CN115731125A - 一种基于大数据技术的射电干涉阵列主波束效应消除方法 - Google Patents
一种基于大数据技术的射电干涉阵列主波束效应消除方法 Download PDFInfo
- Publication number
- CN115731125A CN115731125A CN202211414912.4A CN202211414912A CN115731125A CN 115731125 A CN115731125 A CN 115731125A CN 202211414912 A CN202211414912 A CN 202211414912A CN 115731125 A CN115731125 A CN 115731125A
- Authority
- CN
- China
- Prior art keywords
- main beam
- image
- eliminating
- data
- effect
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008447 perception Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241001093575 Alma Species 0.000 description 1
- 208000004350 Strabismus Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于大数据技术的射电干涉阵列主波束效应消除方法，涉及射电天文主波束效应消除技术领域，其技术方案要点是：基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML‑GAN，以流形近似的自动变换(AUTOMAP)作为生成器，将原始可见度数据映射到目标图像域，从带有误差增益的可见度数据重建图像，消除主波束效应；具体步骤包括模拟观测与数据集生成、模型训练、将生成的图像与对应的真实图像形成数据对输入判别器网络及主波束效应消除。本发明的基于大数据技术的射电干涉阵列主波束效应消除方法具有应用范围更广，实时、高效，性能好的有益效果。
Description
技术领域
本发明涉及射电天文主波束效应消除技术领域，更具体地说，它涉及一种基于大数据技术的射电干涉阵列主波束效应消除方法。
背景技术
干涉阵列的每个天线都有一个有限的视场，天线的孔径-光照函数(AIF)产生一个方向相关的复增益，并且每个天线通常是不同的，得到的天线功率图称为主波束(primarybeam,PB)。干涉阵列的主波束效应体现为天线功率模式随时间、频率和基线而变化，是一种方向相关效应(DD效应或DDE)。由于对于每个真实源是不同的，因此必须在成像过程中进行校正以消除增益影响。射电干涉测量方程(RIME)定义了任意特定DDE参数的解决方案。一旦波束得到精确表示，就可以将其转化为参数化模型(Jones)矩阵的已知结构，可在校准过程中求解。另一种思路是，将DD效应作为成像/反卷积过程的一部分，而需要开发约束良好的参数化模型来描述DD效应以及求解参数化DD项的有效算法。这些方法使得DDE问题相当具有挑战性，修正的可能程度取决于PB模型的准确性。
现有的修正主波束效应的算法是基于射电干涉测量方程进行求解的，大致可分为两类，即在像面修正(pbcor算法)和在傅里叶平面修正(A-Projection算法)：
(1)图像域主波束修正pbcor算法是修正主波束效应的一种简单方法，通过估计平均主波束或其他模型对模型图像进行反卷积后的图像域分割，可以在反卷积期间对主波束进行校正。算法假定主波束相同且不变，反卷积后划分出一个平均的主波束模型。这种方法忽略了主波束在基线和时间上的变化，因此是近似的，甚至在波束的主瓣内限制了成像动态范围。而且这种方法也不能处理异构数组。
然而主波束在观测中是不同的，对于alt-az安装天线(如VLA)，PB随时间旋转。对于ALMA，阵列内不同天线的PB值不同。在LWA阵列中，PB形状随天空方向变化。光波束斜视和指向偏移是主要误差的原因，对于孔径阵列，形状不可忽视。
(2)A-Projection算法的优点是在网格化和去网格过程已知的时间和基线可变性都可以被解释。
然而，在网格化过程中，通过计算两个天线孔径照明函数复共轭的卷积，对每个基线进行时间和基线相关的修正，需要额外的图像域归一化步骤，这可能导致图像是平坦天空(图像只表示天空强度)或平坦噪声(图像表示为天空乘以主波束)。
发明内容
本发明的目的是为了解决上述问题，提供一种基于大数据技术的射电干涉阵列主波束效应消除方法，结合条件生成对抗网络的基本思想，针对射电干涉阵列的成像原理，提出基于流形变换学习的条件生成对抗网络模型，用于干涉阵列的图像重建过程中消除主波束效应的技术方案。将原始图像数据作为条件生成对抗网络的条件项，再将包含观测效应的可见度数据作为模型训练的输入。模型将是完全数据驱动的而不是基于先验模型的，直接从数据中学习包含观测效应的可见度测量数据到天空图像的映射关系，不需要PB模型先验。
1.本发明的上述技术目的是通过以下技术方案得以实现的：一种基于大数据技术的射电干涉阵列主波束效应消除方法，基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML-GAN，以流形近似的自动变换(AUTOMAP)作为生成器，将原始可见度数据映射到目标图像域，从带有误差增益的可见度数据重建图像，消除主波束效应；具体包括以下步骤：
S1：模拟观测与数据集生成：利用RASCIL等软件进行模拟观测，获得原始图像与可见度数据对，形成数据集；
S2：模型训练：用损失函数评估模型，根据输入的数据所产生的预测值和原始数据的真实值之间的差距，将条件生成对抗网络损失加入重建过程，生成对抗网络的训练优化目标函数，如下式所示：
式中xi为生成器的输入数据，是频率域上的可见度，它采样于原始天空图像xr并受望远镜主波束效应的影响，θG与θD为生成器与判别器的相关参数，G(xi)为生成器在对抗学习过程中产生的结果，V(D,G)表示生成图像与真实模型图像的差值。
表示当生成器G固定时，判别器D的参数被V(D,G)更新。
表示在鉴别器D最大化V(D,G)的条件下，发生器G使V(D,G)最小化；
S3：将生成的图像与对应的真实图像形成数据对输入判别器网络，真实图像经过判别器的输出标记为1，生成的图像标记为0；结合判别网络和自定义的损失函数调节，自动训练生成网络参数模型，保证图像生成效果；
S4：主波束效应消除：利用训练好的网络模型消除主波束效应。
本发明进一步设置为：所述生成器的网络结构为：前两层是密集的双曲切线激活，并通过隐藏的n2+1层映射平坦的输入数据；数据被重构为一个n×n矩阵，然后数据通过两个卷积层，包含64个滤波器，卷积核核大小为5×5和修正的线性激活函数，然后用1个滤波器和7×7卷积核进行转置卷积，产生最终的n×n图像。
本发明进一步设置为：步骤S2中，仅将含观测效应的可见度数据作为生成器的条件信息。
本发明进一步设置为：所述判别器的网络结构由6个卷积层和1个全连接层构成，通过判别器分类区分生成器生成的重建结果和真实图像。
本发明进一步设置为：所述损失函数包含四个部分：像素图像域均方误差损失LiMSE、频域均方误差损失LfMSE、感知VGG损失和生成对抗损失。下面分别进行详细介绍；
均方误差损失的计算如下式所示：
其中yr和
是xr和G(xi)对应的频域数据；
感知损失的计算式如下式所示：
Φ(·)表示图像的特征，具体来说是预先训练的VGG-16模型。这里提取VGG-16网络的前四层特征图，得到Φ(xr)和Φ(G(xi))；
再联合生成器的对抗损失：
最终的损失函数为：
LTOTAL＝αLiMSE+βLfMSE+γLVGG+LGAN。
通过在生成器的训练过程中，使用多维度损失函数，有利于算法捕捉多维度的图像信息差异，获得更好的性能，提高算法的重建质量。
射电干涉阵列可以成像大量致密辐射结构(点源)和弥散辐射结构(延展源)，使得成像区域内的信号特征是非常丰富的，具有复杂的结构和高频信息，通过引入感知损失，可以更好地重建细节，克服由于像素图像域均方误差损失计算可能会导致最终的重建结果存在感知尖锐和图像细节缺失的问题。
当生成器基于LTOTAL完成训练，就可以输入一个受主波束等方向相关效应和UV空间稀疏采样的初始数据(带有伪影、不清晰和主波束效应的)，而后快速重建出一个清晰的高精度的图像结果。在本算法中，对抗损失用于约束对抗过程中的图像生成情况；像素损失用于约束数据的不同域之间的相互转换，使用标均方误差(NMSE)作为计算方法。考虑到生成网络的输入为频率域数据，因此将频域数据的标准化均方误差(LfMSE)作为补充的优化目标添加到损失函数中，同时考虑到感知相似度的问题，将VGG损失LVGG计算在内，以加强对生成图像质量的约束。感知损失可以从高层语义角度约束图像生成的感知细节，使重建后图像无差别接近于模型图像。
综上所述，本发明具有以下有益效果：
1、本发明的基于大数据技术的射电干涉阵列主波束效应消除方法应用范围更广。基于射电干涉观测中存在的数据处理问题分析主波束效应效应对成像的影响，使用流形近似的自动变换作为生成器网络从大量数据中学习可见度数据到图像的映射关系，模型是数据驱动的，不涉及物理模型，使得算法能够应用于各种干涉阵列，提供了一个通用的从包含观测效应的可见度数据中恢复真实图像数据的框架。
2、本发明的基于大数据技术的射电干涉阵列主波束效应消除方法实时、高效。模型的生成网络将射电望远镜测量到的原始可见度数据信号映射到目标图像域，生成图像数据后再由判别器判断真假，可以实现实时、高效的径向数据重建。
3、本发明的基于大数据技术的射电干涉阵列主波束效应消除方法性能好。在判别网络中加入原始图像作为条件输入，让其有效的区分原始真实图像和生成图像，提高判别精度。采用多维度的损失函数设计，有利于深度学习算法捕捉多维度的信息差异，从而获得更好的性能，此外结合射电干涉成像原理加入频率域的损失，使最终效果更接近于真实天空模型，生成高质量的图像。
附图说明
图1是本发明实施例中基于大数据技术的射电干涉阵列主波束效应消除方法的生成器网络结构图；
图2是本发明实施例中基于大数据技术的射电干涉阵列主波束效应消除方法的判别器网络结构图；
图3是本发明实施例中基于大数据技术的射电干涉阵列主波束效应消除方法的ML-GAN网络模型(协同流形变换和多维度损失函数的条件生成对抗网络；
图4是本发明实施例中基于大数据技术的射电干涉阵列主波束效应消除方法的PatchGAN架构的判别器网络结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明的实施例及附图，对本发明的技术方案进行进一步详细地描述。显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
实施例一：
如图1至图3所示，一种基于大数据技术的射电干涉阵列主波束效应消除方法，基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML-GAN，以流形近似的自动变换(AUTOMAP)作为生成器，将原始可见度数据映射到目标图像域，从带有误差增益的可见度数据重建图像，消除主波束效应；生成器的网络结构为：前两层是密集的双曲切线激活，并通过隐藏的n2+1层映射平坦的输入数据；数据被重构为一个n×n矩阵，然后数据通过两个卷积层，包含64个滤波器，卷积核核大小为5×5和修正的线性激活函数，然后用1个滤波器和7×7卷积核进行转置卷积，产生最终的n×n图像；
具体包括以下步骤：
S1：模拟观测与数据集生成：利用RASCIL等软件进行模拟观测，获得原始图像与可见度数据对，形成数据集；
S2：模型训练：用损失函数评估模型，根据输入的数据所产生的预测值和原始数据的真实值之间的差距，将条件生成对抗网络损失加入重建过程，生成对抗网络的训练优化目标函数，如下式所示：
式中xi为生成器的输入数据，是频率域上的可见度，它采样于原始天空图像xr并受望远镜主波束效应的影响，θG与θD为生成器与判别器的相关参数，G(xi)为生成器在对抗学习过程中产生的结果，V(D,G)表示生成图像与真实模型图像的差值。
表示当生成器G固定时，判别器D的参数被V(D,G)更新。
表示在鉴别器D最大化V(D,G)的条件下，发生器G使V(D,G)最小化；
为了提高算法的重建质量，在生成器的训练过程中，使用多维度损失函数，从而有利于算法捕捉多维度的图像信息差异，获得更好的性能。损失函数包含四个部分：像素图像域均方误差损失LiMSE、频域均方误差损失LfMSE、感知VGG损失和生成对抗损失。下面分别进行详细介绍；
考虑到生成网络的输入为频率域数据，因此将频域数据的标准化均方误差(LfMSE)作为补充的优化目标添加到损失函数中，均方误差损失(LfMSE)的计算如下式所示：
其中yr和
是xr和G(xi)对应的频域数据；
为了更好地重建细节，克服由于像素图像域均方误差损失计算可能会导致最终的重建结果存在感知尖锐和图像细节缺失的问题，我们引入了感知损失；考虑到感知相似度的问题，将VGG损失LVGG计算在内，以加强对生成图像质量的约束，感知损失的计算式如下式所示：
Φ(·)表示图像的特征，具体来说是预先训练的VGG-16模型。这里提取VGG-16网络的前四层特征图，得到Φ(xr)和Φ(G(xi))；
再联合生成器的对抗损失：
最终的损失函数为：
LTOTAL＝αLiMSE+βLfMSE+γLVGG+LGAN
此步骤中，仅将含观测效应的可见度数据作为生成器的条件信息；
S3：将生成的图像与对应的真实图像形成数据对输入判别器网络，真实图像经过判别器的输出标记为1，生成的图像标记为0；结合判别网络和自定义的损失函数调节，自动训练生成网络参数模型，保证图像生成效果；判别器的网络结构由6个卷积层和1个全连接层构成；S4：主波束效应消除：利用训练好的网络模型消除主波束效应。
实施例二：
如图4所示：一种基于大数据技术的射电干涉阵列主波束效应消除方法，在判别器网络中使用分块判别的方案，将判别器换成全卷积网络，即使用PatchGAN架构。与普通GAN判别器不同的是，PatchGAN将输入映射为N×N的patch，假设为矩阵X，那么Xij的值代表每个patch为真的概率，将Xij求均值，即为判别器的最终输出。而普通GAN判别器是将输入映射成一个实数，即输入样本为真的概率；
模型是6层的卷积网络：5个尺寸为4×4的卷积用于提取特征，除第一层和最后一层外，其余层的基本组成都是卷积、Instance Normalization和Leaky ReLu；第一层包括卷积和Leaky ReLu，没有使用Instance Normalization；最后一层仅包含卷积运算，不包Instance Normalization和激活函数；通常来说，在判别器中最后一层会使用sigmoid激活函数以产生最终输出；然而，为了保持GAN网络训练过程的稳定性，参考WGAN[19]的训练思想，取消最后输出层中的sigmoid激活；
由于PatchGAN的感受域对应于输入的一小块区域，即Xij对应输入图像的一小块的判别输出，这样的训练使模型更能关注图像细节。
工作原理：生成器网络的输入是未校准的可见度数据xi，生成的图像是G(xi)；判别器D的输入是真实图像xr和生成图像G(xi)；优化G时，输入是xi，然后经过生成器G训练产生出能够迷惑判别模型的图像G(xi)，使G(xi)图像尽可能的骗过判别模型判别为“真”；在优化D时，判别模型D在xr条件下接受输入并辨别该输入是取自真实图像还是由生成器“伪造”的；当输入来自真实图像xr时，判别模型D的目标是判断它为“真”，当输入图像来自生成器G时，判别模型D的目标是判别它为“假。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (5)
1.一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML-GAN，以流形近似的自动变换(AUTOMAP)作为生成器，将原始可见度数据映射到目标图像域，从带有误差增益的可见度数据重建图像，消除主波束效应；具体包括以下步骤：
S1：模拟观测与数据集生成：利用RASCIL等软件进行模拟观测，获得原始图像与可见度数据对，形成数据集；
S2：模型训练：用损失函数评估模型，根据输入的数据所产生的预测值和原始数据的真实值之间的差距，将条件生成对抗网络损失加入重建过程，生成对抗网络的训练优化目标函数，如下式所示：
式中xi为生成器的输入数据，是频率域上的可见度，它采样于原始天空图像xr并受望远镜主波束效应的影响，θG与θD为生成器与判别器的相关参数，G(xi)为生成器在对抗学习过程中产生的结果，V(D,G)表示生成图像与真实模型图像的差值。
表示当生成器G固定时，判别器D的参数被V(D,G)更新。
表示在鉴别器D最大化V(D,G)的条件下，发生器G使V(D,G)最小化；
S3：将生成的图像与对应的真实图像形成数据对输入判别器网络，真实图像经过判别器的输出标记为1，生成的图像标记为0；结合判别网络和自定义的损失函数调节，自动训练生成网络参数模型，保证图像生成效果；
S4：主波束效应消除：利用训练好的网络模型消除主波束效应。
2.根据权利要求1所述的一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：所述生成器的网络结构为：前两层是密集的双曲切线激活，并通过隐藏的n2+1层映射平坦的输入数据；数据被重构为一个n×n矩阵，然后数据通过两个卷积层，包含64个滤波器，卷积核核大小为5×5和修正的线性激活函数，然后用1个滤波器和7×7卷积核进行转置卷积，产生最终的n×n图像。
3.根据权利要求1所述的一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：步骤S2中，仅将含观测效应的可见度数据作为生成器的条件信息。
4.根据权利要求1所述的一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：所述判别器的网络结构由6个卷积层和1个全连接层构成。
5.根据权利要求1所述的一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：所述损失函数包含四个部分：像素图像域均方误差损失LiMSE、频域均方误差损失LfMSE、感知VGG损失和生成对抗损失；
均方误差损失的计算如下式所示：
其中yr和
是xr和G(xi)对应的频域数据；
感知损失的计算式如下式所示：
Φ(·)表示图像的特征，具体来说是预先训练的VGG-16模型。这里提取VGG-16网络的前四层特征图，得到Φ(xr)和Φ(G(xi))；
再联合生成器的对抗损失：
最终的损失函数为：
LTOTAL＝αLiMSE+βLfMSE+γLVGG+LGAN。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211414912.4A CN115731125A (zh) | 2022-11-11 | 2022-11-11 | 一种基于大数据技术的射电干涉阵列主波束效应消除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211414912.4A CN115731125A (zh) | 2022-11-11 | 2022-11-11 | 一种基于大数据技术的射电干涉阵列主波束效应消除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115731125A true CN115731125A (zh) | 2023-03-03 |
Family
ID=85295395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211414912.4A Pending CN115731125A (zh) | 2022-11-11 | 2022-11-11 | 一种基于大数据技术的射电干涉阵列主波束效应消除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115731125A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118297836A (zh) * | 2024-04-22 | 2024-07-05 | 上海大学 | 一种基于空间稀疏扩散模型的快速图像生成方法与装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
| US20200265318A1 (en) * | 2019-02-14 | 2020-08-20 | General Electric Company | Method and apparatus for using generative adversarial networks in magnetic resonance image reconstruction |
| CN111999731A (zh) * | 2020-08-26 | 2020-11-27 | 合肥工业大学 | 一种基于感知生成对抗网络的电磁逆散射成像方法 |
| CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
| CN112581396A (zh) * | 2020-12-18 | 2021-03-30 | 南京邮电大学 | 一种基于生成对抗网络的反射消除方法 |
| CN113538616A (zh) * | 2021-07-09 | 2021-10-22 | 浙江理工大学 | 一种联合PUGAN与改进U-net的磁共振图像重构方法 |
| CN115311164A (zh) * | 2022-08-15 | 2022-11-08 | 贵州大学 | 一种用于稀疏干涉阵列观测成像的合成波束效应消除方法 |
-
2022
- 2022-11-11 CN CN202211414912.4A patent/CN115731125A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200265318A1 (en) * | 2019-02-14 | 2020-08-20 | General Electric Company | Method and apparatus for using generative adversarial networks in magnetic resonance image reconstruction |
| CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
| CN111999731A (zh) * | 2020-08-26 | 2020-11-27 | 合肥工业大学 | 一种基于感知生成对抗网络的电磁逆散射成像方法 |
| CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
| CN112581396A (zh) * | 2020-12-18 | 2021-03-30 | 南京邮电大学 | 一种基于生成对抗网络的反射消除方法 |
| CN113538616A (zh) * | 2021-07-09 | 2021-10-22 | 浙江理工大学 | 一种联合PUGAN与改进U-net的磁共振图像重构方法 |
| CN115311164A (zh) * | 2022-08-15 | 2022-11-08 | 贵州大学 | 一种用于稀疏干涉阵列观测成像的合成波束效应消除方法 |
Non-Patent Citations (7)
| Title |
|---|
| BO ZHU ET AL.: "Image reconstruction by domain-transform manifold learning", 《NATURE》 * |
| PHILLIP ISOLA ET AL.: "Image-to-Image Translation with Conditional Adversarial Networks", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 张利 等: "一种用于射电天文图像重建的自适应尺度算法", 《吉首大学学报（自然科学版）》 * |
| 张利: "射电天文干涉图像的快速高保真重建", 《天文学报》 * |
| 李诚 等: "改进的生成对抗网络图像超分辨率重建", 《计算机工程与应用》 * |
| 梁毓明;张路遥;卢明建;杨国亮;: "基于条件生成对抗网络的图像去雾算法", 光子学报 * |
| 袁子晗: "基于Wasserstein生成对抗网络的磁共振图像重构方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118297836A (zh) * | 2024-04-22 | 2024-07-05 | 上海大学 | 一种基于空间稀疏扩散模型的快速图像生成方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636742B (zh) | 基于对抗生成网络的sar图像和可见光图像的模式转换方法 | |
| CN108182449A (zh) | 一种高光谱图像分类方法 | |
| CN113450396B (zh) | 基于骨骼特征的三维/二维图像配准方法及装置 | |
| CN104050643B (zh) | 遥感影像几何与辐射一体化相对校正方法及系统 | |
| CN115471437B (zh) | 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法 | |
| CN115731125A (zh) | 一种基于大数据技术的射电干涉阵列主波束效应消除方法 | |
| CN116071664A (zh) | 基于改进CenterNet网络的SAR图像舰船检测方法 | |
| CN115115601A (zh) | 一种基于形变注意金字塔的遥感舰船目标检测方法 | |
| CN113781375B (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
| Yu et al. | SAR image change detection based on joint dictionary learning with iterative adaptive threshold optimization | |
| CN111126508A (zh) | 一种基于hopc改进的异源图像匹配方法 | |
| CN112784777B (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
| CN108921884A (zh) | 基于改进sift的光学与sar影像配准方法、设备及存储介质 | |
| CN107220947B (zh) | 一种遥感图像相对辐射校正方法及系统 | |
| CN117853805A (zh) | 一种生成长波红外图像的方法、系统与装置 | |
| CN117392363A (zh) | 一种陆海遥感图像分区校正方法、系统、设备及介质 | |
| CN110751144B (zh) | 一种基于稀疏表示的冠层植物高光谱图像分类方法 | |
| CN117196953A (zh) | 图像超分辨率重建方法、装置及电子设备 | |
| CN117372484A (zh) | 一种基于深度自注意力网络的脑部核磁共振图像配准方法和装置 | |
| CN115410093B (zh) | 基于双通道编码网络和条件随机场的遥感图像分类方法 | |
| Wang et al. | Underwater Terrain Image Stitching Based on Spatial Gradient Feature Block. | |
| CN114066749B (zh) | 相位相关抗噪位移估计方法、设备及存储介质 | |
| CN115760603A (zh) | 一种基于大数据技术的干涉阵列宽带成像方法 | |
| CN114912499A (zh) | 一种基于深度学习的关联成像方法和系统 | |
| Zeng et al. | Unsupervised 3D array-SAR imaging based on generative model for scattering diagnosis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230303 |