CN115100058A - 一种基于神经网络的图像去反射方法、系统及相关设备 - Google Patents
一种基于神经网络的图像去反射方法、系统及相关设备 Download PDFInfo
- Publication number
- CN115100058A CN115100058A CN202210720155.7A CN202210720155A CN115100058A CN 115100058 A CN115100058 A CN 115100058A CN 202210720155 A CN202210720155 A CN 202210720155A CN 115100058 A CN115100058 A CN 115100058A
- Authority
- CN
- China
- Prior art keywords
- image
- reflection
- network
- data set
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000006978 adaptation Effects 0.000 claims abstract description 31
- 238000011084 recovery Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001028 reflection method Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012067 mathematical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T5/50—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
- G06T2207/10024—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
- G06T2207/20081—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉领域,尤其涉及一种基于神经网络的图像去反射方法、系统及相关设备,所述方法包括:获取包含原彩图像的第一数据集和分离色彩图像的第二数据集;将第一数据集和第二数据集中的图像合成得到反射图像数据集;构建包括图像恢复网络和深度适应网络的图像去反射并发网络;对图像恢复网络进行训练,并输出去反射结果;以第二数据集为输入,对深度适应网络进行训练;构建关于去反射结果、反射图像数据集、第二数据集,以及分别对应图像恢复网络和深度适应网络的权重参数之间的去反射映射关系;重复训练,直到权重参数满足预设最优结果条件,输出所述图像去反射并发网络。本发明突出的去反射方法减少人工干预,提高了网络的预测能力。
Description
技术领域
本发明涉及机器视觉领域,尤其涉及一种基于神经网络的图像去反射方法、系统及相关设备。
背景技术
随着机器视觉技术的不断发展,越来越多工业生产离不开利用机器视觉检测的流程。而作为机器视觉的核心所在,图片质量往往对最后的检测结果起决定性作用,然而在实际的拍摄过程中,得到的图片难无法避免因为玻璃镜面等原因产生反射的情况,这些反射是自然场景中的一部分,很难通过一般的技术手段将其从图片中完全去除,这就为图像的检测带来了一定的噪声干扰。
当人们透过玻璃拍照时,得到的图像包含图像成像所需要检测的透射和影响进行检测的反射,因此需要将反射与透射分离。一般的,将带反射的图像表示为I,I可以通过光线的透射层T和反射层R的线性组合来建模,如I=T+R,但是由于组合的方案是无穷的,因此消除反射是一个没有唯一解法的问题,并且反射层和透视层都是具有相似的自然图像,这使问题变得更棘手。
在过去的几十年里,人们提出了许多方法来解决这个问题,它们大致分为两类:传统的数学方法和最近的深度学习方法。传统的数学方法利用先验知识来解决这个问题,如Levin等人观察到I的最佳分解是通过最小化边和角的总数去得到的,在此基础上,提出了一种基于边缘和角点局部的去反射方法;Han等人提出了一种基于梯度、在T上是一致的,但是在R上是多样的,他们首先扭曲多个图像的反射I,然后通过计算梯度的可靠性在低秩矩阵上分离T和R。但是这些传统的数学方法有非常大的局限性,无法很好地应用于大部分场景。
发明内容
本发明实施例提供一种基于神经网络的图像去反射方法、系统及相关设备,旨在解决现有技术中的图像去反射方法通用性低,性能差,效率低的问题,并提高图像去反射的精确度。
第一方面,本发明实施例提供一种基于神经网络的图像去反射方法,所述方法包括以下步骤:
S1、获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集;
S2、根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集;
S3、构建包括图像恢复网络和深度适应网络的图像去反射并发网络;
S4、以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果;
S5、以所述第二数据集为输入,对所述深度适应网络进行训练;
S6、构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系;
S7、重复步骤S4-S5,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
更进一步地,定义所述第一数据集为T,所述第二数据集为R,所述反射图像数据集为I,则所述反射图像数据集I满足:
I=γ1T+γ2R
其中,γ1、γ2均为预设数据权重参数。
更进一步地,所述图像恢复网络包括7个残差块组,其中,输入所述图像恢复网络中的图像经过所述残差块组处理前需要与进行卷积后的结构进行拼接。
更进一步地,所述深度适应网络包括1个卷积层和5个残差块组。
更进一步地,步骤S6中定义的所述去反射映射关系,具体为:
定义所述去反射并发网络为f,则所述去反射映射关系满足:
T’=f(T,R;θ1,θ2)
其中,T’表示所述去反射结果,θ1表示所述第一权重参数,θ2表示所述第二权重参数。
第二方面,本发明实施例还提供一种基于神经网络的图像去反射系统,包括:
数据获取模块,用于获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集;
数据合成模块,用于根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集;
网络构建模块,用于构建包括图像恢复网络和深度适应网络的图像去反射并发网络;
第一训练模块,用于以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果;
第二训练模块,用于以所述第二数据集为输入,对所述深度适应网络进行训练;
映射模块,用于构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系;
迭代模块,用于控制所述第一训练模块和所述第二训练模块的循环,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
第三方面,本发明实施例还提供一种计算机设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的基于神经网络的图像去反射方法中的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中任意一项所述的基于神经网络的图像去反射方法中的步骤。
本发明所达到的有益效果,由于采用并发式的神经网络结构,克服单网络的局限性,通过结合图像修复网络和深度适应网络的结构,将场景数据经过线性合成反射图片,提高数据的真实性,且基于红外传感器采集的深度图像对网络进行训练,减少人工干预,提高了网络的预测能力。
附图
图1是本发明实施例提供的基于神经网络的图像去反射方法的步骤流程框图;
图2是本发明实施例提供的基于神经网络的图像去反射系统200的结构示意图;
图3是本发明实施例提供的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明实施例提供的基于神经网络的图像去反射方法的步骤流程框图,所述方法具体包括以下步骤:
S1、获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集。
在本发明实施例中,由于深度学习模型的训练需要大量数据,而标注反射数据是一件重复度极高的工作,因此,示例性的,采集开源数据集Pascal VOC与RGB-D用于生成合成的图像数据,两者分别为自然场景的图片以及将RGB分离后的自然场景图片,在本发明实施例中,将Pascal VOC与RGB-D分别作为所述第一数据集和所述第二数据集。
S2、根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集。
更进一步地,定义所述第一数据集为T,所述第二数据集为R,所述反射图像数据集为I,则所述反射图像数据集I满足:
I=γ1T+γ2R
其中,γ1、γ2均为预设数据权重参数。在本发明实施例中,对于每一张RGB-D中的图片,随机一张Pascal VOC中的图片进行合成反射图像,直至生成足够的反射图像数据集。需要说明的是,本发明实施例中的各个权重参数均是用于根据需求对数据或网络的训练进行调整,不对具体数值作出限定。
S3、构建包括图像恢复网络和深度适应网络的图像去反射并发网络。
具体的,所述图像恢复网络基于IRN((Invertible Rescaling Net),在本发明实施例中用于对图像进行主要的去反射处理,所述深度适应网络基于DAN(Deep AdaptationNetowrk),在本发明实施例中主要用于对所述图像恢复网络的对应层次进行特征融合,以增强IRN的去反射层能力。
更进一步地,所述图像恢复网络包括7个残差块组,其中,输入所述图像恢复网络中的图像经过所述残差块组处理前需要与进行卷积后的结构进行拼接。
更进一步地,所述深度适应网络包括1个卷积层和5个残差块组。
S4、以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果。
S5、以所述第二数据集为输入,对所述深度适应网络进行训练。
S6、构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系。
更进一步地,步骤S6中定义的所述去反射映射关系,具体为:
定义所述去反射并发网络为f,则所述去反射映射关系满足:
T’=f(T,R;θ1,θ2)
其中,T’表示所述去反射结果,θ1表示所述第一权重参数,θ2表示所述第二权重参数。
S7、重复步骤S4-S5,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
本发明所达到的有益效果,由于采用并发式的神经网络结构,克服单网络的局限性,通过结合图像修复网络和深度适应网络的结构,将场景数据经过线性合成反射图片,提高数据的真实性,且基于红外传感器采集的深度图像对网络进行训练,减少人工干预,提高了网络的预测能力。
本发明实施例还提供一种基于神经网络的图像去反射系统,请参照图2,图2是本发明实施例提供的基于神经网络的图像去反射系统200的结构示意图,所述基于神经网络的图像去反射系统200包括:
数据获取模块201,用于获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集;
数据合成模块202,用于根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集;
网络构建模块203,用于构建包括图像恢复网络和深度适应网络的图像去反射并发网络;
第一训练模块204,用于以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果;
第二训练模块205,用于以所述第二数据集为输入,对所述深度适应网络进行训练;
映射模块206,用于构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系;
迭代模块207,用于控制所述第一训练模块204和所述第二训练模块205的循环,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
所述基于神经网络的图像去反射系统200能够实现如上述实施例中的基于神经网络的图像去反射方法中的步骤,且能实现同样的技术效果,参上述实施例中的描述,此处不再赘述。
本发明实施例还提供一种计算机设备,请参照图3,图3是本发明实施例提供的计算机设备的结构示意图,所述计算机设备300包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的计算机程序。
所述处理器301调用所述存储器302存储的计算机程序,执行本发明实施例提供的基于神经网络的图像去反射方法中的步骤,请结合图1,具体包括:
S1、获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集;
S2、根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集;
S3、构建包括图像恢复网络和深度适应网络的图像去反射并发网络;
S4、以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果;
S5、以所述第二数据集为输入,对所述深度适应网络进行训练;
S6、构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系;
S7、重复步骤S4-S5,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
更进一步地,定义所述第一数据集为T,所述第二数据集为R,所述反射图像数据集为I,则所述反射图像数据集I满足:
I=γ1T+γ2R
其中,γ1、γ2均为预设数据权重参数。
更进一步地,所述图像恢复网络包括7个残差块组,其中,输入所述图像恢复网络中的图像经过所述残差块组处理前需要与进行卷积后的结构进行拼接。
更进一步地,所述深度适应网络包括1个卷积层和5个残差块组。
更进一步地,步骤S6中定义的所述去反射映射关系,具体为:
定义所述去反射并发网络为f,则所述去反射映射关系满足:
T’=f(T,R;θ1,θ2)
其中,T’表示所述去反射结果,θ1表示所述第一权重参数,θ2表示所述第二权重参数。
本发明实施例提供的计算机设备300能够实现如上述实施例中的基于神经网络的图像去反射方法中的步骤,且能实现同样的技术效果,参上述实施例中的描述,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的基于神经网络的图像去反射方法中的各个过程及步骤,且能实现相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,所揭露的仅为本发明较佳实施例而已,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式用等同变化,均属于本发明的保护之内。
Claims (8)
1.一种基于神经网络的图像去反射方法,其特征在于,所述方法包括以下步骤:
S1、获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集;
S2、根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集;
S3、构建包括图像恢复网络和深度适应网络的图像去反射并发网络;
S4、以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果;
S5、以所述第二数据集为输入,对所述深度适应网络进行训练;
S6、构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系;
S7、重复步骤S4-S5,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
2.如权利要求1所述的一种基于神经网络的图像去反射方法,其特征在于,定义所述第一数据集为T,所述第二数据集为R,所述反射图像数据集为I,则所述反射图像数据集I满足:
I=γ1T+γ2R
其中,γ1、γ2均为预设数据权重参数。
3.如权利要求1所述的一种基于神经网络的图像去反射方法,其特征在于,所述图像恢复网络包括7个残差块组,其中,输入所述图像恢复网络中的图像经过所述残差块组处理前需要与进行卷积后的结构进行拼接。
4.如权利要求1所述的一种基于神经网络的图像去反射方法,其特征在于,所述深度适应网络包括1个卷积层和5个残差块组。
5.如权利要求2所述的一种基于神经网络的图像去反射方法,其特征在于,步骤S6中定义的所述去反射映射关系,具体为:
定义所述去反射并发网络为f,则所述去反射映射关系满足:
T’=f(T,R;θ1,θ2)
其中,T’表示所述去反射结果,θ1表示所述第一权重参数,θ2表示所述第二权重参数。
6.一种基于神经网络的图像去反射系统,其特征在于,包括:
数据获取模块,用于获取包含原本色彩图像的第一数据集和分离色彩图像的第二数据集;
数据合成模块,用于根据预设权重,将所述第一数据集和所述第二数据集中的图像进行合成,得到反射图像数据集;
网络构建模块,用于构建包括图像恢复网络和深度适应网络的图像去反射并发网络;
第一训练模块,用于以所述反射图像数据集为输入,对所述图像恢复网络进行训练,并输出得到去反射结果;
第二训练模块,用于以所述第二数据集为输入,对所述深度适应网络进行训练;
映射模块,用于构建关于所述去反射结果、所述反射图像数据集、所述第二数据集,以及分别对应所述图像恢复网络和所述深度适应网络的第一权重参数和第二权重参数之间的去反射映射关系;
迭代模块,用于控制所述第一训练模块和所述第二训练模块的循环,直到所述第一权重参数和所述第二权重参数满足预设最优结果条件,输出所述图像去反射并发网络,并利用所述图像去反射并发网络进行图像去反射。
7.一种计算机设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于神经网络的图像去反射方法中的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的基于神经网络的图像去反射方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720155.7A CN115100058A (zh) | 2022-06-23 | 2022-06-23 | 一种基于神经网络的图像去反射方法、系统及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720155.7A CN115100058A (zh) | 2022-06-23 | 2022-06-23 | 一种基于神经网络的图像去反射方法、系统及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100058A true CN115100058A (zh) | 2022-09-23 |
Family
ID=83293204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210720155.7A Pending CN115100058A (zh) | 2022-06-23 | 2022-06-23 | 一种基于神经网络的图像去反射方法、系统及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100058A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485688A (zh) * | 2023-06-25 | 2023-07-25 | 南京航空航天大学 | 一种基于合成数据的神经网络去炫光方法 |
-
2022
- 2022-06-23 CN CN202210720155.7A patent/CN115100058A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485688A (zh) * | 2023-06-25 | 2023-07-25 | 南京航空航天大学 | 一种基于合成数据的神经网络去炫光方法 |
CN116485688B (zh) * | 2023-06-25 | 2023-09-29 | 南京航空航天大学 | 一种基于合成数据的神经网络去炫光方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7090113B2 (ja) | 線画の生成 | |
CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
US11803950B2 (en) | Universal style transfer using multi-scale feature transform and user controls | |
US20220392025A1 (en) | Restoring degraded digital images through a deep learning framework | |
CN109948441B (zh) | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 | |
WO2021012491A1 (zh) | 多媒体信息展示方法、装置、计算机设备及存储介质 | |
CN111145123A (zh) | 基于U-Net融合保留细节的图像去噪方法 | |
CN114387365A (zh) | 一种线稿上色方法及装置 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
CN116310712A (zh) | 一种基于循环生成对抗网络的图像水墨风格迁移方法及系统 | |
CN111667401B (zh) | 多层次渐变图像风格迁移方法及系统 | |
CN114863020A (zh) | 三维模型构建方法、装置、电子设备及存储介质 | |
CN115100058A (zh) | 一种基于神经网络的图像去反射方法、系统及相关设备 | |
CN113096001A (zh) | 图像处理方法、电子设备及可读存储介质 | |
Gupta et al. | Image style transfer using convolutional neural networks based on transfer learning | |
CN109829857B (zh) | 一种基于生成对抗网络的倾斜图像的矫正方法及装置 | |
CN113658091A (zh) | 一种图像评价方法、存储介质及终端设备 | |
CN114881879A (zh) | 一种基于亮度补偿残差网络的水下图像增强方法 | |
CN114549387A (zh) | 一种基于伪标签的人脸图像高光去除方法 | |
KR102537207B1 (ko) | 머신 러닝에 기반한 이미지 처리 방법 및 장치 | |
CN113505885A (zh) | 基于预设的损失函数的单目深度估计网络的训练方法 | |
CN115761242B (zh) | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 | |
Ahn et al. | CODEN: combined optimization-based decomposition and learning-based enhancement network for Retinex-based brightness and contrast enhancement | |
CN114037644B (zh) | 一种基于生成对抗网络的艺术字图像合成系统及方法 | |
CN115660980A (zh) | 一种无监督的水下图像增强方法及相关设备 |
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 |