CN114972105A - 一种基于多尺度融合残差网络的单幅图像去雨方法 - Google Patents
一种基于多尺度融合残差网络的单幅图像去雨方法 Download PDFInfo
- Publication number
- CN114972105A CN114972105A CN202210656357.XA CN202210656357A CN114972105A CN 114972105 A CN114972105 A CN 114972105A CN 202210656357 A CN202210656357 A CN 202210656357A CN 114972105 A CN114972105 A CN 114972105A
- Authority
- CN
- China
- Prior art keywords
- network
- rain
- training
- residual error
- scale
- 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 36
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 3
- 230000000750 progressive effect Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度融合残差网络的单幅图像去雨方法,本方法以卷积神经网络为基础,巧妙结合多尺度、残差、多分支思想、层级连接思想,设计出层级相连多尺度多分支残差去雨网络;该网络使用不同尺度的卷积核实现多维度特征提取,通过层级相连的方式实现递进多层次学习,可学习更加复杂的特征,从而可以解决背景和雨水相似的情况,在去雨效果上,从定性和定量上都远远超过GMM算法,这大大的提高了图像的质量,同时网络不是过深,训练成本不是太高,本方法具有一定的优越性。采用了融合残差、多尺度、多分支思想,实现了一个新的基于深度学习的去雨网络框架,通过端到端无监督的技术,节省了数据处理的时间,提高了实验效率。
Description
技术领域
本发明涉及图像处理领域,具体为一种基于多尺度融合残差网络的单幅图像去雨方法。
背景技术
在图像处理中图像去雨十分重要,常见的几种去雨方法如下:
先验知识图像去雨方法:先验知识实现图像的去雨是在像素块中分别对背景层和雨层采用高斯混合模型先验,高斯混合模型又称GMM模型,其本质是利用组合多个高斯分布来描述数据信息分布,图像分解与先验信息的组合使用,可以实现较高质量的图像去雨效果。
基于稀疏编码字典学习和分类器的去雨方法:我们用稀疏编码对原数据进行预处理,将处理后的数据放入一个卷积神经网络去进行学习。学习的过程中,它假设雨水和背景的特征是可分的,并且通过不断对字典和编码进行优化,最终把一个图片分成了一个字典的两个编码之和,这两个编码分别代表雨水的编码和背景的编码。输入一幅雨图,通过一个平滑滤波器分离成高频成分和低频成分,然后对高频成分也就是原始图像中的雨纹信息以及背景纹理信息进行处理,进行patch提取以及字典学习,再进行字典的划分,基于稀疏编码图像分解得到雨成分和无雨成分,将处理得到的无雨成分与之前的低频成分进行加和,得到去雨之后的结果图像。
先验知识图像去雨不足的地方:去雨效果显著,但是在去雨过后图像的背景信息被过度磨平,遗漏了部分图像细节,图像变的模糊不清,因此基于先验的图像去雨质量有待提升,且计算过程复杂,执行效率较低,并且对于饱和降雨像素的处理还未解决。
基于稀疏编码字典学习和分类器的不足:当背景与雨水极其相似时,它仍是没办法区分两者,去雨效果在某些特定场景下会失效,为此提供了一种基于多尺度融合残差网络的单幅图像去雨方法。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种基于多尺度融合残差网络的单幅图像去雨方法,以解决上述背景技术提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于多尺度融合残差网络的单幅图像去雨方法,具体步骤如下:
S1、确立训练网络的数据集;
S2、对于图像的特征提取进行大量提取块的组合实验;
S3、确立初步的网络结构;
S4、初始化权重,准备训练;
S5、对于损失函数的选择,根据经验并结合试验确定损失函数的组合MSE和SSIM;
S6、使用国际化的优化器,SGD随机梯度下降算法;
S7、利用数据集进行网络训练,反复迭代,确定网络的整体结构,寻找最优的准确率;
S8、使用公认的权威数据集Rain100H,Rain100L,Rain12进行效果测试;
S9、将合成后的雨图送进卷积神经网络进行前向传播,前向传播过程中会经过卷积层进行特征提取,之后经过归化层进行数据映射,最后通过激活函数来进行非线性映射,提高网络的拟合能力;
S10、获取去雨图像后与无雨图像(标签Label)计算损失;
S11、得到损失函数后进行反向梯度计算;
S12、结合学习率进行反向权重更新,学习率一开始按照国际化区域标准设置,随着训次数的迭代,学习率不断下降,每当权重更新后,代表一次训练结束;
S13、重复S9-S12步操作,继续输入合成数据训练网络,直到loss值趋于平稳,网络收敛;
S14、训练好的参数被保存下来,测试阶段直接加载保存的模型,然后对输入真实雨图进行前向传播,此时不再进行反向传播,因为无需去更新、保存权重,直接经过计算得到最终的去雨图像。
作为本发明的一种优选技术方案,所述S7中的网络训练则采用了Xavier权重初始化方式,即网络中每一层输出的方差应该和其他输出的方差尽量相等,总的网络训练时间为8个小时。
作为本发明的一种优选技术方案,所述S7中的网络训练受限于算力条件的影响,网络训练过程中batchsize的取值为4,经过了70轮的训练网络收敛,并且训练时初始学习率设置为0.01,学习率随迭代轮数递减,每20轮超参数lr衰减为原先的1/10。
作为本发明的一种优选技术方案,所述S2中的组合实验在硬件设备为NVIDIAGeForce GTX 1080Ti的计算机集群上进行。
本发明的有益效果是:本方法以卷积神经网络为基础,巧妙结合多尺度、残差、多分支思想、层级连接思想,设计出层级相连多尺度多分支残差去雨网络;该网络使用不同尺度的卷积核实现多维度特征提取,通过层级相连的方式实现递进多层次学习,可学习更加复杂的特征,从而可以解决背景和雨水相似的情况,在去雨效果上,从定性和定量上都远远超过GMM算法,这大大的提高了图像的质量,同时网络不是过深,训练成本不是太高,本方法具有一定的优越性。
采用了融合残差、多尺度、多分支思想,实现了一个新的基于深度学习的去雨网络框架,通过端到端无监督的技术,节省了数据处理的时间,提高了实验效率,并且运用本方法的去雨网络,可以获得不错的去雨效果,这个去雨网络,在图像去雨领域具有独创性。
附图说明
图1为本发明的流程图;
图2为本发明确定网络的整体结构的模块图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易被本领域人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
实施例:请参阅图1-2,本发明提供一种技术方案:一种基于多尺度融合残差网络的单幅图像去雨方法,具体步骤如下:
S1、确立训练网络的数据集;
S2、对于图像的特征提取进行大量提取块的组合实验;
S3、确立初步的网络结构;
S4、初始化权重,准备训练;
S5、对于损失函数的选择,根据经验并结合试验确定损失函数的组合MSE和SSIM;
S6、使用国际化的优化器,SGD随机梯度下降算法;
S7、利用数据集进行网络训练,反复迭代,确定网络的整体结构,寻找最优的准确率;
S8、使用公认的权威数据集Rain100H,Rain100L,Rain12进行效果测试;
S9、将合成后的雨图送进卷积神经网络进行前向传播,前向传播过程中会经过卷积层进行特征提取,之后经过归化层进行数据映射,最后通过激活函数来进行非线性映射,提高网络的拟合能力;
S10、获取去雨图像后与无雨图像(标签Label)计算损失;
S11、得到损失函数后进行反向梯度计算;
S12、结合学习率进行反向权重更新,学习率一开始按照国际化区域标准设置,随着训次数的迭代,学习率不断下降,每当权重更新后,代表一次训练结束;
S13、重复S9-S12步操作,继续输入合成数据训练网络,直到loss值趋于平稳,网络收敛;
S14、训练好的参数被保存下来,测试阶段直接加载保存的模型,然后对输入真实雨图进行前向传播,此时不再进行反向传播,因为无需去更新、保存权重,直接经过计算得到最终的去雨图像。
S7中的网络训练则采用了Xavier权重初始化方式,即网络中每一层输出的方差应该和其他输出的方差尽量相等,总的网络训练时间为8个小时;网络训练受限于算力条件的影响,网络训练过程中batchsize的取值为4,经过了70轮的训练网络收敛,并且训练时初始学习率设置为0.01,学习率随迭代轮数递减,每20轮超参数lr衰减为原先的1/10。
S2中的组合实验在硬件设备为NVIDIA GeForce GTX 1080Ti的计算机集群上进行。
对于现有的去雨框架进行创新,设计出基于层级相连的多尺度多分支卷积神经网络图像去雨网络,通过对多尺度残差子模块进行卷积核大小的选择与成熟的堆叠测试,选取了最优结果下的组合,并且应用在整体了融合残差思想的去雨网络上。
对于去雨效果如下表1、2所示:
表1四种图像去雨算法在两种合成测试集上的PSNR(dB)对比
表2四种图像去雨算法在两种合成测试集上的SSIM对比
从评价指标上来看,本方法比其他两种算法具有更高的PSNR和SSIM值。不管在大雨还是小雨场景中,本方法得到的去雨图像去雨效果更明显,保真度更高,视觉效果更加清晰自然。其它几种算法都存在去雨不彻底或去雨后背景被过度平滑等问题。
本方法以卷积神经网络为基础,巧妙结合多尺度、残差、多分支思想、层级连接思想,设计出层级相连多尺度多分支残差去雨网络;该网络使用不同尺度的卷积核实现多维度特征提取,通过层级相连的方式实现递进多层次学习,可学习更加复杂的特征,从而可以解决背景和雨水相似的情况,在去雨效果上,从定性和定量上都远远超过GMM算法,这大大的提高了图像的质量,同时网络不是过深,训练成本不是太高,本方法具有一定的优越性。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种基于多尺度融合残差网络的单幅图像去雨方法,其特征在于:具体步骤如下:
S1、确立训练网络的数据集;
S2、对于图像的特征提取进行大量提取块的组合实验;
S3、确立初步的网络结构;
S4、初始化权重,准备训练;
S5、对于损失函数的选择,根据经验并结合试验确定损失函数的组合MSE和SSIM;
S6、使用国际化的优化器,SGD随机梯度下降算法;
S7、利用数据集进行网络训练,反复迭代,确定网络的整体结构,寻找最优的准确率;
S8、使用公认的权威数据集Rain100H,Rain100L,Rain12进行效果测试;
S9、将合成后的雨图送进卷积神经网络进行前向传播,前向传播过程中会经过卷积层进行特征提取,之后经过归化层进行数据映射,最后通过激活函数来进行非线性映射,提高网络的拟合能力;
S10、获取去雨图像后与无雨图像(标签Label)计算损失;
S11、得到损失函数后进行反向梯度计算;
S12、结合学习率进行反向权重更新,学习率一开始按照国际化区域标准设置,随着训次数的迭代,学习率不断下降,每当权重更新后,代表一次训练结束;
S13、重复S9-S12步操作,继续输入合成数据训练网络,直到loss值趋于平稳,网络收敛;
S14、训练好的参数被保存下来,测试阶段直接加载保存的模型,然后对输入真实雨图进行前向传播,此时不再进行反向传播,因为无需去更新、保存权重,直接经过计算得到最终的去雨图像。
2.根据权利要求1所述的一种基于多尺度融合残差网络的单幅图像去雨方法,其特征在于:所述S7中的网络训练则采用了Xavier权重初始化方式,即网络中每一层输出的方差应该和其他输出的方差尽量相等,总的网络训练时间为8个小时。
3.根据权利要求1所述的一种基于多尺度融合残差网络的单幅图像去雨方法,其特征在于:所述S7中的网络训练受限于算力条件的影响,网络训练过程中batchsize的取值为4,经过了70轮的训练网络收敛,并且训练时初始学习率设置为0.01,学习率随迭代轮数递减,每20轮超参数lr衰减为原先的1/10。
4.根据权利要求1所述的一种基于多尺度融合残差网络的单幅图像去雨方法,其特征在于:所述S2中的组合实验在硬件设备为NVIDIA GeForce GTX 1080Ti的计算机集群上进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210656357.XA CN114972105B (zh) | 2022-06-10 | 2022-06-10 | 一种基于多尺度融合残差网络的单幅图像去雨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210656357.XA CN114972105B (zh) | 2022-06-10 | 2022-06-10 | 一种基于多尺度融合残差网络的单幅图像去雨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972105A true CN114972105A (zh) | 2022-08-30 |
CN114972105B CN114972105B (zh) | 2024-03-29 |
Family
ID=82961109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210656357.XA Active CN114972105B (zh) | 2022-06-10 | 2022-06-10 | 一种基于多尺度融合残差网络的单幅图像去雨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972105B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN112102176A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于多尺度密集混合注意力神经网络的图像去雨方法 |
CN113450288A (zh) * | 2021-08-04 | 2021-09-28 | 广东工业大学 | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 |
CN113450278A (zh) * | 2021-06-30 | 2021-09-28 | 中国矿业大学 | 一种基于跨域协同学习的图像去雨方法 |
CN113673590A (zh) * | 2021-08-13 | 2021-11-19 | 广东工业大学 | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 |
-
2022
- 2022-06-10 CN CN202210656357.XA patent/CN114972105B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN112102176A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于多尺度密集混合注意力神经网络的图像去雨方法 |
CN113450278A (zh) * | 2021-06-30 | 2021-09-28 | 中国矿业大学 | 一种基于跨域协同学习的图像去雨方法 |
CN113450288A (zh) * | 2021-08-04 | 2021-09-28 | 广东工业大学 | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 |
CN113673590A (zh) * | 2021-08-13 | 2021-11-19 | 广东工业大学 | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 |
Non-Patent Citations (4)
Title |
---|
刘扬;: "基于残差聚集网的恶劣天气环境下图像清晰化处理", 指挥控制与仿真, no. 02, 10 April 2020 (2020-04-10) * |
王鹏: "基于深度学习的模糊图像复原算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 31 March 2022 (2022-03-31), pages 138 - 1345 * |
胡文彬;张宏宇;王晨曦;王倪传;李慧: "社交网络中攻击背景下个人隐私泄露度量研究", 《南京大学学报(自然科学)》, 24 March 2021 (2021-03-24) * |
赵嘉兴;王夏黎;王丽红;曹晨洁;: "多尺度密集时序卷积网络的单幅图像去雨方法", 计算机技术与发展, no. 05, 10 February 2020 (2020-02-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN114972105B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021248938A1 (zh) | 一种融合特征金字塔的生成对抗网络图像去雾方法 | |
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
CN110619385A (zh) | 基于多级剪枝的结构化网络模型压缩加速方法 | |
CN111340814A (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
CN107133935A (zh) | 一种基于深度卷积神经网络的单图像精细去雨方法 | |
CN109002889A (zh) | 自适应迭代式卷积神经网络模型压缩方法 | |
CN110111266B (zh) | 一种基于深度学习去噪的近似信息传递算法改进方法 | |
CN111163314A (zh) | 一种图像压缩方法及系统 | |
CN113837959A (zh) | 图像去噪模型训练方法、图像去噪方法及系统 | |
CN117521763A (zh) | 一种融合组正则化剪枝和重要性剪枝的人工智能模型压缩方法 | |
CN113160286A (zh) | 一种基于卷积神经网络的近红外和可见光图像融合方法 | |
CN116342406A (zh) | 一种基于深度学习的超高分辨率图像去噪方法 | |
CN113379647B (zh) | 一种优化psf估计的多特征图像复原方法 | |
CN114792347A (zh) | 一种基于多尺度空间和上下文信息融合的图像压缩方法 | |
CN113962882A (zh) | 一种基于可控金字塔小波网络的jpeg图像压缩伪影消除方法 | |
CN114972105A (zh) | 一种基于多尺度融合残差网络的单幅图像去雨方法 | |
CN115564043B (zh) | 一种图像分类模型剪枝方法、装置、电子设备及存储介质 | |
CN110781936B (zh) | 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法 | |
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 | |
CN116109510A (zh) | 一种基于结构和纹理对偶生成的人脸图像修复方法 | |
CN113095991B (zh) | 一种基于深度学习的高动态范围图像隐写和恢复方法 | |
CN114596218B (zh) | 基于卷积神经网络的古代绘画图像修复方法、模型和装置 | |
CN111161363A (zh) | 一种图像编码模型训练方法及装置 | |
CN114926557A (zh) | 一种结合注意力机制的多尺度图像压缩重构方法 | |
CN114332101A (zh) | 一种基于遗传算法的U-Net网络模型剪枝方法 |
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 |