CN115861108A - 一种基于小波自注意力生成对抗网络的图像修复方法 - Google Patents
一种基于小波自注意力生成对抗网络的图像修复方法 Download PDFInfo
- Publication number
- CN115861108A CN115861108A CN202211568789.1A CN202211568789A CN115861108A CN 115861108 A CN115861108 A CN 115861108A CN 202211568789 A CN202211568789 A CN 202211568789A CN 115861108 A CN115861108 A CN 115861108A
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- attention
- self
- generator
- 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 35
- 230000008439 repair process Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000002950 deficient Effects 0.000 claims abstract description 14
- 230000008447 perception Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 230000002195 synergetic effect Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波自注意力生成对抗网络的图像修复方法，具体涉及图像修复领域。本发明包括以下步骤：对缺损图像进行预处理，将调整为256×256的残缺图像输入到先验生成器中进行初步修复；初步修复的图像通过包含小波自注意力模块和协同特征融合模块的小波自注意力生成器，在构建不同频率信息间的长距离相关性的基础上完成图像的精修；最后将修复后的图像与原始图像一起送入鉴别网络中判别真伪，利用判断结果配合小波一致性损失指导生成网络的训练。本发明在保证全局一致性的基础上有效地改善了修复图像的高频纹理模糊，提高了修复性能。
Description
技术领域
本发明涉及图像修复领域，具体为一种基于小波自注意力生成对抗网络的图像修复方法。
背景技术
随着世界科技化浪潮的不断涌动，人与人的沟通方式也发生着翻天覆地的变化，从早期的摩斯密码电报转译到简单的几行文字，再到直观的图片形式，信息呈现出简单且立体化的发展态势。在相同的时间消耗下，图像可以展示出更多的有效信息从而成为人们喜欢的交流方式。在信息化高速发展的如今，生活中需要处理的图像量级也在不断增长，且仅仅在2021年，与2016年相比，我国应用于数字图像行业的业务增长了百倍。在这种图像量级不断增长的情况下，不可避免地会出现残缺图像，其不仅仅表现在网络图像的像素值缺失、污损等问题中，还在相机照片、工程图纸保存中发生折痕、磨损等现象，严重影响使用者的感官体验，因此将影响人们使用体验的缺损图像修复至原始清晰美观图像越来越受到研究人员的关注。
图像修复的目标是充分利用非缺损区域信息，重新生成缺损区域图像内容，并且保证整幅图像的视觉美观性。图像修复的概念由Bertalmio等人提出，其实现了对缺损图像的初步修复，随着技术的不断发展，模型的修复性能越来越强，应用领域也越来越广泛，如去除老照片中的划痕，填充图像的缺损，移除图像中多余的物体等。目前针对于图像修复的方法主要分为两类：传统的图像修复方法和基于深度学习的图像修复方法。传统的图像修复方法通过手工提取特征完成像素级上的修复，能够有效填充内容简单的缺损图像，然而当图像中存在较多的纹理失真时，生成的图像总是难以满足人眼视觉的美观要求。
随着神经网络的兴起，图像修复方法也产生了革命性的变化，研究学者开始关注基于深度学习的图像修复方法。与图像处理的其他领域一样，最初的深度学习方法直接利用卷积神经网络(Convolutional Neural Network，CNN)自动提取图像特征并完成修复，其修复效果得到明显提升，但针对于复杂图像的修复仍然差强人意。在GoodFellow的启发下，Pathak等人第一次将生成对抗网络(Generative Adversarial Network,GAN)运用到图像修复中，设计了编解码网络模型对复杂的残缺图像进行了初步重构，并且随着研究人员的深入研究，GAN对于生成图像的优势在图像修复中得到充分展现，一跃成为图像修复领域中的主流算法思想。然而目前基于GAN的图像修复方法难以捕获到图像结构的全局关联信息，生成的修复结果在高频纹理处仍会出现模糊、伪影等失真问题。
发明内容
本发明的目的在于解决现有技术在对复杂图像进行修复时，其修复结果存在的高频结构失真的问题，进而提出了一种基于小波自注意力生成对抗网络的图像修复方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于小波自注意力生成对抗网络的图像修复方法，包括下列步骤：
步骤一：将原始图像与随机掩码相乘得到残缺图像，调整所有残缺图像大小为256×256；
步骤二：搭建先验生成器，对输入的残缺图像进行初步修复并生成粗略的修复结果；
步骤三：将初步修复结果送入小波自注意力生成器，所述生成器包含小波自注意力模块和协同特征融合模块，通过其捕捉不同频率信息间的结构级依赖并且充分融合空间和通道信息，最终生成精细的修复结果；
步骤四：将精修图像和原始图像送入包括批鉴别器和金字塔特征匹配鉴别器在内的鉴别网络中判断真伪，并利用判断结果配合小波一致性损失反向指导生成器重构图像。
优选地，所述步骤二中提到的先验生成器由8对具有跳跃连接的4×4卷积层组成，用于生成粗略的修复结果，每个卷积层后均接1个Relu激活层。
优选地，所述步骤三中提到的小波自注意力模块的工作流程具体为：
对于输入的图像特征，在利用4×4空洞卷积提取特征的基础上，通过离散小波变换提取图像的4个高频和低频子图，并利用自注意力机制在高频与低频子图之间进行结构级的非局部运算，构建不同频率信息间的全局依赖。
优选地，所述步骤三中提到的协同特征融合模块的工作流程具体为：
利用通道指导空间和空间影响通道的双流支路耦合空间和通道的特征，并通过自学习的参数将这两个并行的支路进行动态组合，获得对于修复任务来说更加全面的特征信息。
优选地，所述步骤四中提到的批鉴别器和层级的金字塔特征匹配鉴别器具体为：
所述批鉴别器由2个步长为2的4×4卷积层和2个步长为1的4×4卷积层组成，其最终输出的通道数为1；所述层级的金字塔特征匹配鉴别器由4对具有跳跃连接的4×4卷积层组成，并在中间层输出3个结果用于计算不同分辨率下的对抗损失。
优选地，所述步骤四中提到的小波一致性损失具体为：
在感知损失的基础上，利用预训练在ImageNet中的VGG-16模型提取真实图像的高级特征，并将经过离散小波变换处理后的高级特征作为小波自注意力和协同特征融合模块的目标。
与现有技术相比，本发明提供了一种基于小波自注意力生成对抗网络的图像修复方法，具备以下有益效果：
本发明构建了不同频率信息间的长距离相关性，强调生成对于纹理边界更有益的结构细节。通过联合通道指导空间和空间影响通道的双支路，促进空间特征和通道特征之间的交互，有效地避免了两个域之间潜在的冲突。设计了更有针对性的损失函数，并在层级金字塔特征匹配鉴别器的配合下稳定了模型的训练过程，有效地提升对于大面积缺失图像的修复能力。这确保了其可以用于技术实践中，如在目标移除、影视作品去除马赛克等大型掩码的修复任务中，方法的修复效果满足了全局的语义一致性和人眼的视觉真实性要求，具有重要的价值。
附图说明
图1为本发明提出的一种基于小波自注意力生成对抗网络的图像修复方法的流程框图；
图2为本发明实施例1中的小波自注意力模块结构图；
图3为本发明实施例1中的协同特征融合模块结构图；
图4为本发明实施例1中的金字塔特征匹配鉴别器结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提供了一种基于小波自注意力生成对抗网络的图像修复方法，如图1所示，该方法包括以下步骤：
101：预处理
将原始图像与随机掩码相乘得到残缺图像，调整所有残缺图像大小为256×256。
102：先验生成器生成粗略的修复结果
本发明实施例构建了一个先验生成器，采用8对具有跳跃连接的4×4卷积层对输入的残缺图像进行初步修复，生成粗略的修复结果。
103：小波自注意力生成器生成精细的修复结果
本发明实施例设计了一个小波自注意力生成器，对粗修结果进行更精细地修复，其中包含小波自注意力模块和协同特征融合模块。在小波自注意力模块中，对于输入特征首先利用离散小波变换提取4个不同频带子图特征，随后在维度变换特征的基础上利用自注意力机制计算结构级的相关性图，最后将其与原始特征相乘得到重点强调结构细节的特征图。对于协同特征融合模块，在空间相关性学习支路计算空间显著性图，得到受显著性影响的空间特征，同样地，在通道相关性学习支路计算通道显著性图，得到受显著性影响的通道特征，之后计算两部分特征的空间和通道相关性图，并利用空间相关性指导通道特征提取，利用通道相关性指导空间特征提取，最终使空间和通道的全局特征相互补充，获得对于修复任务来说更加全面的特征信息。
104：鉴别网络判断修复结果
本发明实施例提出了一个包含批鉴别器和金字塔特征匹配鉴别器在内的鉴别网络配合小波一致性损失指导生成器重构图像。其中，批鉴别器由2个步长为2的4×4卷积层和2个步长为1的4×4卷积层组成；金字塔特征匹配鉴别器采用U型的上下采样结构，先通过4层卷积下采样提取特征，而后采用同样设置的4层反卷积上采样恢复特征，并输出中间层不同分辨率下的特征用于计算对抗损失；小波一致性损失首先利用预训练在ImageNet中的VGG-16模型提取真实图像的高级特征，再将其通过一次及二次离散小波变换得到频域特征，最后利用此频域特征监督网络的训练使生成的图像与真实图像一致性更强、保真度更高。
105：技术应用
本发明实施例能够在保证修复图像全局一致性的基础上，更好地改善修复图像的高频纹理模糊。图像修复作为人工智能发展的一个方向，在越来越多的领域发挥着重要的作用。现实中也已经应用到诸多产品中，比如破损照片修复小程序，通过接入相应修复功能开展怀旧等主题活动，用户上传破损照片，标注破损位置的信息，即可获得修复后的照片，除此之外，图像处理厂商也可利用此接口实现破损照片的修复。图像修复是当前数字图像处理应用中需要的基本技术，其研究具有重要的社会价值。
实施例2
请参阅图2-4，基于实施例1但有所不同之处在于，下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
201：预处理
将原始图像与二值化的随机掩码相乘得到残缺图像，调整所有残缺图像大小为256×256，计算公式如下：
IM＝I0⊙M (1)
其中，I0表示原始图像，M为二进制掩码，数值1表示未缺损区域，0表示缺损区域，IM为残缺图像。
202：先验生成器生成粗略的修复结果
将预处理得到的残缺图像通过先验生成器生成粗略的修复结果，其中先验生成器由8对具有跳跃连接的4×4卷积层组成。
203：小波自注意力生成器生成精细的修复结果
本发明设计了一个小波自注意力生成器对粗略的修复结果进行精修，其中包含小波自注意力模块和协同特征融合模块。
小波自注意力模块如图2所示。为了捕捉不同频率下的结构特征，首先对输入特征做离散小波变换，计算公式如下：
其中，FLL,FLH,FHL,FGG∈RC×W×H是四个频带的子图，w＝W/2，h＝H/2。
为了在小波域中构建结构级的长距离相关性，将四个子图拼接融合后先通过三个独立的1×1卷积层得到可训练化的特征α，β和γ，再对特征进行维度变换获得4个频带信息后进行非局部运算，最终得到归一化的结构级显著性图WA∈RN×N：
其中，WAi,j表示位置i对于生成位置j的影响，
表示α，β经过维度变换后的特征。
协同特征融合模块用于交互空间和通道的全局特征，如图3所示。通过通道指导空间和空间影响通道的双流支路耦合空间和通道的特征，并利用自学习的参数将这两个并行的支路进行动态组合。
首先分别计算空间和通道的相关性图：
SA＝softmax((Fdes)T(Fcons)) (4)
CA＝softmax((Fdec)T(Fconc)) (5)
其中，SA和CA分别为空间和通道的相关性图，Fdes，Fcons表示空间特征，Fdec，Fconc表示通道特征。
为了进一步提取空间和通道的特征依赖性，采用了两个矩阵乘运算计算空间和通道显著性图：
其中，S∈RWH×WH和C∈RC×C分别是空间和通道的显著性图，
和
分别为受空间和通道相关性影响的空间和通道特征。
为促进空间和通道特征的交互，设计了一种并行耦合的通道指导空间和空间影响通道的特征提取方式，具体如下：
其中，Fsc表示受通道指导的空间特征图，Fcs表示受空间影响的通道特征图。
204：鉴别网络判断修复结果
本发明提出了一个包括批鉴别器和金字塔特征匹配鉴别器在内的鉴别网络用于判断生成图像与真实图像的真伪，并且配合小波一致性损失指导生成器重构图像。批鉴别器由2个步长为2的4×4卷积层和2个步长为1的4×4卷积层组成；金字塔特征匹配鉴别器由4组跳跃连接的上下采样层组成，下采样提取特征，上采样复原特征，并通过中间层三个分辨率下的特征计算对抗损失，具体如下：
其中，对于
上标代表卷积/反卷积的运算次数，下标代表卷积核的大小，I表示输入图像Igt/pre，Ci(·)表示第i个分辨率下的特征。
在感知损失的基础上加以改进，设计了小波一致性损失，并将Φi_j视作VGG-16模型中第i个模块的第j层卷积的输出特征，
为第i个池化层的输出特征，定义如下：
对于小波自注意力模块：
其中，WSAi(·)表示第i个小波自注意力模块的输出特征，DWTn表示n次小波分解，M表示特征图，m为M的特征数，Lwsai是第i个小波自注意力模块的损失。
对于协同特征融合模块：
其中，CFFi(·)表示第i个协同特征融合模块的输出特征，Lcffi是第i个协同特征融合模块的损失。
实施例3
基于实施例1-2但有所不同之处在于，下面结合具体的实验对实施例1和2中的方案进行可行性验证，详见下文描述：
本实验使用了Paris StreetView、CelebA-HQ和Places三个公共图像数据库对性能进行测试，其中Places数据集选择了小丘、峡谷、田野、山脉、山路、雪山、天空、苔原和山谷共9个场景用于实验验证。
为了更加全面的衡量方法的修复效果，采用了包括像素级和感知级在内的两种评价指标，分别为结构相似性(Structural Similarity,SSIM)、峰值信噪比(Peak Signal toNoise Ratio,PSNR)和学习感知图像块相似度(Learned Perceptual Image PatchSimilarity,LPIPS)、Frechet Inception距离得分(Frechet Inception Distance score,FID)。SSIM可计算不同图像在结构上的相似性，主要从图像的亮度、对比度和结构三个方面进行计算：
SSIM(x,y)＝l(x,y)·c(x,y)·s(x,y) (1)
其中，x为修复图像，y为原始图像，l(x,y)、c(x,y)和s(x,y)分别用于计算两幅图像的亮度、对比度和结构的相似性。
PSNR在图像修复中用于衡量原始图像与修复图像距离，其是在均方误差的基础上得到的，具体如下：
其中，Igt为原始图像，Ipre为修复图像，
表示原始图像的最大像素值。
LPIPS实现了在感知特征级别上的图像相似性比较，通过逐层计算网络通道输出的余弦距离加和取平均，具体如下：
其中，l为特征层，H和W分别为指定层的像素数，ωl为通道的缩放因子，Fgt和Fpre分别为原始图像和修复图像的中间层输出特征。
FID用于描述GAN生成图像的内容多样性，且FID越小，图像多样性越好，FID通过协方差矩阵进行计算，具体如下：
其中，Tr表示矩阵对角线上元素的总和，μ为均值，Σ为协方差。
为了验证本发明的性能，我们选取了目前较为先进的五种方法，分别为：EdgeConnect(EC)、Mutual Encoder-Decoder with Feature Equalizations(MEDFE)、Recurrent Feature Reasoning(RFR)、Conditional Texture and Structure DualGeneration(CTSDG)和Multi-level Interactive Siamese Filtering(MISF)。所有对比方法的性能指标均由其公开的预训练模型测试得到。结果如表1、表2和表3所示。
表1Paris StreetView数据集定量比较结果
表2CelebA-HQ数据集定量比较结果
表3Places数据集定量比较结果
表1展示出了Paris StreetView数据集中的定量比较结果，可以看出本发明提出的算法在大面积缺失和中心缺失的情况下都能取得最佳的结果。表2和表3分别展示出了CelebA-HQ和Places数据集中的定性比较结果，在CelebA-HQ数据集中，本章算法的SSIM指标在所有测试组中均能取得最优的效果。在Places数据集中，与上述两个数据集的性能表现一致，本章算法仍然能够在大面积缺失和中心缺失的测试组中得到最佳的效果，在小面积缺失的分组中，本章算法接近于最优的MISF。总体而言，与其他模型相比，本发明在上述三个数据库上的性能达到了最先进的水平。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于小波自注意力生成对抗网络的图像修复方法，其特征在于，包括下列步骤：
步骤一：将原始图像与随机掩码相乘得到残缺图像，调整所有残缺图像大小为256×256；
步骤二：搭建先验生成器，对输入的残缺图像进行初步修复并生成粗略的修复结果；
步骤三：将初步修复结果送入小波自注意力生成器，所述生成器包含小波自注意力模块和协同特征融合模块，通过其捕捉不同频率信息间的结构级依赖并且充分融合空间和通道信息，最终生成精细的修复结果；
步骤四：将精修图像和原始图像送入包括批鉴别器和金字塔特征匹配鉴别器在内的鉴别网络中判断真伪，并利用判断结果配合小波一致性损失反向指导生成器重构图像。
2.根据权利要求1所述的一种基于小波自注意力生成对抗网络的图像修复方法，其特征在于，所述步骤二中提到的先验生成器由8对具有跳跃连接的4×4卷积层组成，用于生成粗略的修复结果，每个卷积层后均接1个Relu激活层。
3.根据权利要求1所述的一种基于小波自注意力生成对抗网络的图像修复方法，其特征在于，所述步骤三中提到的小波自注意力模块的工作流程具体为：
对于输入的图像特征，在利用4×4空洞卷积提取特征的基础上，通过离散小波变换提取图像的4个高频和低频子图，并利用自注意力机制在高频与低频子图之间进行结构级的非局部运算，构建不同频率信息间的全局依赖。
4.根据权利要求1所述的一种基于小波自注意力生成对抗网络的图像修复方法，其特征在于，所述步骤三中提到的协同特征融合模块的工作流程具体为：
利用通道指导空间和空间影响通道的双流支路耦合空间和通道的特征，并通过自学习的参数将这两个并行的支路进行动态组合，获得对于修复任务来说更加全面的特征信息。
5.根据权利要求1所述的一种基于小波自注意力生成对抗网络的图像修复方法，其特征在于，所述步骤四中提到的批鉴别器和层级的金字塔特征匹配鉴别器具体为：
所述批鉴别器由2个步长为2的4×4卷积层和2个步长为1的4×4卷积层组成，其最终输出的通道数为1；所述层级的金字塔特征匹配鉴别器由4对具有跳跃连接的4×4卷积层组成，并在中间层输出3个结果用于计算不同分辨率下的对抗损失。
6.根据权利要求1所述的一种基于小波自注意力生成对抗网络的图像修复方法，其特征在于，所述步骤四中提到的小波一致性损失具体为：
在感知损失的基础上，利用预训练在ImageNet中的VGG-16模型提取真实图像的高级特征，并将经过离散小波变换处理后的高级特征作为小波自注意力和协同特征融合模块的目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211568789.1A CN115861108A (zh) | 2022-12-08 | 2022-12-08 | 一种基于小波自注意力生成对抗网络的图像修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211568789.1A CN115861108A (zh) | 2022-12-08 | 2022-12-08 | 一种基于小波自注意力生成对抗网络的图像修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115861108A true CN115861108A (zh) | 2023-03-28 |
Family
ID=85670979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211568789.1A Pending CN115861108A (zh) | 2022-12-08 | 2022-12-08 | 一种基于小波自注意力生成对抗网络的图像修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861108A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681980A (zh) * | 2023-07-31 | 2023-09-01 | 北京建筑大学 | 基于深度学习的大缺失率图像修复方法、装置和存储介质 |
-
2022
- 2022-12-08 CN CN202211568789.1A patent/CN115861108A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681980A (zh) * | 2023-07-31 | 2023-09-01 | 北京建筑大学 | 基于深度学习的大缺失率图像修复方法、装置和存储介质 |
| CN116681980B (zh) * | 2023-07-31 | 2023-10-20 | 北京建筑大学 | 基于深度学习的大缺失率图像修复方法、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hatoum et al. | Using deep learning for image watermarking attack | |
| CN113538246B (zh) | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 | |
| CN111539246B (zh) | 一种跨光谱人脸识别方法、装置、电子设备及其存储介质 | |
| CN115731138A (zh) | 一种基于Transformer与卷积神经网络的图像修复方法 | |
| Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
| CN117151990B (zh) | 一种基于自注意力编码解码的图像去雾方法 | |
| CN115660979A (zh) | 一种基于注意力机制的双判别器图像修复方法 | |
| CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
| CN117408924A (zh) | 一种基于多重语义特征融合网络的低光照图像增强方法 | |
| Lu et al. | Underwater image enhancement method based on denoising diffusion probabilistic model | |
| CN115861108A (zh) | 一种基于小波自注意力生成对抗网络的图像修复方法 | |
| CN115953311A (zh) | 基于Transformer的多尺度特征表示的图像去雾方法 | |
| Li et al. | An end-to-end system for unmanned aerial vehicle high-resolution remote sensing image haze removal algorithm using convolution neural network | |
| CN114155171A (zh) | 一种基于密集多尺度融合的图像修复方法及系统 | |
| Wang et al. | Poissonian blurred hyperspectral imagery denoising based on variable splitting and penalty technique | |
| Kumar et al. | Underwater image enhancement using deep learning | |
| CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 | |
| Guan et al. | DiffWater: Underwater image enhancement based on conditional denoising diffusion probabilistic model | |
| CN117114984A (zh) | 基于生成对抗网络的遥感图像超分辨率重建方法 | |
| CN117557467A (zh) | 一种基于CNN-Transformer的光子计数图像高效联合去噪超分方法和系统 | |
| CN115272131B (zh) | 基于自适应多光谱编码的图像去摩尔纹系统及方法 | |
| Xiao et al. | Effective PRNU extraction via densely connected hierarchical network | |
| Liu et al. | Multi-level wavelet network based on CNN-Transformer hybrid attention for single image deraining | |
| 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 | |
| CN115861749A (zh) | 一种基于窗口交叉注意力的遥感图像融合方法 |
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 |