CN114581336A - 图像修复方法、装置、设备、介质及产品 - Google Patents
图像修复方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114581336A CN114581336A CN202210278129.3A CN202210278129A CN114581336A CN 114581336 A CN114581336 A CN 114581336A CN 202210278129 A CN202210278129 A CN 202210278129A CN 114581336 A CN114581336 A CN 114581336A
- Authority
- CN
- China
- Prior art keywords
- image
- similar
- training
- feature
- restored
- 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 55
- 238000012549 training Methods 0.000 claims description 90
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像修复方法、装置、设备、介质以及产品，该方法包括：获取待修复图像，然后从图像库中确定待修复图像的多张相似图像，其中包括第一相似图像和第二相似图像，融合待修复图像和第一相似图像与第二相似图像，并将融合后的图像输入图像修复模型，通过图像修复模型的第一分支对从融合后的图像提取的特征图进行序列化和编码，得到第一编码结果，通过图像修复模型的第二分支对特征图按照不同尺度分割的子特征图集合进行分别编码，并将子特征图集合中的子特征图的编码结果进行全连接，获得第二编码结果，根据第一编码结果和第二编码结果获得修复后的图像。如此，提高了图像修复的真实性，提高了用户的使用体验。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像修复方法、装置、设备、计算机可读存储介质以及计算机程序产品。
背景技术
随着图像处理技术的不断成熟，用户对于通过图像处理技术进行图像修复的需求逐渐增强。图像修复是指对于图像中的缺失部分进行修复。具体地，图像修复是指基于图像中的已知信息去还原图像中的未知信息。
一种典型的图像修复方案是，针对待修复图像，确定待修复图像中的修复区域，为该修复区域确定参考区域，然后基于图像的参考区域的像素值，通过神经网络模型预测修复区域的像素值，从而实现图像修复。但是这种图像修复技术可能导致修复区域存在波纹、扭曲等失真情况，不满足用户对于图像修复真实度的要求。
如何提高图像修复的真实性成为亟需解决的问题。
发明内容
本公开的目的在于：提供了一种图像修复方法、装置、设备、计算机可读存储介质以及计算机程序产品，能够对于待修复图像进行高真实度的修复，提高用户的使用体验。
第一方面，本公开提供了一种图像修复方法，所述方法包括：
获取待修复图像；
从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；
融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
第二方面，本公开提供了一种图像修复装置，其特征在于，所述装置包括：
获取模块，用于获取待修复图像；
确定模块，用于从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；
融合模块，用于融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
第三方面，本公开提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第五方面，本公开提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述第一方面所述方法的步骤。
从以上技术方案可以看出，本公开至少具有如下优点：
在上述技术方案中，电子设备获取待修复图像，然后从图像库中确定待修复图像的多张相似图像，其中包括第一相似图像和第二相似图像，融合待修复图像和第一相似图像与第二相似图像，并将融合后的图像输入图像修复模型，通过图像修复模型的第一分支对从融合后的图像提取的特征图进行序列化和编码，得到第一编码结果，通过图像修复模型的第二分支对特征图按照不同尺度分割的子特征图集合进行分别编码，并将子特征图集合中的子特征图的编码结果进行全连接，获得第二编码结果，根据第一编码结果和第二编码结果获得修复后的图像。一方面，对于图像的修复不仅可以基于待修复图像的已知区域(参考区域)对待修复区域进行预测，而且可以将相似图像作为已知区域对待修复图像的待修复区域进行预测，增加了对于待修复区域图像进行预测的可靠数据，从而有效的提高了图像修复的效果。另一方面，图像修复模型的两个分支可以基于不同尺度的特征图对待修复图像进行修复，使图像修复更加准确，提高了图像修复的真实性，提高了用户的使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本公开实施例的技术方法，下面将对实施例中所需使用的附图作以简单地介绍。
图1为本公开实施例提供的一种图像修复方法的流程示意图；
图2为本公开实施例提供的一种图像修复的示意图；
图3为本公开实施例提供的一种通过神经网络模型获取相似图像的流程示意图；
图4为本公开实施例提供的一种通过图像修复模型进行图像修复的示意图；
图5为本公开实施例提供的另一种图像修复方法的流程示意图；
图6为本公开实施例提供的一种图像修复装置的结构示意图；
图7为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
本公开实施例中的术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个该特征。
首先对本公开实施例中所涉及到的一些技术术语进行介绍。
图像处理(image processing)技术一般是对数字图像进行处理，具体是指通过计算机对于数字图像进行分析处理的技术。图像处理技术可以对于图像进行多种类型的处理，例如对存在缺失部分的图像进行修复，即图像修复技术。
图像修复技术是指针对于待修复图像，确定待修复图像中的修复区域以及参考区域，基于参考区域对修复区域进行修复。其中，待修复图像可以为存在部分图案缺失的图像，也可以为清晰度不满足用户需求的图像。
通常情况下所采用的图像修复技术是根据待修复图像中参考区域的像素值，通过神经网络模型预测修复区域的像素值，从而实现图像修复。这种图像修复方法仅从像素的角度对图像进行修复，可能导致修复后区域存在波纹、扭曲等失真的情况。并且，当待修复图像中存在较大部分图案缺失时，这种方法无法准确确定出缺失内容，不满足用户对于图像修复真实度的要求。
有鉴于此，本公开提供一种图像修复方法，该方法应用于电子设备。电子设备是指具有数据处理能力的设备，例如可以是服务器，或者是终端。其中，终端包括但不限于智能手机、平板电脑、笔记本电脑、个人数字助理(personal digital assistant，PDA)或者智能穿戴设备等。服务器可以是云服务器，例如是中心云计算集群中的中心服务器，或者是边缘云计算集群中的边缘服务器。当然，服务器也可以是本地数据中心中的服务器。本地数据中心是指用户直接控制的数据中心。
具体地，电子设备获取待修复图像，然后从图像库中确定待修复图像的多张相似图像，融合待修复图像和第一相似图像与第二相似图像，将融合后的图像输入图像修复模型，通过图像修复模型的第一分支对从融合后的图像中提取的特征图进行序列化和编码，获得第一编码结果，然后通过该图像修复模型的第二分支对特征图按照不同尺度分割的子特征图集合分别进行编码，并将子特征图集合中的子特征图的编码结果进行全连接，获得第二编码结果，根据第一编码结果和第二编码结果获得修复后的图像。
一方面，对于图像的修复不仅可以基于待修复图像的已知区域(参考区域)对待修复区域进行预测，而且可以将相似图像作为已知区域对待修复图像的待修复区域进行预测，增加了对于待修复区域图像进行预测的可靠数据，从而有效的提高了图像修复的效果。另一方面，图像修复模型的两个分支可以基于不同尺度的特征图对待修复图像进行修复，使图像修复更加准确，提高了图像修复的真实性，提高了用户的使用体验。
为了使得本公开的技术方案更加清楚、易于理解，下面从电子设备为终端为例，如图1所示，对本公开实施例提供的图像修复方法进行介绍，该方法包括以下步骤：
S102：终端获取待修复图像。
待修复图像可以为存在部分缺失的图像，也可以为清晰度不满足用户要求的图像。本实施例中，以待修复图像为存在部分缺失的图像为例进行介绍，如图2中A所示，该图中左上部分存在空白(缺失)。
终端可以通过多种途径获取待修复图像，例如终端可以通过摄像头捕获待修复图像，或者终端可以通过用户在对应页面的输入操作获取待修复图像。在一些可能的实现方式中，用户有一张纸质照片存在部分缺失，用户可以通过摄像头拍摄该纸质照片，获得数字格式的待修复图像。在另一些可能的实现方式中，用户在其他终端中保存有数字格式的待修复图像，因此可以将该待修复图像通过任意传输方式传输至该终端，以使终端获取待修复图像。
S104：终端从图像库中确定待修复图像的多张相似图像。
其中，图像库中保存有大量的图像，终端可以根据待修复图像，在图像库中查找获得与该待修复图像相似的多张相似图像。多张相似图像中包括第一相似图像和第二相似图像。
在一些可能的实现方式中，多张相似图像与待修复图像均为同一主体在不同时刻或不同角度的图像。例如，待修复图像为某一建筑的拍摄图像，终端可以在图像库中获取图像主体为该建筑的其他相似图像。其中，相似图像与待修复图像可能仅存在拍摄角度、拍摄距离、光线等方面的不同，因此可以作为对该待修复图像进行修复的参考数据。在另一些可能的实现方式中，多张相似图像与待修复图像为拍摄地点相同的图像。
如图2所示，待修复图像A为一建筑的图像，其确定的多张相似图像B和C可以为该建筑在不同时间、光照强度下的图像。
终端可以通过多种方式从图像库中确定待修复图像的多张相似图像。在一些可能的实现方式中，图像的参数中包括该图像的拍摄地点，终端可以根据该拍摄地点从图像库中获取在同一个地点所拍摄的图像，然后通过对比在同一个地点拍摄的图像与待修复图像的相似度，确定在同一个地点拍摄的图像是否为相似图像。例如，待修复图像为在某一著名建筑前拍摄的该著名建筑的图像，因此可以在图片库中获得同样在该地点拍摄的其他图像，然后对比是否与待修复图像相似，当相似时可以确定为待修复图像的相似图像。
在另一些可能的实现方式中，图像的参数中包括该图像的拍摄时间，终端可以根据该拍摄时间从图像库中获取同一时间拍摄的图像，然后通过对比在同一个时间拍摄的图像与待修复图像的相似度，确定在同一个时间拍摄的图像是否为相似图像。例如，待修复图像为流星雨时所拍摄的天空的图像，因此可以在图片库中获得同样在该时刻拍摄天空的其他图像，然后对比是否与待修复图像相似，当相似时可以确定为待修复图像的相似图像。
终端也可以通过神经网络模型从图像库中确定待修复图像的多张相似图像，如图3所示，该通过神经网络模型从图像库中确定待修复图像的多张相似图像的方法包括以下步骤：
S302：终端将待修复图像输入特征比对模型，获得待修复图像的搜索特征。
特征比对模型用于从待修复图像中确定出用于在图像库中进行搜索的搜索特征。搜索特征为用于寻找相似图像所需要的该待修复图像的特征。其中，特征比对模型为经过训练的神经网络模型。通过特征比对模型所输出的搜索特征在图像特征库中进行搜索，可以获取与待修复图像相似的相似图像对应的相似特征，从而确定出相似图像。
具体地，特征比对模型可以采用卷积神经网络(convolutional neuralnetworks,CNN)对待修复图像进行4倍下采样(subsampled)，获得原图尺寸的1/16的特征图。将特征图压平(flatten)转化为一维序列后，送入N层的编码器中进行编码(encoder)，获得编码后的一维序列，然后将编码后的一维序列转化为二维特征，获得待修复图像的搜索特征。
S304：终端根据搜索特征从图像特征库中获取与该搜索特征相似的多个相似特征。
图像特征库是与图像库存在一一对应关系的特征库，图像库中的图像与图像特征库中的特征一一对应。特征比对模型是神经网络模型通过大量相似图像训练获得的特征比对模型，通过特征比对模型所输出的搜索特征可以在图像特征库中获得与该搜索特征相似的多个相似特征。
S306：终端根据多个相似特征，从图像库中获取待修复图像的多张相似图像。
其中，图像库与图像特征库中存在一一对应关系，因此终端可以根据相似特征，从图像库中确定待修复图像的多张相似图像。
如此，终端可以通过神经网络模型从图像库中确定待修复图像的多张相似图像，从而获得进行图像修复的更多参考数据。
通常情况下，图像修复仅将图像中的参考区域作为已知数据来确定修复区域的未知数据，而本公开中则确定出待修复图像的相似图像，将相似图像也作为已知数据来确定修复区域的未知数据，有效增加了已知数据的数据量，因此可以获得较好的修复效果。
S106：终端融合待修复图像、第一相似图像和第二相似图像，并将融合后的图像输入图像修复模型，通过图像修复模型获得修复后的图像。
终端融合(concat)待修复图像与多张相似图像，获得融合后的图像。其中多张相似图像可以包括第一相似图像和第二相似图像，本实施例中，以多张相似图像为第一相似图像和第二相似图像为例进行介绍，如图4所示。
终端通过图像修复模型，将融合后的图像首先通过4层的卷积神经网络(Convolutional Neural Networks,CNN)进行8倍的下采样，然后再通过下采样(downsample)层再进行2倍的下采样，获得原图尺寸1/256的特征图。
图像修复模型包括两个分支，其中第一分支对特征图进行压平后获得一维序列，然后将一维序列输入至N层的编码器中进行编码，获得第一编码结果。第二分支对特征图进行不同尺度的分割，例如采用特征图1/4、1/16、1/64的窗口对特征图进行分割，生成子特征图集合，然后对于子特征集合中的特征图分别进行压平后获得分别对应的一维序列，将这些一维序列分别输入至N层的编码器中进行编码，然后将编码器输出的不同尺度的序列经过全连接(Fully connected，FC)层映射回相同的长度，获得第二编码结果。最后将第一编码结果和第二编码结果进通过FC层进行融合，获得最终的输出，从而实现对于待修复图像的修复。
由于图像修复模型具有两个分支，并且第二分支中对特征图进行不同尺度的分割，因此可以基于多个不同尺度的特征图对待修复图像进行修复，从而是图像修复更加准确，提高了图像修复的真实性，提高了用户的使用体验。
其中，图像修复模型可以通过包括多张相似图像的训练图像训练获得，其中多张相似图像中包括掩码图像，掩码图像是与多张相似图像并对该图像进行掩码处理后的图像。该图像修复模型的训练过程具体包括：
终端从包括多张相似图像的训练图像中获取训练特征图。具体地，终端将多张相似图像进行融合，然后将融合后的图像首先通过4层的卷积神经网络进行8倍的下采样，然后再通过下采样层再进行2倍的下采样，获得原图尺寸1/256的训练特征图。
通过图像修复模型的第一分支对训练特征图进行压平后获得一维序列，然后将一维序列输入至N层的编码器中进行编码，获得第一训练编码结果。通过图像修复模型的第二分支对训练特征图采用训练特征图1/4、1/16、1/64的窗口对训练特征图进行不同尺度的分割，生成训练子特征图集合，然后对于训练子特征集合中的训练特征图分别进行压平后获得分别对应的一维序列，然后将这些一维序列分别输入至N层的编码器中进行编码，将编码器输出的不同尺度的序列经过FC层映射回相同的长度，获得第二训练编码结果。最后将第一训练编码结果和第二训练编码结果进通过FC层进行融合，获得最终的输出，从而实现对于掩码图像的修复。终端可以对比修复后的掩码图像和掩码前的训练图像，更新图像修复模型的参数。
其中，执行本实施例中图像修复方法的终端和进行模型训练的终端可以为同一终端，也可以为不同终端。在一些可能的实现方式中，终端可以将其训练完成的图像修复模型传输至多个其他终端，以使多个其他终端可以直接使用该图像修复模型，实现本公开中的图像修复方法。
基于以上内容的描述，本公开提供了一种图像修复方法。终端获取待修复图像，然后从图像库中确定待修复图像的多张相似图像，融合待修复图像和多张相似图像，并将融合后的图像输入图像修复模型，通过图像修复模型的第一分支对从融合后的图像提取的特征图进行序列化和编码，得到第一编码结果，通过图像修复模型的第二分支对特征图按照不同尺度分割的子特征图集合进行分别编码，并将子特征图集合中的子特征图的编码结果进行全连接，获得第二编码结果，根据第一编码结果和第二编码结果获得修复后的图像。
如此，一方面，终端对于图像的修复不仅可以基于待修复图像的已知区域(参考区域)对待修复区域进行预测，而且可以将相似图像作为已知区域对待修复图像的待修复区域进行预测，增加了对于待修复区域图像进行预测的可靠数据，从而有效的提高了图像修复的效果。另一方面，图像修复模型的两个分支可以基于不同尺度的特征图对待修复图像进行修复，使图像修复更加准确，提高了图像修复的真实性，提高了用户的使用体验。
在一些可能的实现方式中，待修复图像的主体为某一著名建筑，如图2所示，该图中左上部分存在缺失。如图5所示，对于该待修复图像的修复包括以下步骤：
S502：终端获取待修复图像。
本实施例中的待修复图像如图2所示，终端可以通过拍摄将纸质的待修复图像转换为数字的待修复图像，也可以直接获取数字的待修复图像。
S504：终端将待修复图像输入特征比对模型，获得待修复图像的搜索特征。
特征比对模型可以采用卷积神经网络对待修复图像进行4倍下采样，获得原图尺寸的1/16的特征图。然后将特征图压平转化为一维序列后，送入N层的编码器中进行编码，获得编码后的一维序列，然后将编码后的一维序列转化为二维特征，获得待修复图像的搜索特征。
S506：终端根据搜索特征从图像特征库中获取与该搜索特征相似的相似特征。
终端根据搜索特征从与图像库具有一一对应关系的图像特征库中获取与该搜索特征相似的多个相似特征。
S508：终端根据多个相似特征，从图像库中获取待修复图像的多张相似图像。
由于图像特征库中的特征与图像库中的图像一一对应，因此终端可以根据多个相似特征，在图像库中确定与多个相似特征分别对应的相似图像，如此可以获取待修复图像的多张相似图像。
S510：终端融合待修复图像与多张相似图像，将融合后的图像输入至图像修复模型，通过图像修复模型获得修复后的图像。
具体地，终端融合待修复图像与多张相似图像，获得融合后的图像。然后通过图像修复模型，将融合后的图像首先通过4层的卷积神经网络进行8倍的下采样，然后再通过下采样层再进行2倍的下采样，获得原图尺寸1/256的特征图。
进一步地，终端通过该图像修复模型的第一分支将特征图进行压平后获得一维序列，然后将一维序列输入至N层的编码器中进行编码，获得第一编码结果。
并且，终端通过图像修复模型的第二分支对特征图采用特征图1/4、1/16、1/64的窗口对特征图进行不同尺度的分割，生成子特征图集合，然后对于子特征集合中的特征图分别进行压平后获得分别对应的一维序列，然后将这些一维序列分别输入至N层的编码器中进行编码，将编码器输出的不同尺度的序列经过全连接层映射回相同的长度，获得第二编码结果。其中，通过模型的第一分支和第二分支对特征图进行的分别处理可以同时进行。
最后终端将第一编码结果和第二编码结果进通过FC层进行融合，获得最终的输出，从而实现对于待修复图像的修复。
在一些可能的实现方式中，待修复图像可以如图2中的A所示，待修复图像的相似图像可以如图2中的B和C所示，其中B为第一相似图像，C为第二相似图像，图2中D为修复后的图像。由于修复过程中的参考数据不仅包括A中的已知部分，还包括相似图像B和C，因此具有更多的参考数据，从而能够更准确的进行修复。
图6是根据一示例性公开实施例示出的一种图像修复装置的示意图，如图6所示，所述图像修复装置600包括：
获取模块602，用于获取待修复图像；
确定模块604，用于从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；
融合模块606，用于融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
可选地，所述图像修复模型通过训练图像训练得到，所述训练图像包括多张相似图像，所述多张相似图像中包括掩码图像，所述掩码图像通过对所述相似图像进行掩码获得。
可选地，所述图像修复模型通过以下方式训练得到：
从所述训练图像中提取训练特征图；
通过所述图像修复模型的第一分支对所述训练特征图进行序列化和编码，获得第一训练编码结果；
通过所述图像修复模型的第二分支对所述训练特征图按照不同尺度分割的训练子特征图集合分别进行编码，并将所述训练子特征集合中的训练子特征图的编码结果进行全连接，获得第二训练编码结果；
根据所述第一训练编码结果、所述第二训练编码结果修复所述掩码图像；
根据修复后的掩码图像与掩码前的训练图像更新所述图像修复模型参数。
可选地，所述确定模块604可以用于：
将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征；
根据所述搜索特征从图像特征库中获取与所述搜索特征相似的多个相似特征；
根据所述多个相似特征，从图像库中获取所述待修复图像的多张相似图像，所述图像库中的图像与所述图像特征库中的特征一一对应。
可选地，所述确定模块604具体用于：
将所述待修复图像输入特征比对模型，通过所述特征比对模型对所述待修复图像进行下采样获得所述待修复图像的特征图，并对所述特征图进行编码，获得所述待修复图像的搜索特征。
可选地，所述多张相似图像与所述待修复图像均为同一主体在不同时刻或不同角度的图像。
可选地，所述多张相似图像与所述待修复图像为拍摄地点相同的图像。
上述各模块的功能在上一实施例中的方法步骤中已详细阐述，在此不做赘述。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对图像进行文本检测，获得所述图像中的文本区域，所述文本区域包括多个文本行；根据所述文本区域构建图网络模型，所述文本区域中的每个文本行为所述图网络模型的一个节点；通过节点分类模型对所述图网络模型中的节点进行分类，以及通过边分类模型对所述图网络模型中的节点之间的边进行分类；根据对所述节点的分类结果以及对所述边的分类结果，获得所述图像中的至少一个键值对。可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种图像修复方法，所述方法包括：获取待修复图像；从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述图像修复模型通过训练图像训练得到，所述训练图像包括多张相似图像，所述多张相似图像中包括掩码图像，所述掩码图像通过对所述相似图像进行掩码获得。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述图像修复模型通过以下方式训练得到：从所述训练图像中提取训练特征图；通过所述图像修复模型的第一分支对所述训练特征图进行序列化和编码，获得第一训练编码结果；通过所述图像修复模型的第二分支对所述训练特征图按照不同尺度分割的训练子特征图集合分别进行编码，并将所述训练子特征集合中的训练子特征图的编码结果进行全连接，获得第二训练编码结果；根据所述第一训练编码结果、所述第二训练编码结果修复所述掩码图像；根据修复后的掩码图像与掩码前的训练图像更新所述图像修复模型参数。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述从图像库中确定所述待修复图像的多张相似图像，包括：将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征；根据所述搜索特征从图像特征库中获取与所述搜索特征相似的多个相似特征；根据所述多个相似特征，从图像库中获取所述待修复图像的多张相似图像，所述图像库中的图像与所述图像特征库中的特征一一对应。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征，包括：将所述待修复图像输入特征比对模型，通过所述特征比对模型对所述待修复图像进行下采样获得所述待修复图像的特征图，并对所述特征图进行编码，获得所述待修复图像的搜索特征。
根据本公开的一个或多个实施例，示例6提供了示例1至示例5任意一项所述的方法，所述多张相似图像与所述待修复图像均为同一主体在不同时刻或不同角度的图像。
根据本公开的一个或多个实施例，示例7提供了示例1至示例5任意一项所述的方法所述多张相似图像与所述待修复图像为拍摄地点相同的图像。
根据本公开的一个或多个实施例，示例8提供了一种图像修复装置，所述装置包括：获取模块，用于获取待修复图像；确定模块，用于从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；融合模块，用于融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述图像修复模型通过训练图像训练得到，所述训练图像包括多张相似图像，所述多张相似图像中包括掩码图像，所述掩码图像通过对所述相似图像进行掩码获得。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述图像修复模型通过以下方式训练得到：从所述训练图像中提取训练特征图；通过所述图像修复模型的第一分支对所述训练特征图进行序列化和编码，获得第一训练编码结果；通过所述图像修复模型的第二分支对所述训练特征图按照不同尺度分割的训练子特征图集合分别进行编码，并将所述训练子特征集合中的训练子特征图的编码结果进行全连接，获得第二训练编码结果；根据所述第一训练编码结果、所述第二训练编码结果修复所述掩码图像；根据修复后的掩码图像与掩码前的训练图像更新所述图像修复模型参数。
根据本公开的一个或多个实施例，示例11提供了示例8的装置，所述确定模块具体用于：将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征；根据所述搜索特征从图像特征库中获取与所述搜索特征相似的多个相似特征；根据所述多个相似特征，从图像库中获取所述待修复图像的多张相似图像，所述图像库中的图像与所述图像特征库中的特征一一对应。
根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述确定模块具体用于：将所述待修复图像输入特征比对模型，通过所述特征比对模型对所述待修复图像进行下采样获得所述待修复图像的特征图，并对所述特征图进行编码，获得所述待修复图像的搜索特征。
根据本公开的一个或多个实施例，示例13提供了示例8至示例12任意一项所述的装置，所述多张相似图像与所述待修复图像均为同一主体在不同时刻或不同角度的图像。
根据本公开的一个或多个实施例，示例14提供了示例8至示例12任意一项所述的装置，所述多张相似图像与所述待修复图像为拍摄地点相同的图像。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (17)
1.一种图像修复方法，其特征在于，所述方法包括：
获取待修复图像；
从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；
融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
2.根据权利要求1所述的方法，其特征在于，所述图像修复模型通过训练图像训练得到，所述训练图像包括多张相似图像，所述多张相似图像中包括掩码图像，所述掩码图像通过对所述相似图像进行掩码获得。
3.根据权利要求2所述的方法，其特征在于，所述图像修复模型通过以下方式训练得到：
从所述训练图像中提取训练特征图；
通过所述图像修复模型的第一分支对所述训练特征图进行序列化和编码，获得第一训练编码结果；
通过所述图像修复模型的第二分支对所述训练特征图按照不同尺度分割的训练子特征图集合分别进行编码，并将所述训练子特征集合中的训练子特征图的编码结果进行全连接，获得第二训练编码结果；
根据所述第一训练编码结果、所述第二训练编码结果修复所述掩码图像；
根据修复后的掩码图像与掩码前的训练图像更新所述图像修复模型参数。
4.根据权利要求1所述的方法，其特征在于，所述从图像库中确定所述待修复图像的多张相似图像，包括：
将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征；
根据所述搜索特征从图像特征库中获取与所述搜索特征相似的多个相似特征；
根据所述多个相似特征，从图像库中获取所述待修复图像的多张相似图像，所述图像库中的图像与所述图像特征库中的特征一一对应。
5.根据权利要求4所述的方法，其特征在于，所述将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征，包括：
将所述待修复图像输入特征比对模型，通过所述特征比对模型对所述待修复图像进行下采样获得所述待修复图像的特征图，并对所述特征图进行编码，获得所述待修复图像的搜索特征。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述多张相似图像与所述待修复图像均为同一主体在不同时刻或不同角度的图像。
7.根据权利要求1至5任意一项所述的方法，其特征在于，所述多张相似图像与所述待修复图像为拍摄地点相同的图像。
8.一种图像修复装置，其特征在于，所述装置包括：
获取模块，用于获取待修复图像；
确定模块，用于从图像库中确定所述待修复图像的多张相似图像，所述多张相似图像至少包括第一相似图像和第二相似图像；
融合模块，用于融合所述待修复图像和所述第一相似图像、所述第二相似图像，并将融合后的图像输入图像修复模型，通过所述图像修复模型的第一分支对从所述融合后的图像中提取的特征图进行序列化和编码，得到第一编码结果，通过所述图像修复模型的第二分支对所述特征图按照不同尺度分割的子特征图集合分别进行编码，并将所述子特征图集合中的子特征图的编码结果进行全连接，得到第二编码结果，根据所述第一编码结果和所述第二编码结果获得修复后的图像。
9.根据权利要求8所述的装置，其特征在于，所述图像修复模型通过训练图像训练得到，所述训练图像包括多张相似图像，所述多张相似图像中包括掩码图像，所述掩码图像通过对所述相似图像进行掩码获得。
10.根据权利要求9所述的装置，其特征在于，所述图像修复模型通过以下方式训练得到：
从所述训练图像中提取训练特征图；
通过所述图像修复模型的第一分支对所述训练特征图进行序列化和编码，获得第一训练编码结果；
通过所述图像修复模型的第二分支对所述训练特征图按照不同尺度分割的训练子特征图集合分别进行编码，并将所述训练子特征集合中的训练子特征图的编码结果进行全连接，获得第二训练编码结果；
根据所述第一训练编码结果、所述第二训练编码结果修复所述掩码图像；
根据修复后的掩码图像与掩码前的训练图像更新所述图像修复模型参数。
11.根据权利要求8所述的装置，其特征在于，所述确定模块具体用于：
将所述待修复图像输入特征比对模型，获得所述待修复图像的搜索特征；
根据所述搜索特征从图像特征库中获取与所述搜索特征相似的多个相似特征；
根据所述多个相似特征，从图像库中获取所述待修复图像的多张相似图像，所述图像库中的图像与所述图像特征库中的特征一一对应。
12.根据权利要求11所述的装置，其特征在于，所述确定模块具体用于：
将所述待修复图像输入特征比对模型，通过所述特征比对模型对所述待修复图像进行下采样获得所述待修复图像的特征图，并对所述特征图进行编码，获得所述待修复图像的搜索特征。
13.根据权利要求8至12任意一项所述的装置，其特征在于，所述多张相似图像与所述待修复图像均为同一主体在不同时刻或不同角度的图像。
14.根据权利要求8至12任意一项所述的装置，其特征在于，所述多张相似图像与所述待修复图像为拍摄地点相同的图像。
15.一种设备，其特征在于，所述设备包括处理器和存储器；
所述处理器用于执行所述存储器中存储的指令，以使得所述设备执行如权利要求1至7中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，包括指令，所述指令指示设备执行如权利要求1至7中任一项所述的方法。
17.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210278129.3A CN114581336A (zh) | 2022-03-21 | 2022-03-21 | 图像修复方法、装置、设备、介质及产品 |
| PCT/CN2023/078345 WO2023179310A1 (zh) | 2022-03-21 | 2023-02-27 | 图像修复方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210278129.3A CN114581336A (zh) | 2022-03-21 | 2022-03-21 | 图像修复方法、装置、设备、介质及产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114581336A true CN114581336A (zh) | 2022-06-03 |
Family
ID=81781733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210278129.3A Pending CN114581336A (zh) | 2022-03-21 | 2022-03-21 | 图像修复方法、装置、设备、介质及产品 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114581336A (zh) |
| WO (1) | WO2023179310A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943241A (zh) * | 2022-07-26 | 2022-08-26 | 北京紫光青藤微系统有限公司 | 用于修复条码码图的方法、电子设备、存储介质 |
| WO2023179310A1 (zh) * | 2022-03-21 | 2023-09-28 | 北京有竹居网络技术有限公司 | 图像修复方法、装置、设备、介质及产品 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248294A1 (zh) * | 2019-06-10 | 2020-12-17 | 北京大学深圳研究生院 | 一种逆色调映射方法、装置及电子设备 |
| CN113592724A (zh) * | 2020-04-30 | 2021-11-02 | 北京金山云网络技术有限公司 | 目标人脸图像的修复方法和装置 |
| CN113870254A (zh) * | 2021-11-30 | 2021-12-31 | 中国科学院自动化研究所 | 目标对象的检测方法、装置、电子设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150130800A1 (en) * | 2013-11-12 | 2015-05-14 | Fyusion, Inc. | Segmentation of surround view data |
| CN111325704B (zh) * | 2020-02-07 | 2023-04-18 | 抖音视界有限公司 | 图像修复方法、装置、电子设备及计算机可读存储介质 |
| CN113724143A (zh) * | 2020-09-27 | 2021-11-30 | 天翼智慧家庭科技有限公司 | 用于图像修复的方法和装置 |
| CN114581336A (zh) * | 2022-03-21 | 2022-06-03 | 北京有竹居网络技术有限公司 | 图像修复方法、装置、设备、介质及产品 |
-
2022
- 2022-03-21 CN CN202210278129.3A patent/CN114581336A/zh active Pending
-
2023
- 2023-02-27 WO PCT/CN2023/078345 patent/WO2023179310A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248294A1 (zh) * | 2019-06-10 | 2020-12-17 | 北京大学深圳研究生院 | 一种逆色调映射方法、装置及电子设备 |
| CN113592724A (zh) * | 2020-04-30 | 2021-11-02 | 北京金山云网络技术有限公司 | 目标人脸图像的修复方法和装置 |
| CN113870254A (zh) * | 2021-11-30 | 2021-12-31 | 中国科学院自动化研究所 | 目标对象的检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| ZAMIR, S等: "Learning enriched features for real image restoration and enhancement", 《COMPUTER VISION–ECCV 2020: 16TH EUROPEAN CONFERENCE》, 28 August 2020 (2020-08-28), pages 492 - 511 * |
| 宋晓军: "基于深度学习的轮对激光光条图像修复研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2, 15 February 2022 (2022-02-15), pages 005 - 176 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179310A1 (zh) * | 2022-03-21 | 2023-09-28 | 北京有竹居网络技术有限公司 | 图像修复方法、装置、设备、介质及产品 |
| CN114943241A (zh) * | 2022-07-26 | 2022-08-26 | 北京紫光青藤微系统有限公司 | 用于修复条码码图的方法、电子设备、存储介质 |
| CN114943241B (zh) * | 2022-07-26 | 2022-10-25 | 北京紫光青藤微系统有限公司 | 用于修复条码码图的方法、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023179310A1 (zh) | 2023-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11367313B2 (en) | Method and apparatus for recognizing body movement | |
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| WO2023179310A1 (zh) | 图像修复方法、装置、设备、介质及产品 | |
| CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
| CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
| WO2022171036A1 (zh) | 视频目标追踪方法、视频目标追踪装置、存储介质及电子设备 | |
| CN113469295B (zh) | 生成模型的训练方法、息肉识别方法、装置、介质及设备 | |
| CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN110705511A (zh) | 模糊图像的识别方法、装置、设备及存储介质 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
| CN113689372A (zh) | 图像处理方法、设备、存储介质及程序产品 | |
| CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
| CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN114692085A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN114463769A (zh) | 表格识别方法、装置、可读介质和电子设备 | |
| CN110674813B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
| WO2023179291A1 (zh) | 图像修复方法、装置、设备、介质及产品 | |
| CN112257598A (zh) | 图像中四边形的识别方法、装置、可读介质和电子设备 | |
| CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
| CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
| CN114627353B (zh) | 一种图像描述生成方法、装置、设备、介质及产品 | |
| CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
| CN115984868A (zh) | 文本处理方法、装置、介质及设备 | |
| CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 |
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 |