CN115880187A - 基于去噪扩散概率模型的单图像反光去除方法及相关设备 - Google Patents
基于去噪扩散概率模型的单图像反光去除方法及相关设备 Download PDFInfo
- Publication number
- CN115880187A CN115880187A CN202310036140.3A CN202310036140A CN115880187A CN 115880187 A CN115880187 A CN 115880187A CN 202310036140 A CN202310036140 A CN 202310036140A CN 115880187 A CN115880187 A CN 115880187A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- probability model
- diffusion
- clean
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 42
- 239000000126 substance Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004800 variational method Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000011084 recovery Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002969 morbid Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于去噪扩散概率模型的单图像反光去除方法及相关设备,所述方法包括构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到目标噪声;基于所述目标噪声对所述原始图像进行逆向取样,得到所述原始图像的目标干净图像。本发明使用去噪扩散概率模型应用于单图像反光去除,由于去噪扩散概率模型具有保留数据语义结构的能力以及在图像细粒度方面的恢复能力更强,令反光去除后的图像恢复达到重建质量更好的效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于去噪扩散概率模型的单图像反光去除方法、系统、终端及存储介质。
背景技术
去噪扩散概率模型是一种受非平衡热力学启发的潜在变量模型,该模型是一条参数化的马尔科夫链,通过变分推理在有限的次数内产生与数据相匹配的样本。模型的训练主要是基于学习如何逆转扩散过程(向样本添加噪声直到样本完全被转化为高斯噪声)。由于其具有保留数据语义结构的能力,在图像生成、图像恢复等任务中表现出了显著的性能,并在图像合成等任务上超越了生成式对抗网络的性能。单图像反光去除需要从一张图像中分离出干净的图像和反光图像,有限的图像信息导致该问题是一个病态的问题。因此,目前主流的单图像反光去除算法大多引入额外的先验信息来帮助图像恢复,额外的先验信息会约束解空间的范围,从而使图像恢复达到更满意的效果。
由于单图像反光去除是一个病态的问题,现有的算法往往会引入额外的先验信息来约束解空间。常见的先验有针对梯度的稀疏先验、语义先验和深度先验等。传统方法主要使用针对梯度的稀疏先验和语义先验,针对梯度的稀疏先验主要是基于反射层与背景层有着不同的景深提出的,这种先验能够有效去除比较模糊的反射,但对于比较复杂的场景或者反射层和背景层的景深相同,这种先验往往不能起作用。而语义先验主要是为了恢复被反射污染而不能见的图像,这种方法相较于针对梯度的稀疏先验能够更有效地处理反射层和背景层景深相同的情况,但是这种方法往往将整个图像分为若干块,采取块处理的方式而不是处理整张图像,这种方法的计算度是更为复杂的并且往往容易产生额外的伪影。总的来说,由于手工设置的先验只能针对某些特定的场景,传统方法去除反射的性能往往不能与深度方法相比较。
而深度先验主要是基于端到端的神经网络,采用编码器-解码器的网络结构进行图像恢复;深度先验去除反射的性能一大部分取决于训练图像的设计,但训练图像设计的好坏直接影响去除反射的效果。基于端到端的神经网络往往恢复图像的视觉效果不如真实图像自然,而且对训练域之外的图像以及退化严重的图像恢复能力较差,因此如何使反光去除后的图像恢复达到更好的重建质量效果,是当前大环境下亟需解决的问题。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于去噪扩散概率模型的单图像反光去除方法及相关设备,旨在解决现有技术中无法从反射污染的图像中还原出干净的图像,从而无法达到图像恢复目的的问题。
为实现上述目的,本发明提供一种基于去噪扩散概率模型的单图像反光去除方法,所述基于去噪扩散概率模型的单图像反光去除方法包括:
构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;
当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声;
基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,具体包括:
基于第t步图像的概率分布得到第t-1步图像的概率分布;
所述第t步图像的概率分布的表达式为:
所述第t-1步图像的概率分布的表达式为:
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述基于第t步图像的概率分布得到第t-1步图像的概率分布,之后还包括:
根据变分法将所述去噪扩散概率模型的目标函数转化为第一目标函数;
所述第一目标函数的表达式为:
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述根据变分法将所述去噪扩散概率模型的目标函数转化为第一目标函数,之后还包括:
对所述第一目标函数的随机梯度下降优化的随机项进行训练,将所述第一目标函数进行变换得到变换式,所述变换式为:
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述将所述第一目标函数进行变换得到变换式,之后还包括:
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述基于去噪扩散概率模型的单图像反光去除方法还包括:
对所述目标函数进行简化处理得到简化目标函数,其中,所述简化目标函数的表达式为:
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像,具体为:
基于所述原始图像获取一个第t步的图像,基于第t步的图像得到第t-1步的图像,并通过公式对第t-1步的图像进行迭代更新t次,得到所述原始图像的目标干净图像;
可选地,所述的基于去噪扩散概率模型的单图像反光去除方法,其中,所述基于去噪扩散概率模型的单图像反光去除系统包括:
模型构建模块,用于构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;
模型训练模块,用于当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声;
图像还原模块,用于基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括: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基于去噪扩散概率模型的单图像反光去除程序,所述基于去噪扩散概率模型的单图像反光去除程序被所述处理器执行时实现如上所述的基于去噪扩散概率模型的单图像反光去除方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于去噪扩散概率模型的单图像反光去除程序,所述基于去噪扩散概率模型的单图像反光去除程序被处理器执行时实现如上所述基于去噪扩散概率模型的单图像反光去除方法的步骤。
本发明公开了一种基于去噪扩散概率模型的单图像反光去除方法及相关设备,所述方法包括构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到目标噪声;基于所述目标噪声对所述原始图像进行逆向取样,得到所述原始图像的目标干净图像。本发明使用去噪扩散概率模型应用于单图像反光去除,由于去噪扩散概率模型具有保留数据语义结构的能力以及在图像细粒度方面的恢复能力更强,令反光去除后的图像恢复达到重建质量更好的效果。
附图说明
图1是本发明中基于去噪扩散概率模型的单图像反光去除方法的较佳实施例的流程图;
图2是本发明中基于去噪扩散概率模型的单图像反光去除方法中的训练去噪扩散概率模型的示意图;
图3是本发明中基于去噪扩散概率模型的单图像反光去除系统的较佳实施例的原理示意图;
图4为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明较佳实施例所述的基于去噪扩散概率模型的单图像反光去除方法,如图1所示,所述基于去噪扩散概率模型的单图像反光去除方法包括以下步骤:
步骤S10、构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像。
具体地,目前基于端到端的神经网络往往恢复图像的视觉效果不如真实图像自然,而且对训练域之外的图像以及退化严重的图像恢复能力较差;故本发明使用去噪扩散概率模型进行单图像反光去除,构建去噪扩散概率模型,去噪扩散概率模型是一种受非平衡热力学启发的潜在变量模型,该模型是一条参数化的马尔科夫链,通过变分推理在有限的次数内产生与数据相匹配的样本。去噪扩散概率模型的训练主要是基于学习如何逆转扩散过程(向样本添加噪声直到样本完全被转化为高斯噪声)。由于其具有保留数据语义结构的能力,在图像生成、图像恢复等任务中表现出了显著的性能,并在图像合成等任务上超越了生成式对抗网络的性能。
步骤S20、当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声。
具体地,如图2所示的训练去噪扩散概率模型的流程图,正向为扩散过程,反向为逆转扩散过程。去噪扩散概率模型的训练是对前向扩散过程中所添加的高斯噪声的拟合,一共需执行t步;给定原始图像以及对应的干净图像/>,/>符合分布p(y)记作/>;定义前向扩散过程为在t步内对前一步的/>添加方差为/>的高斯噪声,设第t步得到的图像为/>,则/>的概率分布表达式为:
其中,为第t步的图像,/>为第t-1步的图像,/>为在已知/>情况下/>的概率分布,/>为高斯分布,/>为方差;根据前一步的扩散过程,学习如何逆转扩散过程,假设给定第t步的图像为/>,已知原始图像x,设第t-1步的图像/>概率分布表达式为:
;其中,/>表示需要估计的目标概率分布的均值,/>表示需要估计的目标概率分布每一步添加的噪声,/>是标准正态分布的方差;为了表达式的精简,假设/>为/>,/>为前t个阶段/>的累乘,记为,/>,则/>及/>可以写为:
其中,能够通过以下设置得到,假设图像数据由{0,1,…,255}中的整数组成,线性缩放到[−1,1]。这确保了神经网络反向过程对从标准正常先验/>开始的一致缩放输入进行操作;为了获得离散对数似然性,将逆过程的最后一项设置为从高斯函数导出的独立离散解码器/>,其均值为/>,方差为/>,则/>为:
综上所述,可以将目标函数改写为:
进一步地,实验表明对将目标函数进一步简化为以下形式能够进行更有效地采样,即:
因此,训练过程是对扩散过程中每一步所添加的噪声的拟合。将给定原始图像x以及对应的干净图像y拼接作为深度网络的输入对目标函数进行训练。
步骤S30、基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
具体地,对于给定原始图像x,随机声明一个,使用下式对/>进行迭代更新t次,此处的/>为步骤S20所训练得到的去噪扩散概率模型预测的噪声,如果t>1,则取/>,否则z=0;在迭代t次后得到的/>则是去除反射后得到的干净图像;
本发明在于使用去噪扩散概率模型对图像进行逐步恢复,在这一基础上恢复出的图像效果更为贴近自然图像,具体表现为在图像细粒度方面的恢复能力更强,令反光去除后的图像恢复达到重建质量更好的效果。
进一步地,如图3所示,基于上述基于去噪扩散概率模型的单图像反光去除方法,本发明还相应提供了基于去噪扩散概率模型的单图像反光去除系统,所述基于去噪扩散概率模型的单图像反光去除系统包括:
模型构建模块51,用于构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;
模型训练模块52,用于当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声;
图像还原模块53,用于基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
进一步地,如图4所示,基于上述基于去噪扩散概率模型的单图像反光去除方法,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30;图4仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于去噪扩散概率模型的单图像反光去除程序40,该基于去噪扩散概率模型的单图像反光去除程序40可被处理器10所执行,从而实现本申请中基于去噪扩散概率模型的单图像反光去除方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于去噪扩散概率模型的单图像反光去除方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中基于去噪扩散概率模型的单图像反光去除程序40时实现以下步骤:
构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;
当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声;
基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
其中,所述当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,具体包括:
基于第t步图像的概率分布得到第t-1步图像的概率分布;
所述第t步图像的概率分布的表达式为:
所述第t-1步图像的概率分布的表达式为:
其中,所述基于第t步图像的概率分布得到第t-1步图像的概率分布,之后还包括:
根据变分法将所述去噪扩散概率模型的目标函数转化为第一目标函数;
所述第一目标函数的表达式为:
其中,所述根据变分法将所述去噪扩散概率模型的目标函数转化为第一目标函数,之后还包括:
对所述第一目标函数的随机梯度下降优化的随机项进行训练,将所述第一目标函数进行变换得到变换式,所述变换式为:
其中,所述将所述第一目标函数进行变换得到变换式,之后还包括:
其中,所述基于去噪扩散概率模型的单图像反光去除方法还包括:
对所述目标函数进行简化处理得到简化目标函数,其中,所述简化目标函数的表达式为:
其中,所述基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像,具体为:
基于所述原始图像获取一个第t步的图像,基于第t步的图像得到第t-1步的图像,并通过公式对第t-1步的图像进行迭代更新t次,得到所述原始图像的目标干净图像;
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于去噪扩散概率模型的单图像反光去除程序,所述基于去噪扩散概率模型的单图像反光去除程序被处理器执行时实现如上所述基于去噪扩散概率模型的单图像反光去除方法的步骤。
综上所述,本发明提供一种基于去噪扩散概率模型的单图像反光去除方法及相关设备,所述方法包括构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到目标噪声;基于所述目标噪声对所述原始图像进行逆向取样,得到所述原始图像的目标干净图像。本发明使用去噪扩散概率模型应用于单图像反光去除,由于去噪扩散概率模型具有保留数据语义结构的能力以及在图像细粒度方面的恢复能力更强,令反光去除后的图像恢复达到重建质量更好的效果。
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、物品或者终端不仅包括那些要素,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、物品或者终端所固有的要素。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、物品或者终端中还存在另外的相同要素。
当然,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硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于去噪扩散概率模型的单图像反光去除方法,其特征在于,所述基于去噪扩散概率模型的单图像反光去除方法包括:
构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;
当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声;
基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
2.根据权利要求1所述的基于去噪扩散概率模型的单图像反光去除方法,其特征在于,所述当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,具体包括:
基于第t步图像的概率分布得到第t-1步图像的概率分布;
所述第t步图像的概率分布的表达式为:
所述第t-1步图像的概率分布的表达式为:
8.一种基于去噪扩散概率模型的单图像反光去除系统,其特征在于,所述基于去噪扩散概率模型的单图像反光去除系统包括:
模型构建模块,用于构建去噪扩散概率模型,并获取原始训练图像及所述原始训练图像对应的干净图像;
模型训练模块,用于当所述原始训练图像及所述干净图像进行训练时,输入不同的高斯噪声至所述去噪扩散概率模型,得到所述去噪扩散概率模型对所述高斯噪声拟合后得到的目标噪声;
图像还原模块,用于基于所述目标噪声对原始图像进行逆向取样,得到所述原始图像的目标干净图像。
9.一种终端,其特征在于,所述终端包括: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基于去噪扩散概率模型的单图像反光去除程序,所述基于去噪扩散概率模型的单图像反光去除程序被所述处理器执行时实现如权利要求1-7任一项所述基于去噪扩散概率模型的单图像反光去除方法的步骤。
10.一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存储有基于去噪扩散概率模型的单图像反光去除程序,所述基于去噪扩散概率模型的单图像反光去除程序被处理器执行时实现如权利要求1-7任一项所述基于去噪扩散概率模型的单图像反光去除方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036140.3A CN115880187A (zh) | 2023-01-10 | 2023-01-10 | 基于去噪扩散概率模型的单图像反光去除方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036140.3A CN115880187A (zh) | 2023-01-10 | 2023-01-10 | 基于去噪扩散概率模型的单图像反光去除方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115880187A true CN115880187A (zh) | 2023-03-31 |
Family
ID=85758449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310036140.3A Pending CN115880187A (zh) | 2023-01-10 | 2023-01-10 | 基于去噪扩散概率模型的单图像反光去除方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880187A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392464A (zh) * | 2023-12-07 | 2024-01-12 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于多尺度去噪概率模型的图像异常检测的方法、系统 |
CN117437152A (zh) * | 2023-12-21 | 2024-01-23 | 之江实验室 | 一种基于扩散模型的pet迭代重建方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7515763B1 (en) * | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
CN102708543A (zh) * | 2012-04-19 | 2012-10-03 | 北京工商大学 | 基于盲反卷积和稀疏表示的荧光显微图像复原方法和装置 |
CN110648292A (zh) * | 2019-09-11 | 2020-01-03 | 昆明理工大学 | 一种基于深度卷积网络的高噪声图像去噪方法 |
US20210117733A1 (en) * | 2018-06-29 | 2021-04-22 | Nec Corporation | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium |
CN115239593A (zh) * | 2022-07-29 | 2022-10-25 | 平安科技(深圳)有限公司 | 图像复原方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-10 CN CN202310036140.3A patent/CN115880187A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7515763B1 (en) * | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
CN102708543A (zh) * | 2012-04-19 | 2012-10-03 | 北京工商大学 | 基于盲反卷积和稀疏表示的荧光显微图像复原方法和装置 |
US20210117733A1 (en) * | 2018-06-29 | 2021-04-22 | Nec Corporation | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium |
CN110648292A (zh) * | 2019-09-11 | 2020-01-03 | 昆明理工大学 | 一种基于深度卷积网络的高噪声图像去噪方法 |
CN115239593A (zh) * | 2022-07-29 | 2022-10-25 | 平安科技(深圳)有限公司 | 图像复原方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392464A (zh) * | 2023-12-07 | 2024-01-12 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于多尺度去噪概率模型的图像异常检测的方法、系统 |
CN117437152A (zh) * | 2023-12-21 | 2024-01-23 | 之江实验室 | 一种基于扩散模型的pet迭代重建方法及系统 |
CN117437152B (zh) * | 2023-12-21 | 2024-04-02 | 之江实验室 | 一种基于扩散模型的pet迭代重建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115880187A (zh) | 基于去噪扩散概率模型的单图像反光去除方法及相关设备 | |
Riegler et al. | A deep primal-dual network for guided depth super-resolution | |
Dobrosotskaya et al. | A wavelet-Laplace variational technique for image deconvolution and inpainting | |
US20200027012A1 (en) | Systems and methods for bayesian optimization using non-linear mapping of input | |
Mrázek et al. | On robust estimation and smoothing with spatial and tonal kernels | |
CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
Couturier et al. | Image denoising using a deep encoder-decoder network with skip connections | |
Gu et al. | Learned dynamic guidance for depth image reconstruction | |
Xu et al. | Deep sparse representation based image restoration with denoising prior | |
CN114821432B (zh) | 基于离散余弦变换的视频目标分割对抗攻击方法 | |
CN116071601A (zh) | 训练模型的方法、装置、设备和介质 | |
Lu et al. | DSP-based image real-time dehazing optimization for improved dark-channel prior algorithm | |
He et al. | Non-local sparse regularization model with application to image denoising | |
US8837861B2 (en) | Bayesian approach to alignment-based image hallucination | |
KR101700030B1 (ko) | 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치 | |
Xu et al. | Depth map super-resolution via joint local gradient and nonlocal structural regularizations | |
Li et al. | A mixed noise removal algorithm based on multi-fidelity modeling with nonsmooth and nonconvex regularization | |
Dong et al. | Sparsity fine tuning in wavelet domain with application to compressive image reconstruction | |
CN117351299A (zh) | 图像生成及模型训练方法、装置、设备和存储介质 | |
Zhang et al. | Poisson-Skellam distribution based regularization conditional random field method for photon-limited Poisson image denoising | |
CN112862729B (zh) | 一种基于特征曲线指导的遥感图像去噪方法 | |
CN112053362B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN115456891A (zh) | 一种基于u型动态网络的屏下相机图像复原方法 | |
Chen et al. | Blind restoration for nonuniform aerial images using nonlocal Retinex model and shearlet-based higher-order regularization | |
Deng | Iterative learning algorithms for linear Gaussian observation models |
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: 20230331 |