CN113506352B - 一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法 - Google Patents

一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法 Download PDF

Info

Publication number
CN113506352B
CN113506352B CN202110850787.0A CN202110850787A CN113506352B CN 113506352 B CN113506352 B CN 113506352B CN 202110850787 A CN202110850787 A CN 202110850787A CN 113506352 B CN113506352 B CN 113506352B
Authority
CN
China
Prior art keywords
light
image
light source
netquery
network
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.)
Active
Application number
CN202110850787.0A
Other languages
English (en)
Other versions
CN113506352A (zh
Inventor
高绍兵
蒋沁沂
徐文政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202110850787.0A priority Critical patent/CN113506352B/zh
Publication of CN113506352A publication Critical patent/CN113506352A/zh
Application granted granted Critical
Publication of CN113506352B publication Critical patent/CN113506352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

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)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，具体包括两个阶段，第一阶段是训练阶段，对原始图像进行处理得到光源先验信息，并建立训练数据集，然后构建NetQuery网络，使用训练数据集对网络进行训练；第二阶段是使用阶段，输入原始图像，通过多光源颜色恒常性方法得到该原始图像的光源颜色先验信息，将使用原始图像及其对应的光源颜色先验信息输入训练好的NetQuery网络，得到估计的多光源分布。本发明的方法将光源颜色先验信息融入进深度学习模型，能进一步提升深度学习网络对多光源图像的校正效果；通过有效的将输入图像与光源先验信息进行编码，并融合编码特征，进行精细的多光源估计，能够很好的实现多光源颜色恒常性。

Description

一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法
技术领域
本发明属于计算机视觉和图像处理技术领域，涉及彩色图像的场景光源颜色估计。
背景技术
场景种光源颜色的改变使得相机拍摄到的图像产生严重的色偏，这种由光源颜色改变所导致的在机器设备记录的图像上产生的色偏会给后续的各种计算机视觉应用带来严重的影响，如何快速去除场景中光源颜色的干扰成为一个非常重要的问题。在过去的研究中，通常假设场景中只含有一种光源，这种假设降低了颜色恒常性问题的难度。但在实际的场景中，往往不只存在一种光源，而是多种光源同时存在。为了实现更加准确颜色恒常性，越来越多的研究人员开始研究包含多个光源的颜色恒常性问题，即多光源颜色恒常性。
Gijsenij等人较早地研究了多光源颜色恒常性，为了估计图像中的多个光源，先将图像分割为图像块，再对每个图像块中的光源进行估计，最后将估计结果组合到原始图像的方式得到对整个图像的多光源估计，这种估计方法有效地估计了场景中的多个光源，但其步骤较为繁琐，估计准确度也比较有限。参考文献：Gijsenij,Arjan,Rui Lu,and TheoGevers."Color constancy for multiple light sources."IEEE Transactions onImage Processing 21.2(2011):697-707.
发明内容
针对现有技术上存在的问题，本发明提出了一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法。
本发明所采用的技术方案为：一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，包括以下步骤：
S1、制作训练数据集，所述训练数据集包括三个子集：含有多个光源的图像数据集、对应的含有光源先验信息的图像数据集、对应的多光源GroundTruth图像数据集；
S2、构建NetQuery网络，所述NetQuery网络由两个编码器，一个特征筛选器，一个查询单元组成，其中，两个编码器使用相同的结构，由四个卷积单元组成，每个卷积单元由包含大小为k×k的卷积核的卷积层、批归一化层、ReLU激活层依次构成；特征筛选器包括全局平均池化层、卷积层、批归一化层和Sigmoid激活层；查询单元包括四个全连接层；
S3、通过步骤S1制作的训练数据集对NetQuery网络进行训练，使NetQuery网络能够根据输入的含有多个光源的图像和含有光源先验信息的图像推断出真实的多光源颜色分布；
S4、在训练完成之后，对于新输入的原始图像，计算得到对应的光源颜色先验信息；
S5、将原始图像与对应的光源颜色先验信息输入训练好的NetQuery网络进行处理。
进一步地，步骤S1包括以下分步骤：
S11、收集多光源颜色恒常性数据集，包括原始多光源图像，对应的多光源GroundTruth图像，设图像大小为n1×n2；
S12、对数据集中的每张多光源图像获得关于该图像的光源先验信息；
S13、将原始多光源图像、对应的包含光源颜色先验信息的图像、对应的多光源GroundTruth图像均分割为m1×m1像素大小的图像块；
S14、将步骤S13的图像块与其周围的像素点合并构成大小为(m1+2e1)×(m1+2e1)的超边图像块，其中，e1为预设的第一延伸宽度；
S15、每一个训练样本由三部分构成：原始多光源超边图像块、对应的包含光源先验信息的超边图像块、对应的多光源GroundTruth超边图像块，其中，原始多光源超边图像块和对应的包含光源先验信息的超边图像块作为NetQuery网络的输入，对应的多光源GroundTruth超边图像块作为NetQuery网络的预期输出；
S16、将所有的训练样本组合起来构成训练数据集。
进一步地，步骤S3包括以下分步骤：
S31、将原始多光源图像块和对应的包含光源颜色先验信息的图像块输入到NetQuery网络；
S32、建立损失函数：
Figure BDA0003182254810000021
Figure BDA0003182254810000022
其中，I1表示NetQuery网络输出的图像，I2表示多光源GroundTruth图像，I1(i)表示I1中第i个像素，I2(i)表示I2中的第i个像素，LMSE(I1,I2)表示I1与I2之间的均方误差，LAngular(I1,I2)表示I1与I2之间的角度误差，N表示图像中像素的数量，arccos表示反余弦函数；
S33、根据对应的多光源GroundTruth超边图像块使用反向传播算法和Adam优化器对NetQuery网络进行迭代训练。
进一步地，步骤S5包括以下分步骤：
S51、将输入的原始图像和对应的包含光源颜色先验信息的图像分割为m2×m2像素大小的图像块；
S52、将这些图像块与其周围的像素点合并构成大小为(m2+2e2)×(m2+2e2)的超边图像块，其中，e2为预设的第二延伸宽度；
S53、将步骤S52得到的超边图像块输入训练好的NetQuery网络估计原始多光源图像块的光源分布；
S54、将估计出的光源分布超边图像块中心的m2×m2的图像块组合为关于测试图像的完整光源分布；
S55、使用步骤S54得到的完整的光源分布校正原始多光源图像，得到校正图像。
进一步地，步骤S13中所述的m1×m1像素大小的图像块中m1的取值范围为[1,n]中的所有整数，其中，n＝min(n1,n2)。
进一步地，步骤S14中所述的第一延伸宽度e1的取值范围为[1,n-m1]中的所有整数。
进一步地，步骤S51中所述的m2×m2像素大小的图像块中m2的取值范围为[1,n]中的所有整数，其中，n＝min(n1,n2)。
进一步地，步骤S52中所述的第二延伸宽度e2的取值范围为[1,n-m2]中的所有整数。
本发明的有益效果：本发明的方法将光源颜色先验信息融入进深度学习模型，能进一步提升深度学习网络对多光源图像的校正效果；通过有效的将输入图像与光源先验信息进行编码，并融合编码特征，进行精细的多光源估计，能够很好的实现多光源颜色恒常性。
附图说明
图1为本发明实施例提供的多光源颜色恒常性估计流程图。
图2为本发明实施例提供的训练数据集示意图。
图3为本发明实施例提供的NetQuery网络结构图。
图4为本发明实施例提供的测试用例图。
图5为本发明实施例提供的超边图像块示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，具体包括两个阶段，第一阶段是训练阶段，使用传统多光源颜色恒常性方法对原始图像进行处理得到光源先验信息，并建立训练数据集，然后构建NetQuery网络，该网络包括两个编码器，一个特征过滤器和一个查询单元，之后使用训练数据集对网络进行训练；第二阶段是使用阶段，输入原始图像，可以通过传统的多光源颜色恒常性方法得到该原始图像的光源颜色先验信息，将使用原始图像及其对应的光源颜色先验信息输入训练好的NetQuery网络，得到估计的多光源分布。
具体流程如图1所示，包括如下步骤：
S1、制作训练数据集，该训练数据集包括三个子集：含有多个光源的图像数据集、对应的含有光源先验信息的图像数据集、对应的多光源GroundTruth(真实值)图像数据集。
步骤S1包括以下分步骤：
S11、收集多光源颜色恒常性数据集，如图2(a)所示，其中包括原始多光源图像，对应的多光源GroundTruth图像，在本实施例中，图像大小为452×260。
S12、对数据集中的每张多光源图像使用任意传统多光源颜色恒常性方法获得关于该图像的光源先验信息，在本实施例中，使用BU-TD方法获得关于该图像的光源先验信息，如图2(b)所示，参考文献：Gao,Shao-Bing,et al."Combining bottom-up and top-down visual mechanisms for color constancy under varying illumination."IEEETransactions on Image Processing 28.9(2019):4387-4400.
S13、将原始多光源图像、对应的包含光源颜色先验信息的图像、对应的多光源GroundTruth图像均分割为m1×m1像素大小的图像块，在本实施例中，m1＝32，得到的图像块如图2(c)所示。
S14、将这些图像块与其周围的像素点合并构成大小为(m1+2e1)×(m1+2e1)的超边图像块，其中，e1为延伸宽度，在本实施例中，e1＝5，得到的超边图像块如图2(d)所示。
S15、每一个训练样本由三部分构成，原始多光源超边图像块、对应的包含光源先验信息的超边图像块、对应的多光源GroundTruth超边图像块，其中原始多光源超边图像块和对应的包含光源先验信息的超边图像块作为NetQuery网络的输入，对应的多光源GroundTruth超边图像块作为NetQuery网络的预期输出。
S16、将所有的训练样本组合起来构成训练数据集。
S2、构建NetQuery网络。NetQuery网络由两个编码器，一个特征筛选器，一个查询单元组成。其中两个编码器使用相同的结构，由四个卷积单元组成，每个卷积单元由包含大小为k×k的卷积核的卷积层、批归一化层、ReLU激活层依次构成；特征筛选器由注意力机制实现，包括全局平均池化层、卷积层、批归一化层和Sigmoid激活层；查询单元由多层感知机实现，包括四个全连接层，如图3所示，这里k取3或5或7，在本实施例中，k＝3。
S3、通过制作的训练数据集对NetQuery网络进行训练，使NetQuery网络能够根据输入的含有多个光源的图像和含有光源先验信息的图像有效地推断出真实的多光源颜色分布。
具体包括以下分步骤：
S31、将原始多光源图像块和对应的包含光源颜色先验信息的图像块输入NetQuery网络。
S32、建立损失函数：
Figure BDA0003182254810000051
Figure BDA0003182254810000052
N表示图像中像素的数量，i为像素的索引。
S33、根据对应的多光源GroundTruth超边图像块使用反向传播算法和Adam优化器对NetQuery网络进行迭代训练。
S4、在训练完成之后，对于如图4(a)所示的新输入的原始图像，使用任意传统多光源颜色恒常性方法得到对应的光源颜色先验信息，如图4(b)所示。
S5、将原始图像与对应的光源颜色先验信息输入训练好的NetQuery网络进行处理，具体包括以下分步骤：
S51、将输入的原始图像和对应的包含颜色光源先验信息的图像分割为m2×m2像素大小的图像块。如图4(c)所示，在本实施例中，m2＝32。
S52、将这些图像块与其周围的像素点合并构成大小为(m2+2e2)×(m2+2e2)的超边图像块，其中，e2为延伸宽度，在本实施例中e2＝5。如图5所示，这里展示对其中一个图像块的处理，该超边图像块的大小为42×42。
S53、将这些超边图像块输入训练好的NetQuery网络估计原始多光源图像块的光源分布，如图4(d)所示。
S54、将这些估计出的光源分布超边图像块中心的m2×m2的图像块组合为关于测试图像的完整光源分布，如图4(e)所示。
S55、使用这个完整的光源分布校正原始多光源图像，得到校正图像，如图4(f)所示。
本领域的普通技术人员将意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，包括以下步骤：
S1、制作训练数据集，所述训练数据集包括三个子集：含有多个光源的图像数据集、对应的含有光源先验信息的图像数据集、对应的多光源GroundTruth图像数据集；
S2、构建NetQuery网络，所述NetQuery网络由两个编码器，一个特征筛选器，一个查询单元组成，其中，两个编码器使用相同的结构，由四个卷积单元组成，每个卷积单元由包含大小为k×k的卷积核的卷积层、批归一化层、ReLU激活层依次构成；特征筛选器包括全局平均池化层、卷积层、批归一化层和Sigmoid激活层；查询单元包括四个全连接层；
S3、通过步骤S1制作的训练数据集对NetQuery网络进行训练，使NetQuery网络能够根据输入的含有多个光源的图像和含有光源先验信息的图像推断出真实的多光源颜色分布；
具体包括以下分步骤：
S31、将原始多光源图像块和对应的包含光源颜色先验信息的图像块输入到NetQuery网络；
S32、建立损失函数：
Figure FDA0004092770120000011
Figure FDA0004092770120000012
其中，I1表示NetQuery网络输出的图像，I2表示多光源GroundTruth图像，I1(i)表示I1中第i个像素，I2(i)表示I2中的第i个像素，LMSE(I1,I2)表示I1与I2之间的均方误差，LAngular(I1,I2)表示I1与I2之间的角度误差，N表示图像中像素的数量，arccos表示反余弦函数；
S33、根据对应的多光源GroundTruth超边图像块使用反向传播算法和Adam优化器对NetQuery网络进行迭代训练；
S4、在训练完成之后，对于新输入的原始图像，计算得到对应的光源颜色先验信息；
S5、将原始图像与对应的光源颜色先验信息输入训练好的NetQuery网络进行处理。
2.根据权利要求1所述的融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，其特征在于，步骤S1包括以下分步骤：
S11、收集多光源颜色恒常性数据集，包括原始多光源图像，对应的多光源GroundTruth图像，设图像大小为n1×n2；
S12、对数据集中的每张多光源图像获得关于该图像的光源先验信息；
S13、将原始多光源图像、对应的包含光源颜色先验信息的图像、对应的多光源GroundTruth图像均分割为m1×m1像素大小的图像块；
S14、将步骤S13的图像块与其周围的像素点合并构成大小为(m1+2e1)×(m1+2e1)的超边图像块，其中，e1为预设的第一延伸宽度；
S15、每一个训练样本由三部分构成：原始多光源超边图像块、对应的包含光源先验信息的超边图像块、对应的多光源GroundTruth超边图像块，其中，原始多光源超边图像块和对应的包含光源先验信息的超边图像块作为NetQuery网络的输入，对应的多光源GroundTruth超边图像块作为NetQuery网络的预期输出；
S16、将所有的训练样本组合起来构成训练数据集。
3.根据权利要求2所述的融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，其特征在于，步骤S5包括以下分步骤：
S51、将输入的原始图像和对应的包含光源颜色先验信息的图像分割为m2×m2像素大小的图像块；
S52、将这些图像块与其周围的像素点合并构成大小为(m2+2e2)×(m2+2e2)的超边图像块，其中，e2为预设的第二延伸宽度；
S53、将步骤S52得到的超边图像块输入训练好的NetQuery网络估计原始多光源图像块的光源分布；
S54、将估计出的光源分布超边图像块中心的m2×m2的图像块组合为关于测试图像的完整光源分布；
S55、使用步骤S54得到的完整的光源分布校正原始多光源图像，得到校正图像。
4.根据权利要求3述的融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，其特征在于，步骤S13中所述的m1×m1像素大小的图像块中m1的取值范围为[1,n]中的所有整数，其中，n＝min(n1,n2)。
5.根据权利要求4所述的融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，其特征在于，步骤S14中所述的第一延伸宽度e1的取值范围为[1,n-m1]中的所有整数。
6.根据权利要求4权利要求所述的融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，其特征在于，步骤S51中所述的m2×m2像素大小的图像块中m2的取值范围为[1,n]中的所有整数，其中，n＝min(n1,n2)。
7.根据权利要求6所述的融合光源颜色先验信息的NetQuery网络多光源颜色估计方法，其特征在于，步骤S52中所述的第二延伸宽度e2的取值范围为[1,n-m2]中的所有整数。
CN202110850787.0A 2021-07-27 2021-07-27 一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法 Active CN113506352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110850787.0A CN113506352B (zh) 2021-07-27 2021-07-27 一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110850787.0A CN113506352B (zh) 2021-07-27 2021-07-27 一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法

Publications (2)

Publication Number Publication Date
CN113506352A CN113506352A (zh) 2021-10-15
CN113506352B true CN113506352B (zh) 2023-04-18

Family

ID=78014186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110850787.0A Active CN113506352B (zh) 2021-07-27 2021-07-27 一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法

Country Status (1)

Country Link
CN (1) CN113506352B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489401A (zh) * 2020-03-18 2020-08-04 华南理工大学 一种图像颜色恒常性处理方法、系统、设备和存储介质
CN112802137A (zh) * 2021-01-28 2021-05-14 四川大学 一种基于卷积自编码器的颜色恒常性方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3591572B1 (en) * 2018-07-06 2021-09-01 Tata Consultancy Services Limited Method and system for automatic chromosome classification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489401A (zh) * 2020-03-18 2020-08-04 华南理工大学 一种图像颜色恒常性处理方法、系统、设备和存储介质
CN112802137A (zh) * 2021-01-28 2021-05-14 四川大学 一种基于卷积自编码器的颜色恒常性方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jinling Zhao 等.A combination method of stacked autoencoder and 3D deep residual network for hyperspectral image classification.International Journal of Applied Earth Observation and Geoinformation.2021,全文. *
郭春乐.基于深度学习的低质图像增强和复原算法研究.中国博士学位论文全文数据库 (信息科技辑).2022,I138-190. *

Also Published As

Publication number Publication date
CN113506352A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
Liu et al. Ddflow: Learning optical flow with unlabeled data distillation
CN110570371B (zh) 一种基于多尺度残差学习的图像去雾方法
CN112435191B (zh) 一种基于多个神经网络结构融合的低照度图像增强方法
WO2022141178A1 (zh) 图像处理方法及装置
CN109389667B (zh) 一种基于深度学习的高效全局光照明绘制方法
CN113052755A (zh) 一种基于深度学习的高分辨率图像智能化抠图方法
CN111626927A (zh) 采用视差约束的双目图像超分辨率方法、系统及装置
CN114140623A (zh) 一种图像特征点提取方法及系统
CN112419191A (zh) 基于卷积神经网络的图像运动模糊去除方法
CN115511708A (zh) 基于不确定性感知特征传输的深度图超分辨率方法及系统
CN113177592A (zh) 一种图像分割方法、装置、计算机设备及存储介质
CN107424121B (zh) 一种基于分数阶微分的模糊图像超分辨率重构方法
CN112819705A (zh) 一种基于网状结构与长距离相关性的真实图像去噪方法
CN116310095A (zh) 一种基于深度学习的多视图三维重建方法
CN110097499B (zh) 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法
Ko et al. Continuously masked transformer for image inpainting
CN108550111B (zh) 一种基于多级字典学习的残差实例回归超分辨重建方法
CN113506352B (zh) 一种融合光源颜色先验信息的NetQuery网络多光源颜色估计方法
CN117611925A (zh) 基于图神经网络与卷积网络的多源遥感图像分类方法
US20240062347A1 (en) Multi-scale fusion defogging method based on stacked hourglass network
Zhang et al. Coarse-to-fine depth super-resolution with adaptive RGB-D feature attention
Xiong et al. Single image super-resolution via image quality assessment-guided deep learning network
CN115439669A (zh) 基于深度学习的特征点检测网络及跨分辨率图像匹配方法
Zhao et al. Single image super-resolution via blind blurring estimation and anchored space mapping
CN115170921A (zh) 一种基于双边网格学习和边缘损失的双目立体匹配方法

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
GR01 Patent grant
GR01 Patent grant