成网络的输入，设定联合损失函数权重以及其他模型参数的初始值，根据数据集大小设定训练步长以及迭代次数，网络开始工作，生成网络输出预测结果，判别网络判别真假并给出反馈，不断迭代直到判别网络最后在也无法分辨二者真伪，模型达到稳定；
(5)、得到结果模型
训练结束后得到理想的生成网络，在输入一张同类曲线数据图像时，生成网络可以做到对其背景纹理的完全还原以及曲线本身的平滑连接。
所述的步骤(1)采样过程具体为：将原始曲线图像数据集进行图像预处理，进行标准化，得到网络的训练数据集，包括：训练过程首先对图像进行预处理，根据具体网络模型将所有图像转为与卷积神经网络输入部分匹配的分辨率，灰度范围从(0,255)变换到(0,1)之间，并使用均值和标准差将张量图片从(0,1)变换到(-1,1)进行归一化。
所述的步骤(2)的对抗网络模型具体为：判别网络根据原始图像判别生成网络输出结果的真伪，包括：为了模拟实际应用中的图像敏感区域，需要在图像中设定相应的图像缺失部分，因此在生成网络中加入数值化掩膜层，掩膜位置位于图像中心，得到缺失图像；
所述的步骤(4)模型迭代优化，具体为：生成网络根据反馈信息不断调整参数优化模型，给出预测结果，不断迭代上述过程，直至输出结果真实，模型稳定，具体是：在得到判别网路对预测图像真实度的反馈后，根据反馈信息调整生成网络参数，调参后重复上述步骤，继续输出预测图片，不断迭代上述过程，直到判别网络无法分辨生成样本与原始样本地真伪情况，模型达到稳定。
本发明提供的技术方案带来的有益效果是：
本发明首次将图像修复技术应用在了图像数据安全领域，图像修复力求百分之百还原图像破损区域，但是任何深度学习技术都不可能将图像完全修复，基于此，本发明提出使用上下文编码器作为主要的图像脱敏结构，通过金字塔式的深度学习网络将图片的纹理和曲线特征编码为潜在特征，通过生成语义相关的补丁来替换敏感信息，同时，网络使用联合损失来提高图像清晰度。最终达成背景纹理的基本还原和曲线信息的完整替换。
附图说明
图1是上下文编码器网络模型结构图。
图2是上下文编码器网络脱敏模型流程图。
图3是训练过程输入输出图像示例。
具体实施方式
下面结合附图对本发明的具体实施方案做进一步说明。
一种基于上下文编码器的油气图像脱敏方法，其步骤包括：
(1)、制作供网络训练使用的图像数据集
训练数据集由油田综合录井图采样而来，综合录井图是一种综合成果图，包括测井曲线、分层、岩性、测井解释、气测解释、综合解释、基本信息；采样过程以图像背景网格相同，曲线连接平滑，结构简单的为准，允许采样时分辨率不一致；
从综合录井图中选择性的截取背景网格纹理一致，曲线结构变化较简单且，走势相似的部分，制作初始训练样本集，截取时可以分辨率不完全一致，之后在训练初始图像具体预处理部分会将所有的图像进行统一标准化，但是为了保证标准化后图像质量不会下降太多，截取时差距不要过大；
将图像分辨率大小转为128*128，灰度范围从(0,255)变换到(0,1)之间，并使用均值和标准差将张量图片从(0,1)变换到(-1,1)进行归一化。
(2)、构造网络模型，包括生成网络模型和对抗网络模型
如图1所示，网络总共包括两部分：包括生成网络模型和对抗网络模型；生成网络模型是以上下文编码器网络为基础，包括编码网络和解码两部分，用来捕获结构特征和表现形式的编码网络和用来产生缺失内容的解码网络组成的生成网络、负责模型损失设置的判别网络。
编码网络根据AlexNet网络架构设置，编码器获取有损失区域的输入图像，并生成该图像的浅层特征表示。解码器根据此特征表示生成相应的缺失图像内容，具体模型参数如下：
编码器网络是一个包含六个卷积块的卷积神经网络，卷积块中有卷积层、批标准化以及激活函数。卷积核均为4*4，前五层卷积步长Stride为2，填充Padding为1，第六层卷积步长Stride为1，卷积后使用BatchNorm2d对数据做归一化处理，其中eps为1e-5，momentum为0.1，激活函数使用LeakyReLU函数。编码器的输入为带有缺失部分的图片，经过六层卷积后输出图片的浅层特征，用来表示该图片；
解码器网络包含五层的去卷积块。去卷积核均为4*4，第一层Stride为1，后四层Stride为2，Padding为1，BatchNorm2d对数据做归一化处理，其中eps为1e-5，momentum为0.1，激活函数使用ReLU函数。解码器网络的输入为相应的浅层特征表示，将编码网络和解码网络联合作为生成器。解码器网络的输出即为生成器的输出，也就是待判别的预测图片；
判别网络包含五层卷积块，卷积核均为4*4，BatchNorm2d对数据做归一化处理，其中eps为1e-5，momentum为0.1。前四层Stride为2，Padding为1，使用LeakyReLU激活函数，第五层Stride为1，使用Sigmoid作激活函数判别网络的输入为生成器所输出的待判别图像，输出为网络损失值的大小。通过最小化损失函数不断迭代优化生成器与判别器，使模型达到最优。
(3)构造网络联合损失函数
包括生成网络的重构损失和判别网络的对抗损失，网络联合损失函数由重构损失和对抗损失两种损失函数的加权和组成；
网络联合损失函数表达如下：
总损失函数为重构损失Lrec(x)与对抗损失Ladv的加权和:
L＝λrecLrec+λadvLadv
其中，原始图像为x，上下文编码器方法记为F(x),
为输入图片相对应的Mask.
表示像素逐个乘积,G为生成器函数，D为判别器函数；
λrec和λadv分别为重构损失和对抗损失的加权参数，取值为0到1之间。重构损失代表的是缺失部分与整体的结构一致性，输出的更多是多种填充模式的平均值。使用平均值预测输出会使误差最小化，但会导致预测图像非常模糊，因此通过加入对抗损失来提升图像清晰度；
当结果图像与原始图像结构越相似时，重构损失Lrec降低；当结果图像看起来更加逼真时，对抗损失Ladv降低。因此，为了保证预测结果与原始图像的结构一致性，一般将λrec取值尽可能大，λadv取值尽可能小。这样模型预测的结果图像就具有完整的结构和符合整幅图像的语义信息，这里将重构损失和对抗损失的加权参数λrec和λadv分别设置为0.998和0.001。
(4)模型迭代优化过程
将训练数据集作为生成网络的输入，设定联合损失函数权重以及其他模型参数的初始值，根据数据集大小设定训练步长以及迭代次数，网络开始工作，生成网络输出预测结果，判别网络判别真假并给出反馈，不断迭代直到判别网络最后在也无法分辨二者真伪，模型达到稳定，
网络的训练过程是通过对缺失区域像素值为零的图像受损情况进行模拟，将图像中央区域的真实像素值作为监督信息，与受损图像自动形成训练图像对，用梯度下降法对编码器和解码器进行迭代优化；
如图2所示，获得原始样本集之后，训练时首先对样本数据进行图像预处理，然后编码器网络提取图像的浅层特征，解码器网络生成预测图像，之后判别网络根据真实输入和预测输入计算模型损失，给出反馈对模型进行不断调参，优化结果，最终得到稳定的结果模型。
(5)得到结果模型
训练结束后得到理想的生成网络，在输入一张同类曲线数据图像时，生成网络可以做到对其背景纹理的完全还原以及曲线本身的平滑连接。
如图3所示，是部分训练过程中的输入输出示例，包括原始输入数据，模拟掩膜图像以及训练输出结果。
本发明提出了使用基于上下文编码器结构的图像脱敏模型来对含有敏感信息的曲线图像进行脱敏处理，该方法填补了业内对曲线图像涉敏信息保护的空缺，脱敏后的图像视觉效果完整，结果纹理清晰，结构与原图基本一致，替换区域内的曲线与原图相比存在一定差异且视觉难以分辨，基本满足数据脱敏的需求。
Claims (4)
1.一种基于上下文编码器的油气图像脱敏方法，其特征在于，其步骤包括：
(1)、制作供网络训练使用的图像数据集
训练数据集由油田综合录井图采样而来，综合录井图是一种综合成果图，包括测井曲线、分层、岩性、测井解释、气测解释、综合解释等基本信息；采样过程以图像背景网格相同，曲线连接平滑，结构简单为准，允许采样时分辨率不一致；
(2)、构造网络模型，包括生成网络模型和对抗网络模型
生成网络模型是以上下文编码器网络为基础，包括编码网络和解码网络两部分；通过在网络中加入数值化掩膜层构造模拟缺失图像，并获取图像的浅层特征表示，最终根据所学信息输出预测图像；
对抗网络模型负责对预测图片和原本真实图片的判别，并将判别结果反馈给生成网络；
(3)、构造网络联合损失函数
包括生成网络的重构损失和判别网络的对抗损失，网络联合损失函数由重构损失和对抗损失两种损失函数的加权和组成；
网络联合损失函数表达如下，
其中，原始图像为x，上下文编码器方法记为F(x),
为输入图片相对应的Mask，
表示像素逐个乘积，Lrec(x)为重构损失，Ladv对抗损失，对抗损失根据GAN网络原理而设计，GAN网络的损失主要由两部分组成，分别是生成器G(x)和判别器D(x)，目标公式如下，
V＝Ex～Pdata[logD(x)]+Ex～PG[log(1-D(x))]
其中，Pdata为原始数据，PG为生成器预测后的结果数据，通过计算找到一个D(x)使得V取最大值，最终模型总损失函数L为重构损失Lrec(x)与对抗损失Ladv的加权和；
(4)、模型迭代优化过程
将训练数据集作为生成网络的输入，设定联合损失函数权重以及其他模型参数的初始值，根据数据集大小设定训练步长以及迭代次数，网络开始工作，生成网络输出预测结果，判别网络判别真假并给出反馈，不断迭代直到判别网络最后在也无法分辨二者真伪，模型达到稳定；
(5)、得到结果模型
训练结束后得到理想的生成网络，在输入一张同类曲线数据图像时，生成网络可以做到对其背景纹理的完全还原以及曲线本身的平滑连接。
2.根据权利要求1所述的一种基于上下文编码器的油气图像脱敏方法，其特征在于，所述的步骤(1)采样过程具体为；将原始曲线图像数据集进行图像预处理，进行标准化，得到网络的训练数据集，包括：训练过程首先对图像进行预处理，根据具体网络模型将所有图像转为与卷积神经网络输入部分匹配的分辨率，灰度范围从(0,255)变换到(0,1)之间，并使用均值和标准差将张量图片从(0,1)变换到(-1,1)进行归一化。
3.根据权利要求1所述的一种基于上下文编码器的油气图像脱敏方法，其特征在于，所述的步骤(2)的对抗网络模型具体为，判别网络根据原始图像判别生成网络输出结果的真伪，包括：为了模拟实际应用中的图像敏感区域，需要在图像中设定相应的图像缺失部分，因此在生成网络中加入数值化掩膜层，掩膜位置位于图像中心，得到缺失图像。
4.根据权利要求1所述的一种基于上下文编码器的油气图像脱敏方法，其特征在于，所述的步骤(4)模型迭代优化，生成网络根据反馈信息不断调整参数优化模型，给出预测结果，不断迭代上述过程，直至输出结果真实，模型稳定，具体是：在得到判别网路对预测图像真实度的反馈后，根据反馈信息调整生成网络参数，调参后重复上述步骤，继续输出预测图片，不断迭代上述过程，直到判别网络无法分辨生成样本与原始样本地真伪情况，模型达到稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110679775.6A CN113379036B (zh) | 2021-06-18 | 2021-06-18 | 一种基于上下文编码器的油气图像脱敏方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110679775.6A CN113379036B (zh) | 2021-06-18 | 2021-06-18 | 一种基于上下文编码器的油气图像脱敏方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113379036A true CN113379036A (zh) | 2021-09-10 |
| CN113379036B CN113379036B (zh) | 2023-04-07 |
Family
ID=77577826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110679775.6A Active CN113379036B (zh) | 2021-06-18 | 2021-06-18 | 一种基于上下文编码器的油气图像脱敏方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379036B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086670A (zh) * | 2022-06-13 | 2022-09-20 | 梧州学院 | 一种面向高清显微视频的低码率编解码方法及系统 |
| CN115422597A (zh) * | 2022-11-08 | 2022-12-02 | 国家工业信息安全发展研究中心 | 一种自适应工业数据脱敏与还原方法及系统 |
| WO2023071563A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京地平线信息技术有限公司 | 脱敏方法的可靠性验证的方法、装置、介质、设备和程序 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103195408A (zh) * | 2013-04-11 | 2013-07-10 | 中国石油大学(北京) | 油气井流动成像测量方法 |
| CN103353370A (zh) * | 2013-06-27 | 2013-10-16 | 天津大学 | 油气管线在海床上横向大变形时所受土体抗力测定装置 |
| RU2513630C1 (ru) * | 2012-12-24 | 2014-04-20 | Сергей Борисович Зверев | Способ геохимической разведки для геоэкологического мониторинга морских нефтегазоносных акваторий |
| CN108846816A (zh) * | 2018-06-20 | 2018-11-20 | 上海理工大学 | 一种密文域图像修复方法 |
| CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN109801230A (zh) * | 2018-12-21 | 2019-05-24 | 河海大学 | 一种基于新编码器结构的图像修复方法 |
| CN109872282A (zh) * | 2019-01-16 | 2019-06-11 | 众安信息技术服务有限公司 | 一种基于计算机视觉的图像脱敏方法与系统 |
| US20200364860A1 (en) * | 2019-05-16 | 2020-11-19 | Retrace Labs | Artificial Intelligence Architecture For Identification Of Periodontal Features |
-
2021
- 2021-06-18 CN CN202110679775.6A patent/CN113379036B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2513630C1 (ru) * | 2012-12-24 | 2014-04-20 | Сергей Борисович Зверев | Способ геохимической разведки для геоэкологического мониторинга морских нефтегазоносных акваторий |
| CN103195408A (zh) * | 2013-04-11 | 2013-07-10 | 中国石油大学(北京) | 油气井流动成像测量方法 |
| CN103353370A (zh) * | 2013-06-27 | 2013-10-16 | 天津大学 | 油气管线在海床上横向大变形时所受土体抗力测定装置 |
| CN108846816A (zh) * | 2018-06-20 | 2018-11-20 | 上海理工大学 | 一种密文域图像修复方法 |
| CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN109801230A (zh) * | 2018-12-21 | 2019-05-24 | 河海大学 | 一种基于新编码器结构的图像修复方法 |
| CN109872282A (zh) * | 2019-01-16 | 2019-06-11 | 众安信息技术服务有限公司 | 一种基于计算机视觉的图像脱敏方法与系统 |
| US20200364860A1 (en) * | 2019-05-16 | 2020-11-19 | Retrace Labs | Artificial Intelligence Architecture For Identification Of Periodontal Features |
Non-Patent Citations (4)
| Title |
|---|
| MIGUEL A.SANTIAGO: "Iterative Desensitisation of Image Restoration Filters under Wrong PSF and Noise Estimates", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 * |
| 吴章鹏: "医学影像数据安全访问机制", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 孙磊: "图像内容隐私保护系统的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 房庆云: "一种新的数字视频修复算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023071563A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京地平线信息技术有限公司 | 脱敏方法的可靠性验证的方法、装置、介质、设备和程序 |
| CN115086670A (zh) * | 2022-06-13 | 2022-09-20 | 梧州学院 | 一种面向高清显微视频的低码率编解码方法及系统 |
| CN115086670B (zh) * | 2022-06-13 | 2023-03-10 | 梧州学院 | 一种面向高清显微视频的低码率编解码方法及系统 |
| CN115422597A (zh) * | 2022-11-08 | 2022-12-02 | 国家工业信息安全发展研究中心 | 一种自适应工业数据脱敏与还原方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113379036B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113379036B (zh) | 一种基于上下文编码器的油气图像脱敏方法 | |
| CN108985330B (zh) | 一种自编码网络及其训练方法、异常用电检测方法和系统 | |
| CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
| CN110443293B (zh) | 基于双判别生成对抗网络文本重构的零样本图像分类方法 | |
| CN110119753B (zh) | 一种重构纹理识别岩性的方法 | |
| CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
| Mdrafi et al. | Joint learning of measurement matrix and signal reconstruction via deep learning | |
| CN112465057A (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
| CN109903373A (zh) | 一种基于多尺度残差网络的高质量人脸生成方法 | |
| CN113591633A (zh) | 基于动态自注意力Transformer的面向对象土地利用信息解译方法 | |
| CN114595635B (zh) | 火电机组主汽温度数据的特征选择方法、系统及设备 | |
| CN117557775A (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| Kaur | A review on image enhancement with deep learning approach | |
| CN110889797B (zh) | 基于对抗样本生成的深度自适应图像隐藏方法 | |
| CN116863053A (zh) | 一种基于知识蒸馏的点云渲染增强方法 | |
| Lan et al. | An optimized GAN method based on the Que-Attn and contrastive learning for underwater image enhancement | |
| Liu | Literature review on image restoration | |
| CN114494387A (zh) | 一种生成数据集网络模型及雾图生成方法 | |
| Guan et al. | DiffWater: Underwater image enhancement based on conditional denoising diffusion probabilistic model | |
| Xie et al. | Evading generated-image detectors: A deep dithering approach | |
| CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及系统 | |
| CN116612349A (zh) | 基于深度学习的遥感影像近岸筏式海水养殖信息提取方法 | |
| Bhat et al. | Underwater Image Enhancement with Feature Preservation using Generative Adversarial Networks (UIEFP GAN) | |
| CN115222609A (zh) | 一种基于生成对抗网络模型的水下图像修复方法和生成对抗网络模型训练方法 | |
| CN113379641A (zh) | 一种基于自编码卷积神经网络的单幅图像去雨方法及系统 |
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 |