CN115499566A - 基于深度计算光学元件的端到端高质量消色差成像系统 - Google Patents
基于深度计算光学元件的端到端高质量消色差成像系统 Download PDFInfo
- Publication number
- CN115499566A CN115499566A CN202211034822.2A CN202211034822A CN115499566A CN 115499566 A CN115499566 A CN 115499566A CN 202211034822 A CN202211034822 A CN 202211034822A CN 115499566 A CN115499566 A CN 115499566A
- Authority
- CN
- China
- Prior art keywords
- image
- psf
- lens
- imaging
- imaging system
- 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
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Color Television Image Signal Generators (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于深度计算光学元件的端到端高质量消色差成像系统,从图像输入端到输出端依次包括物理透镜PL、传感器和数字透镜DL;输入图像首先与物理透镜卷积生成色差图像;该色差图像由相机采集后作为数字透镜的输入图像与DL卷积生成输出图像;输出图像经过神经网络AANet生成重建图像。本发明光学系统设计简单、成本低、易集成,端到端联动优化方法使得算法与光学硬件深度耦合,可实现软硬件联动优化;重建图像与输入图像相比,峰值信噪比的量化提升高达14.2dB,能够实现高精度的消色差成像,所提框架的灵活性为高质量大景深、大视场成像提供了可能。
Description
技术领域
本发明涉及计算成像技术领域,具体涉及一种基于深度计算光学元件的端到端高质量消色差成像系统。
背景技术
现有成像方法包括传统光学设计方法和序列化计算成像设计方法。传统光学设计方法是利用一组或多组透镜配合成像,对各类像差的消除,实现高质量成像;在传统光学设计方法的基础上,将一部分成像任务转移到图像后处理算法中(如传统去噪、复原算法和各类深度学习算法),以此有效降低对复杂透镜组的依赖,在轻量化成像领域有着广泛的应用前景。但是复杂透镜组成本高、设备体积大、不易集成,且调试难度高,系统稳定性及抗干扰能力低。
序列化计算成像设计方法采用“顺序优化”的策略,如在给定光学系统的基础上优化图像复原算法或在给定图像复原算法基础上优化光学系统设计。这种分别优化的方法不能实现算法和光学系统的完全耦合,即二者通常不能完美匹配以达到最佳效果。
发明内容
本发明针对现有技术存在的问题提供一种简单、高效,且在光学设计方面更加灵活的基于深度计算光学元件的端到端高质量消色差成像系统。
本发明采用的技术方案是:一种基于深度计算光学元件的端到端高质量消色差成像系统,从图像输入端到输出端依次包括物理透镜PL、传感器和数字透镜DL;输入图像首先与物理透镜卷积生成色差图像;该色差图像由相机采集后作为数字透镜的输入图像与DL卷积生成输出图像;输出图像经过神经网络生成重建图像。
进一步的,所述神经网络为AANet网络。
一种基于深度计算光学元件的端到端高质量消色差成像系统的成像方法,包括以下步骤:
步骤1:输入场景图像与物理透镜PL的点扩散函数PSFp卷积生成彩色图像;
步骤2:彩色图像与数字透镜DL的点扩散函数PSFd卷积生成最终成像结果;
步骤3:将步骤2得到的图像输入卷积神经网络即可得到重建图像。
进一步的,所述步骤1中卷积后彩色图像如下表示:
I(x,y,λ)=Iin(x0,y0,λ)*PSFp(x,y,λ)
其中,I(x,y,λ)为传感器平面的中间图像,Iin(x0,y0,λ)为输入图像,PSFp(x,y,λ)为PL 的点扩散函数;*表示线性卷积运算,(x0,y0)表示点源,λ为波长。
进一步的,所述步骤2中成像结果由下式表示:
Iout(s,t,λ)=Iin(x0,y0,λ)*PSFp(x,y,λ)*PSFd(s,t,λ).
式中:Iout(s,t,λ)为成像结果,PSFd(s,t,λ)为数字透镜DL的点扩散函数,s,t为虚拟透镜像平面坐标。
进一步的,所述成像结果可以采用下式表示:
Iout(s,t,λ)=Iin(x0,y0,λ)*PSFhbr(x,y,s,t,λ)
式中:PSFhbr(x,y,s,t,λ)为物理透镜和数字透镜形成的成像系统的点扩散函数;
采用下式对PSFhbr进行优化:
式中:θp为物理透镜的参数,θd为光学透镜的参数,m,n为通道序号;SSIM(x,y) 表示测量向量x和y之间的局部结构相似性,1-SSIM(x,y)表示SSIM(x,y)的损失。
进一步的,采用随机梯度下降的方法优化DL的参数,其中梯度下降型解算器迭代如下:
进一步的,所述卷积神经网络首先进行训练,训练所使用的损失函数如下:
式中:LMSE、Lper、Lreg分别为MSE、感知损失和正则化损失,α为常数比例因子,||·||2为向量的欧几里得范数,P(·)表示到具有N层感知特征空间的变换,Irec为Irec为重建图像,Itarget为,γ为感知损失分量的相对权重,μ为权重衰减系数,ω为卷积神经网络的可优化权重系数,N为层数,j为隐层权重索引,n为网络层数。
本发明的有益效果是:
(1)本发明光学系统设计简单、成本低、易集成,端到端联动优化方法使得算法与光学硬件深度耦合;
(2)本发明重建图像与输入图像相比,峰值信噪比的量化提升高达14.2dB,能够实现高精度的消色差成像,同时所提框架的灵活性为高质量大景深、大视场成像提供了可能;
(3)本发明基于并行设计和深度学习算法,保证了成像速度快、效率高。
附图说明
图1为本发明成像系统示意图。
图2为本发明中点源在混合成像模型中的传播过程示意图。
图3为本发明在Zemax模拟的成像过程;A为Zemax中仿真的PSF强度分布示意图,a为PSFp,b为PSFd,c为PSFhbr,B为单通道对应横截线,即沿A中虚线方向截取的PSF一维强度分布。
图4为采用本发明成像系统中各过程中附图成像结果示意图。
图5为采用本发明成像系统对大景深场景的成像效果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种基于深度计算光学元件的端到端高质量消色差成像系统,从图像输入端到输出端依次包括物理透镜PL、传感器和数字透镜DL;输入图像首先与物理透镜卷积生成色差图像;该色差图像由相机采集后作为数字透镜的输入图像与DL卷积生成输出图像;输出图像经过神经网络生成重建图像。神经网络为AANet网络。
本发明提出一种基于物理透镜PL和数字透镜DL的混合成像系统,输入图像首先与PSFp卷积生成彩色图像;然后捕获的彩色图像与PSFd卷积,以生成成像结果。PSFp为PL的点扩散函数PSF,PSFd为DL的点扩散函数PSF。成像结果经过神经网络后生成最终的重建图像。
PL和DL联合设计,以产生全面均匀的点扩散函数分布,即设计的成像系统拥有光谱平移不变的PSF,从而将复杂的色差补偿为更易于处理的单色模糊(色差图经过DL后色差被消除,只剩下其他类型的单色像差,而深度学习网对单色像差的处理能力更强,可以得到更好的重建结果)。生成的无色差均匀模糊特征更适用于后续图像恢复网络学习,因此非常适合学习图像重建。所提出的成像系统构建在具有联合优化的通用端到端框架上,结合深度学习技术建立一个完全可微的框架,以确保光学参数和图像恢复算法可以联合学习,并进行反向梯度传播。在联动优化的帮助下,生成的光学系统能够很好的适应图像恢复算法,减轻对复杂算法设计的严重依赖。物理透镜是实际系统中唯一需要的光学元件,降低了制造成本和光学复杂性。
一种基于深度计算光学元件的端到端高质量消色差成像系统的成像方法,包括以下步骤:
步骤1:输入场景图像与物理透镜PL的点扩散函数PSFp卷积生成彩色图像;
步骤2:彩色图像与数字透镜DL的点扩散函数PSFd卷积生成最终成像结果;
步骤3:将步骤2得到的图像输入卷积神经网络即可得到重建图像。
PSFp和PSFd在对应的波长维度上是互补的,输入场景先与PSFp卷积再与PSFd卷积就能生成在波长维度上模糊特征相同的图片。由于不同波长对应不同颜色,波长维上模糊特征相同意味着色差得以消除。
其中U0(xp,yp,z,λ)=exp[ik(xp 2+yp 2+z2)1/2],k=2π/λ是波数,λ是波长。(xp,yp)是PL平面上的空间坐标,z是PL的物距,A(xp,yp)是一个circ函数,离散值为零,表示 PL的孔径函数。在到达传感器之前,输出场Up(xp,yp,λ)在自由空间中传播距离L。
根据标量衍射理论,传感器平面上测得的复波分布可通过下式计算:
其中,(x,y)是传感器平面上的空间坐标。PL的PSF表示为:
上式考虑了单电源的图像形成,可以扩展该模型以考虑整个自然场景,即来自不同场景点的强度PSF在传感器上的非相干叠加,生成传感器平面的中间图像I(x,y,λ)。
假设近轴近似是有效的,该图像形成过程是输入图像Iin(x0,y0,λ)和PSFp(x,y,λ)之间的平移不变卷积。因此可以得到下式:
I(x,y,λ)=Iin(x0,y0,λ)*PSFp(x,y,λ) (4)
式中:(x0,y0)是物体平面上的空间坐标,“*”表示线性卷积运算。传感器捕获是输入信号在不同波长上乘以量子效率的积分,但为了更好地进行色差分析,利用Zemax中常用的离散分析方法,将传感器捕获的图像近似建模并分析为相应波长上的I(x,y,λ)离散采样,包括640 nm(R)、550nm(G)和460nm(B),这传感器的中心响应波长一致。这种合理的简化极大的促进了后续的光学设计并简化了计算复杂度,同时确保了实验精度。
将中间图像I(x,y,λ)与PSFd进行卷积,以产生混合成像系统的最终成像结果。DL的PSF 即PSFd(x,y,λ)可表示为:
其中A(xd,yd)是DL的孔径函数,表示DL引入的附加相位。DL在实验上被建模为具有大设计空间的典型衍射光学元件DOE,此时整个光路可以被视为折射-衍射光学系统。因此,相位图可以进一步表示为eik[n(λ)-1]h(xd,yd),其中n(λ)是衬底的折射率,h(xd,yd)是DL 的高度图。最后,混合系统Iout(s,t,λ)的输出图像由下式给出:
Iout(s,t,λ)=I(x,y,λ)*PSFd(s,t,λ)(λ=640,550,460nm) (6)
将式(4)代入(6)式得到:
Iout(s,t,λ)=Iin(x0,y0,λ)*PSFp(x,y,λ)*PSFd(s,t,λ) (7)
根据线性卷积的结合率,式(7)可以改写为:
Iout(s,t,λ)=Iin(x0,y0,λ)*PSFhbr(x,y,s,t,λ) (8)
此时,PSFhbr=(PSFp*PSFd)可被视为整个混合成像系统的PSF,由PL和DL的成像特性确定。
由上式(8)可以看出,输出图等于输入图与PSFhbr的卷积,只需保证PSFhbr是波长不变的(即在波长维度上拥有相同强度分布,一个波长对应一个图像通道,例如RGB图中有R,G,B三个通道),就能实现对色差的消除,只留下单色像差。
从式(8)可以看出,通过采用PSFp和PSFd的适当组合,可以获得具有低光谱对比度的定制PSFhbr。为此,可以将PL和DL联合设计为彼此合并,并跨不同颜色通道生成波长不变的PSFhbr。该优化问题可以表示为下式:
式中:θp为物理透镜的参数,θd为光学透镜的参数,包括它们的相位图和传播距离{z, z′,L,L′},m,n为通道序号;SSIM(x,y)表示测量向量x和y之间的局部结构相似性, 1-SSIM(x,y)表示SSIM(x,y)的损失。PSFm hbr是PSFhbr在第m个通道(对应第m个波长)的PSF分布,由θp和θd确定。SSIM(x,y)定义为:
式中:C1、C2为常数,实验设定为1×10-3和1×10-4。μx为x的平均值。变量σx 2和σxy分别为x的方差和x与y的协方差。其余参数μy和σy 2表示相应的含义。式(9)可获得不同波长通道之间差异最小的PSFhbr。由于θp为固定的,只有θd即DL的参数可以优化。
采用随机梯度下降SGD算法解决式(9)中的最优问题。通过调整模型参数θd来最小化损失。当autodiff跟踪梯度时,梯度下降型解算器将迭代如下:
基于上式(9)和(11),采用下述步骤构建具有波长不变PSF的混合系统。首先,我们在Zemax中模拟了PL的成像过程,并使用选择的光学参数分析了其PSF。相应的PSFp如图 3a所示。通过实验将全光谱离散为三个波长(640nm、550nm、460nm)即三通道。用于 RGB成像,这需要与不同颜色通道中传感器的峰值响应波长一致。其次,使用SGD算法将获得的PSFp代入式(9),以计算所需的PSFd。
PSFd的优化结果以及最终生成的PSFhbr如图3b和图3c所示。对于PSFp、PSFd和PSFhbr,不同颜色通道中的PSFs分布如下图所示。对于每个通道,沿着图3a~c中绘制的虚线方向提取一条横线,以更好的展示散斑分布。图3.B中给出了相应的曲线,为归一化PSF曲线。
从图3中,可以看出优化的PSFd提供了与PSFp共轭的理想互补光斑尺寸,因此生成的 PSFhbr在所有通道上显示出明显均匀的强度分布,这与理论假设一致,并证明了所提损失函数和优化算法的有效性。即在红、绿、蓝三个波长通道里,PSFp的强度分布是小、中、大,而PSFd是大、中、小。二者互补,使得最终形成的PSFhbr在三通道的强度分布几乎一致,最后叠加效果就是全白色。
根据上述过程得到DL的初始化参数,将参数带入图1结构中,结合深度学习网络进入训练环节。训练时,网络的参数和DL的参数可实现联动优化,保证最终优化的DL参数与网络参数的深度耦合,达到相对最优的重建效果。训练所使用的损失函数如下:
式中:LMSE、Lper、Lreg分别为MSE、感知损失和正则化损失,α为常数比例因子,||·||2为向量的欧几里得L2范数,P(·)表示到具有N层感知特征空间的变换,Irec为重建图像,Itarget为真值图像,γ为感知损失分量的相对权重,μ为权重衰减系数,ω为卷积神经网络的可优化权重系数,N为层数,j为隐层权重索引,n为网络层数。
在下述实施例中,我们使用预先训练的VGG-19作为P,而层数N设置为6。γ为感知损失分量的相对权重,此外,在损失函数中包含L2正则化损失,以减少模型容量并防止过度拟合,ω为AANet的可优化权重系数,μ为权重衰减系数。
图4为采用本发明成像系统的结果示意图。从图中前两列可以看出,尽管系统测量具有更模糊的特征,但原始图像中存在的几乎色差已得到消除。与输入的色差图像相比,重建结果显示PSNR和SSIM分别提高了14.62dB和0.4751(如表1所示)。PL引入的色差被全面消除,重建的图像质量与真值相当,保留了精细细节和颜色保真度。这是由于初始化的光学参数与网络模型深度耦合,促使更快、更好的模型收敛效果。
表1.重建图像质量分析
图5为在大深度范围内评估模型性能的实验结果,从左到右分别为输入色差图像、混合系统测量、恢复图像和真值图像。图内数字表示PSNR(dB)和SSIM。
在实际使用中,我们采用一块非球面镜作为PL,该透镜为单透镜,成本低、轻薄、体积小、易集成。以此透镜+相机作为实际成像系统,拍摄实际场景获得对应色差图,再输入后续 DL和预训练深度学习网络即可获得高质量重建图像。利用单透镜,单次曝光拍摄,实现高质量消色差成像。本发明中光学系统设计简单、成本低、易集成,端到端联动优化使得算法和光学硬件深度耦合,重建图像与输入图像相比,峰值信噪比PSNR的量化提升高达14.2dB。能够实现高精度的消色差成像,同时所提成像系统的灵活性为高质量大景深、大视场成像提供了可能。基于并行设计和深度学习算法,保证了成像速度快,效率高。
Claims (8)
1.一种基于深度计算光学元件的端到端高质量消色差成像系统,其特征在于,从图像输入端到输出端依次包括物理透镜PL、传感器和数字透镜DL;输入图像首先与物理透镜卷积生成色差图像;该色差图像由相机采集后作为数字透镜的输入图像与DL卷积生成输出图像;输出图像经过神经网络生成重建图像。
2.根据权利要求1所述的一种基于深度计算光学元件的端到端高质量消色差成像系统,其特征在于,所述神经网络为AANet网络。
3.如权利要求1~2所述任一种基于深度计算光学元件的端到端高质量消色差成像系统的成像方法,其特征在于,包括以下步骤:
步骤1:输入场景图像与物理透镜PL的点扩散函数PSFp卷积生成彩色图像;
步骤2:彩色图像与数字透镜DL的点扩散函数PSFd卷积生成最终成像结果;
步骤3:将步骤2得到的图像输入卷积神经网络即可得到重建图像。
4.根据权利要求3所述的一种基于深度计算光学元件的端到端高质量消色差成像系统的成像方法,其特征在于,所述步骤1中卷积后彩色图像如下表示:
I(x,y,λ)=Iin(x0,y0,λ)*PSFp(x,y,λ)
其中,I(x,y,λ)为传感器平面的中间图像,Iin(x0,y0,λ)为输入图像,PSFp(x,y,λ)为PL的点扩散函数;*表示线性卷积运算,(x0,y0)表示点源,λ为波长。
5.根据权利要求4所述的一种基于深度计算光学元件的端到端高质量消色差成像系统的成像方法,其特征在于,所述步骤2中成像结果由下式表示:
Iout(s,t,λ)=Iin(x0,y0,λ)*PSFp(x,y,λ)*PSFd(s,t,λ).
式中:Iout(s,t,λ)为成像结果,PSFd(s,t,λ)为数字透镜DL的点扩散函数,s,t为虚拟透镜像平面坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034822.2A CN115499566B (zh) | 2022-08-26 | 2022-08-26 | 基于深度计算光学元件的端到端高质量消色差成像系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034822.2A CN115499566B (zh) | 2022-08-26 | 2022-08-26 | 基于深度计算光学元件的端到端高质量消色差成像系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115499566A true CN115499566A (zh) | 2022-12-20 |
CN115499566B CN115499566B (zh) | 2023-09-15 |
Family
ID=84465763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211034822.2A Active CN115499566B (zh) | 2022-08-26 | 2022-08-26 | 基于深度计算光学元件的端到端高质量消色差成像系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115499566B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117707204A (zh) * | 2024-01-30 | 2024-03-15 | 清华大学 | 基于光电端到端网络的无人机高速避障系统及方法 |
CN117806036A (zh) * | 2024-03-01 | 2024-04-02 | 中国科学院光电技术研究所 | 一种基于压缩感知的单片衍射透镜系统消色差方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2181647A2 (en) * | 2008-10-28 | 2010-05-05 | Heidelberg Engineering GmbH | Laser control with phase plate feedback |
CN107833186A (zh) * | 2017-10-26 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于Encoder‑Decoder深度学习模型的单透镜空间变化图像复原方法 |
US20180158175A1 (en) * | 2016-12-01 | 2018-06-07 | Almalence Inc. | Digital correction of optical system aberrations |
CN109239914A (zh) * | 2018-09-12 | 2019-01-18 | 南京大学 | 一种实现高空间带宽积的成像方法 |
CN111507049A (zh) * | 2020-06-01 | 2020-08-07 | 中国计量大学 | 一种镜头像差仿真及优化方法 |
CN112116539A (zh) * | 2020-09-08 | 2020-12-22 | 浙江大学 | 一种基于深度学习的光学像差模糊去除方法 |
CN112561831A (zh) * | 2020-12-24 | 2021-03-26 | 中国计量大学 | 一种基于神经网络的畸变校正方法 |
CN113219650A (zh) * | 2021-03-25 | 2021-08-06 | 北京空间机电研究所 | 一种高分辨率大视场空间光学遥感器的设计方法 |
EP3876037A1 (en) * | 2020-03-06 | 2021-09-08 | ASML Netherlands B.V. | Metrology method and device for measuring a periodic structure on a substrate |
CN114859550A (zh) * | 2022-05-13 | 2022-08-05 | 哈尔滨工业大学 | 一种针对菲涅尔单透镜计算成像系统的端到端设计方法 |
CN114897752A (zh) * | 2022-05-09 | 2022-08-12 | 四川大学 | 一种基于深度学习的单透镜大景深计算成像系统及方法 |
-
2022
- 2022-08-26 CN CN202211034822.2A patent/CN115499566B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2181647A2 (en) * | 2008-10-28 | 2010-05-05 | Heidelberg Engineering GmbH | Laser control with phase plate feedback |
US20180158175A1 (en) * | 2016-12-01 | 2018-06-07 | Almalence Inc. | Digital correction of optical system aberrations |
CN107833186A (zh) * | 2017-10-26 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于Encoder‑Decoder深度学习模型的单透镜空间变化图像复原方法 |
CN109239914A (zh) * | 2018-09-12 | 2019-01-18 | 南京大学 | 一种实现高空间带宽积的成像方法 |
EP3876037A1 (en) * | 2020-03-06 | 2021-09-08 | ASML Netherlands B.V. | Metrology method and device for measuring a periodic structure on a substrate |
CN111507049A (zh) * | 2020-06-01 | 2020-08-07 | 中国计量大学 | 一种镜头像差仿真及优化方法 |
CN112116539A (zh) * | 2020-09-08 | 2020-12-22 | 浙江大学 | 一种基于深度学习的光学像差模糊去除方法 |
CN112561831A (zh) * | 2020-12-24 | 2021-03-26 | 中国计量大学 | 一种基于神经网络的畸变校正方法 |
CN113219650A (zh) * | 2021-03-25 | 2021-08-06 | 北京空间机电研究所 | 一种高分辨率大视场空间光学遥感器的设计方法 |
CN114897752A (zh) * | 2022-05-09 | 2022-08-12 | 四川大学 | 一种基于深度学习的单透镜大景深计算成像系统及方法 |
CN114859550A (zh) * | 2022-05-13 | 2022-08-05 | 哈尔滨工业大学 | 一种针对菲涅尔单透镜计算成像系统的端到端设计方法 |
Non-Patent Citations (1)
Title |
---|
汪宗洋;王建立;王斌;吴元昊;: "基于相位差异的图像复原方法", 光电工程, no. 12 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117707204A (zh) * | 2024-01-30 | 2024-03-15 | 清华大学 | 基于光电端到端网络的无人机高速避障系统及方法 |
CN117806036A (zh) * | 2024-03-01 | 2024-04-02 | 中国科学院光电技术研究所 | 一种基于压缩感知的单片衍射透镜系统消色差方法 |
CN117806036B (zh) * | 2024-03-01 | 2024-05-17 | 中国科学院光电技术研究所 | 一种基于压缩感知的单片衍射透镜系统消色差方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115499566B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Underwater scene prior inspired deep underwater image and video enhancement | |
Ikoma et al. | Depth from defocus with learned optics for imaging and occlusion-aware depth estimation | |
US20220301114A1 (en) | Noise Reconstruction For Image Denoising | |
CN110501072B (zh) | 一种基于张量低秩约束的快照式光谱成像系统的重构方法 | |
Hu et al. | Convolutional sparse coding for RGB+ NIR imaging | |
CN109883548B (zh) | 基于优化启发的神经网络的光谱成像系统的编码优化方法 | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
CN109697697B (zh) | 基于优化启发的神经网络的光谱成像系统的重构方法 | |
CN112116539B (zh) | 一种基于深度学习的光学像差模糊去除方法 | |
CN114757831B (zh) | 基于智能空谱融合的高分辨率视频高光谱成像方法、装置及介质 | |
CN111986084A (zh) | 一种基于多任务融合的多相机低光照图像质量增强方法 | |
CN110009573B (zh) | 模型训练、图像处理方法、装置、电子设备及存储介质 | |
CN109886898B (zh) | 基于优化启发的神经网络的光谱成像系统的成像方法 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
CN114972803B (zh) | 一种基于联合优化的快照式光谱成像方法和系统 | |
CN114998141B (zh) | 基于多分支网络的空间环境高动态范围成像方法 | |
CN111652815B (zh) | 一种基于深度学习的掩膜板相机图像复原方法 | |
CN115499566B (zh) | 基于深度计算光学元件的端到端高质量消色差成像系统 | |
CN110717947A (zh) | 一种基于外部和内部训练的高质量光谱重构方法 | |
CN114353946B (zh) | 一种衍射快照光谱成像方法 | |
CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
CN113935917A (zh) | 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法 | |
Kumar et al. | Underwater image enhancement using deep learning | |
CN112989593B (zh) | 基于双相机的高光谱低秩张量融合计算成像方法 | |
CN115526792A (zh) | 一种基于点扩散函数先验的编码成像重建方法 |
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 |