CN116109496A - 基于双流结构保护网络的x光片增强方法及系统 - Google Patents

基于双流结构保护网络的x光片增强方法及系统 Download PDF

Info

Publication number
CN116109496A
CN116109496A CN202211427116.4A CN202211427116A CN116109496A CN 116109496 A CN116109496 A CN 116109496A CN 202211427116 A CN202211427116 A CN 202211427116A CN 116109496 A CN116109496 A CN 116109496A
Authority
CN
China
Prior art keywords
image
generator
protection network
ray film
output
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
Application number
CN202211427116.4A
Other languages
English (en)
Inventor
黄伟杰
路垚
王文孔
张梦华
程新功
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202211427116.4A priority Critical patent/CN116109496A/zh
Publication of CN116109496A publication Critical patent/CN116109496A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T2207/10116—X-ray 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)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提出了基于双流结构保护网络的X光片增强方法及系统，包括：将待增强的X光片放入训练好的最优增强模型中，输出增强后的X光片；所述最优增强模型，包括双流结构保护网络，所述双流结构保护网络包括生成器及判别器；所述生成器对原始图像进行处理，输出与目标图像相似的生成图像，生成器输出的图像与与原始图像拼接，得到第一拼接图像；将原始图像和目标图像拼接，得到第二拼接图像；将第一拼接图像及第二拼接图像输入至判别器中，所述判别器输出的损失函数反馈至生成器。

Description

基于双流结构保护网络的X光片增强方法及系统
技术领域
本发明属于图像处理技术领域，尤其涉及基于双流结构保护网络的X光片增强模型构建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
将现代人工智能方法应用于医学图像检测，建立智能化的医学诊断环境。它可以提高医疗诊断效率，降低门诊费用，实现智能医疗处理。
但低质量的X光片和小物体对智能医疗检测系统的成功构建有很大的消极影响。作为近年来学术界的一个热点，生成对抗网络(GAN)被用于提高X光片的质量和提高医学诊断的效果。但当GAN在X光片中处理细小纹理骨折时，微小的结构会被破坏。
因此，如何做到增强X光片，同时保证更好的结构保持是研究的热点问题，同时是本领域技术人员亟待解决的问题。
发明内容
为克服上述现有技术的不足，本发明提供了基于双流结构保护网络的X光片增强模型构建方法，本方法利用生成对抗网络增强X光片并更好的对细小结构进行保持。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了基于双流结构保护网络的X光片增强方法，包括：
将待增强的X光片放入训练好的最优增强模型中，输出增强后的X光片；
所述最优增强模型，包括双流结构保护网络，所述双流结构保护网络包括生成器及判别器；
所述生成器对原始图像进行处理，输出与目标图像相似的生成图像，生成器输出的图像与与原始图像拼接，得到第一拼接图像；
将原始图像和目标图像拼接，得到第二拼接图像；
将第一拼接图像及第二拼接图像输入至判别器中，所述判别器输出的损失函数反馈至生成器。
作为进一步的技术方案，增强模型训练时，包括：
使用成对X光片图像对双流结构保护网络进行训练，每对X光片图像包括原始图像和目标图像；
若训练没有停止，则加载成对X光片图像，以优化生成器和判别器；
基于生成器和判别器的损失函数，反向更新网络参数训练双流结构保护网络，直至获得最优增强模型。
作为进一步的技术方案，所述生成器的损失函数包括两部分：
第一部分使用交叉熵损失，用于与判别器进行对抗性训练；
第二部分使用提出的新的混合损失函数，用于使生成图像更接近于目标图像。
作为进一步的技术方案，所述判别器的损失函数包括两部分：
第一部分用于与生成器形成对抗性损失；
第二部分将目标图像与原始图像输入判别器后输出的概率向1优化。
作为进一步的技术方案，所述生成器包括编码器及解码器；
所述编码器包括第一分支及第二分支，用于对输入的原始图像进行特征编码，输出X光片特征，在编码的过程中对第一分支及第二分支中的相关输出进行特征拼接，以强化高频细节特征；
所述解码器接收编码器输出的X光片特征，并输出与目标图像相似的生成图像。
作为进一步的技术方案，所述第一分支及第二分支均包括多个第一编码结构、第二编码结构；
所述第一分支直接对原始图像进行卷积处理；
所述第二分支提取原始图像高频特征后进行卷积处理；
所述第二分支的第二编码结构的输出与第一个分支中第二编码结构的输出进行特征拼接，以强化高频细节特征。
作为进一步的技术方案，所述第一编码结构、第二编码结构由顺序排布的卷积层、批归一化层、ReLU激活函数组成，所述第一编码结构用于对原始X光片的特征张量进行通道变换，第二编码结构用于对张量进行下采样。
作为进一步的技术方案，所述解码器包括多个第一解码结构及第二解码结构；
所述第一解码结构采用卷积层，批归一化层，ReLU激活函数，用于对张量进行通道变换；
所述第二解码结构采用转置卷积层，批归一化层，ReLU激活函数，用于对张量进行上采样。
作为进一步的技术方案，所述第二解码结构的输出张量融合编码器中对应第二编码结构的输出张量；
在所述解码器的最后一个第二解码结构之后，衔接三组不进行下采样的卷积结构，以更好地结合融合后的特征。
作为进一步的技术方案，所述解码器采用Tanh将输出映射为与目标图像尺寸相同的，像素值为[-1,1]的输出图像；最后，经过数值变换，得到像素值为[0,255]的生成图像。
作为进一步的技术方案，所述判别器包括五个卷积层，对接收的数据进行下采样，其结构为“卷积层、IN层、LeakyReLU”，所述判别器的输出是一个通道为1的概率图，用于计算输入中是否包含目标图像。
以上一个或多个技术方案存在以下有益效果：
本发明的网络结构在编码器中，每个ConvD2的输出与第一个分支中ConvD2的输出进行特征拼接，以强化高频细节特征。在解码器中，每个ConvU2的输出张量融合编码器中对应ConvD2的输出张量。在最后一个ConvU2之后，衔接了三组不进行下采样的卷积结构，以更好地结合融合后的特征
本发明提出了一种用于X光片增强和微小结构保留的新型双流网络。双流结构的思想受到动作识别的启发，动作识别采用空间流和时间流来保证场景和运动信息同时被学习。本发明将双流架构转移到U-net，以学习空间连续性和结构完整性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例整体结构示意图；
图2为本发明实施例生成器网络结构图；
图3为本发明实施例判别器网络结构图；
图4为本发明实施例优化过程结构图；
图5为本发明实施例正面手部X光片对比图；
图6为本发明实施例侧面手部X光片对比图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
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。
实施例一
本实施例公开了基于双流结构保护网络的X光片增强方法，包括：
将待增强的X光片放入训练好的最优模型中，输出增强后的X光片。
为了更清楚的阐述本实施例，最优模型构建的实现过程可具体描述如下：
参见附图1所示，步骤1，将原始图像和目标图像同时输入网络。
步骤2：构建基于特征融合的生成器，生成器包括编码器及解码器，参见附图2所示；
在本实施例子中，在编码器中构造了两个分支对输入图像进行特征编码，相关步骤：
第一分支：
原始图像
→ConvD1→BN→ReLU→ConvD1→ConvD2→ConvD1→ConvD1→ConvD2→ConvD1→ConvD1→ConvD2→ConvD1→ConvD1→ConvD2→原始图像特征图。
经过对原始图像的特征提取，改变卷积核区域大小的像素变化，重新组合成原始图像的新特征像素。
第二分支：
提取的原始图像高频细节
→ConvD1→ConvD1→ConvD2→ConvD1→ConvD1→ConvD2→ConvD1→ConvD1→ConvD2→ConvD1→ConvD1→ConvD2→高频细节特征图
经过对高频特征图像的特征提取，重新组合成原始图像的高频细节的新特征像素。
上述第二分支中，每个ConvD1的输出与第一个分支中ConvD1的输出进行特征拼接并与解码器中ConvU2的输出结合，原始图像特征图与高频细节特征图进行拼接并输入到解码器中，以强化高频细节特征。
其中ConvD1、ConvD2由顺序排布的卷积层、批归一化层(BN)、ReLU激活函数组成。因为经过批归一化层后张量元素分布更接近0均值，ReLU的单侧抑制作用得以展现，因此批归一化层与ReLU结合可以让ReLU更好地产生特征选择作用。经过ConvD1编码模块后，得到进行通道变换后的特征张量。经过ConvD2编码模块后，得到进行下采样后的特征张量。
解码器接收编码器输出的X光片特征，并输出与目标图像相似的生成图像。基于批归一化层与ReLU结合的优势，解码器采用“卷积层，批归一化层，ReLU激活函数”的形式构建ConvU1结构。经过ConvU1解码结构后，得到通道变换后的特征张量。继续构建“转置卷积层，批归一化层，ReLU激活函数”的形式构建ConvU2结构。经过ConvU2解码结构后，得到上采样后的特征张量。由于在解码器中，每个ConvU2的输出张量都融合编码器中ConvD1拼接后的张量，在最后一个ConvU2之后，仍需要进行卷积操作以对融合后的特征进行编码。因此，在最后一个ConvU2之后衔接了三组不进行下采样的卷积结构。最后，采用Tanh将输出映射为与目标图像尺寸相同的，像素值为[-1,1]的输出图像。经过数值变换，得到像素值为[0,255]的生成图像。
步骤3：构建带有五个卷积层的判别器，参见附图3所示，对接收的数据进行下采样，其结构为“卷积层、IN层、LeakyReLU”。采用IN层可以不受通道和批次大小的影响，保持了每个图像的独立性。LeakyReLU对负值输入有很小的坡度，扩大了ReLU函数的取值范围，更精确地计算判别器输出的概率。
判别器的输出是一个通道为1的概率图，用于计算输入中是否包含目标图像。
步骤4：设计生成器的损失函数和判别器的损失函数，根据所提出的双流结构，生成器的损失函数λG设计为两部分，如公式1所示。
λG＝λ1+ω1λ2                           (1)
其中ω1为λ1和λ2两部分损失的平衡系数，本设计中取为100。第一部分λ1使用交叉熵损失，用于与判别器进行对抗性训练，如公式2所示。
Figure BDA0003944753070000071
其中xg为判别器处理生成图像与原始图像的概率图。y1为可由判别器输出的预期正标签。B为批量(batch)的大小。σ为Sigmoid激活函数。
第二部分λ2使用提出的新的混合损失函数，用于使生成图像更接近于目标图像，如公式3所示。
Figure BDA0003944753070000072
式中，LSSIM(·)是目标X光片和生成X光片的结构相似性损失(SSIM)。yt为目标图像，yg为生成图像。ω2被设置为SSIM损失的权重，以与反映像素相似性的L1损失(表示为L1(·))平衡。在本设计中，ω2的值取为0.1。
步骤5：设计判别器的损失函数，判别器的损失函数由λ3和λ4两部分组成，均采用与λ1相同的交叉熵损失。λ3如公式4所示，用于与生成器形成对抗性损失。
Figure BDA0003944753070000073
其中，y0为判别器输出的预期负标签。
λ4如公式5所示，将目标图像与原始图像输入判别器后输出的概率向1优化。
Figure BDA0003944753070000074
其中，xt为目标图像与原始图像输入判别器后输出的概率图。y1为判别器输出的预期正标签。
步骤6：将步骤2设计的生成器生成的图像与原始图像拼接，再将原始图像和目标图像拼接，将前面两个拼接后的结果输入至步骤3设计的判别器中，输出的损函数反馈回生成器中。
训练过程参见附图4所示，使用4038对成对X光片图像对网络进行训练，每对X光数据包括一张X光片的原图和一张手工预处理后的图像，原图作为原始图像，手工预处理后的图像作为目标图像；
若训练没有停止，则加载成对X光片图像，以优化生成器和判别器；
基于生成器和判别器的损失函数，通过梯度下降法反向更新网络参数训练双流结构保护网络，直至获得最优模型。
测试的图像放入训练好的网络即可实现X光片增强并不保留微小结构的功能。
实验结果表明本专利提出的方法设计网络能够更好地增强X光片并对细小结构效果进行保持，具体参见附图5、6所示。
实施例二
本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供本实施例公开了基于双流结构保护网络的X光片增强系统，包括：
增强模块，被配置为：将待增强的X光片放入训练好的最优增强模型中，输出增强后的X光片；
模型构建模块，被配置为：构建最优增强模型，所述最优增强模型包括双流结构保护网络，所述双流结构保护网络包括生成器及判别器；
所述生成器对原始图像进行处理，输出与目标图像相似的生成图像，生成器输出的图像与与原始图像拼接，得到第一拼接图像；
将原始图像和目标图像拼接，得到第二拼接图像；
将第一拼接图像及第二拼接图像输入至判别器中，所述判别器输出的损失函数反馈至生成器。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于双流结构保护网络的X光片增强方法，其特征是，包括：
将待增强的X光片放入训练好的最优增强模型中，输出增强后的X光片；
所述最优增强模型，包括双流结构保护网络，所述双流结构保护网络包括生成器及判别器；
所述生成器对原始图像进行处理，输出与目标图像相似的生成图像，生成器输出的图像与与原始图像拼接，得到第一拼接图像；
将原始图像和目标图像拼接，得到第二拼接图像；
将第一拼接图像及第二拼接图像输入至判别器中，所述判别器输出的损失函数反馈至生成器。
2.如权利要求1所述的基于双流结构保护网络的X光片增强方法，其特征是，增强模型训练时，包括：
使用成对X光片图像对双流结构保护网络进行训练，每对X光片图像包括原始图像和目标图像；
若训练没有停止，则加载成对X光片图像，以优化生成器和判别器；
基于生成器和判别器的损失函数，反向更新网络参数训练双流结构保护网络，直至获得最优增强模型。
3.如权利要求2所述的基于双流结构保护网络的X光片增强方法，其特征是，所述生成器的损失函数包括两部分：
第一部分使用交叉熵损失，用于与判别器进行对抗性训练；
第二部分使用提出的新的混合损失函数，用于使生成图像更接近于目标图像。
4.如权利要求2所述的基于双流结构保护网络的X光片增强方法，其特征是，所述判别器的损失函数包括两部分：
第一部分用于与生成器形成对抗性损失；
第二部分将目标图像与原始图像输入判别器后输出的概率向1优化。
5.如权利要求1所述的基于双流结构保护网络的X光片增强方法，其特征是，所述生成器包括编码器及解码器；
所述编码器包括第一分支及第二分支，用于对输入的原始图像进行特征编码，输出X光片特征，在编码的过程中对第一分支及第二分支中的相关输出进行特征拼接，以强化高频细节特征；
所述解码器接收编码器输出的X光片特征，并输出与目标图像相似的生成图像。
6.如权利要求5所述的基于双流结构保护网络的X光片增强方法，其特征是，所述第一分支及第二分支均包括多个第一编码结构、第二编码结构；
所述第一分支直接对原始图像进行卷积处理；
所述第二分支提取原始图像高频特征后进行卷积处理；
所述第二分支的第二编码结构的输出与第一个分支中第二编码结构的输出进行特征拼接，以强化高频细节特征；
优选的，所述第一编码结构、第二编码结构由顺序排布的卷积层、批归一化层、ReLU激活函数组成，所述第一编码结构用于对原始X光片的特征张量进行通道变换，第二编码结构用于对张量进行下采样。
7.如权利要求5所述的基于双流结构保护网络的X光片增强方法，其特征是，所述解码器包括多个第一解码结构及第二解码结构；
所述第一解码结构采用卷积层，批归一化层，ReLU激活函数，用于对张量进行通道变换；
所述第二解码结构采用转置卷积层，批归一化层，ReLU激活函数，用于对张量进行上采样；
优选的，所述第二解码结构的输出张量融合编码器中对应第二编码结构的输出张量；
在所述解码器的最后一个第二解码结构之后，衔接三组不进行下采样的卷积结构，以更好地结合融合后的特征；
优选的，所述解码器采用Tanh将输出映射为与目标图像尺寸相同的，像素值为[-1,1]的输出图像；最后，经过数值变换，得到像素值为[0,255]的生成图像；
优选的，所述判别器包括五个卷积层，对接收的数据进行下采样，其结构为“卷积层、IN层、LeakyReLU”，所述判别器的输出是一个通道为1的概率图，用于计算输入中是否包含目标图像。
8.基于双流结构保护网络的X光片增强系统，其特征是，包括：
增强模块，被配置为：将待增强的X光片放入训练好的最优增强模型中，输出增强后的X光片；
模型构建模块，被配置为：构建最优增强模型，所述最优增强模型包括双流结构保护网络，所述双流结构保护网络包括生成器及判别器；
所述生成器对原始图像进行处理，输出与目标图像相似的生成图像，生成器输出的图像与与原始图像拼接，得到第一拼接图像；
将原始图像和目标图像拼接，得到第二拼接图像；
将第一拼接图像及第二拼接图像输入至判别器中，所述判别器输出的损失函数反馈至生成器。
9.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
CN202211427116.4A 2022-11-15 2022-11-15 基于双流结构保护网络的x光片增强方法及系统 Pending CN116109496A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211427116.4A CN116109496A (zh) 2022-11-15 2022-11-15 基于双流结构保护网络的x光片增强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211427116.4A CN116109496A (zh) 2022-11-15 2022-11-15 基于双流结构保护网络的x光片增强方法及系统

Publications (1)

Publication Number Publication Date
CN116109496A true CN116109496A (zh) 2023-05-12

Family

ID=86260502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211427116.4A Pending CN116109496A (zh) 2022-11-15 2022-11-15 基于双流结构保护网络的x光片增强方法及系统

Country Status (1)

Country Link
CN (1) CN116109496A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978792A (zh) * 2019-03-28 2019-07-05 厦门美图之家科技有限公司 一种生成图像增强模型的方法
CN111027576A (zh) * 2019-12-26 2020-04-17 郑州轻工业大学 基于协同显著性生成式对抗网络的协同显著性检测方法
CN111798400A (zh) * 2020-07-20 2020-10-20 福州大学 基于生成对抗网络的无参考低光照图像增强方法及系统
CN113450261A (zh) * 2020-03-25 2021-09-28 江苏翼视智能科技有限公司 一种基于条件生成对抗网络的单幅图像去雾方法
CN113763442A (zh) * 2021-09-07 2021-12-07 南昌航空大学 一种可变形医学图像配准方法及系统
CN114998261A (zh) * 2022-06-02 2022-09-02 华南农业大学 一种双流U-Net图像篡改检测网络系统及其图像篡改检测方法
CN115019139A (zh) * 2022-06-02 2022-09-06 杭州电子科技大学 一种基于双流网络的光场显著目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978792A (zh) * 2019-03-28 2019-07-05 厦门美图之家科技有限公司 一种生成图像增强模型的方法
CN111027576A (zh) * 2019-12-26 2020-04-17 郑州轻工业大学 基于协同显著性生成式对抗网络的协同显著性检测方法
CN113450261A (zh) * 2020-03-25 2021-09-28 江苏翼视智能科技有限公司 一种基于条件生成对抗网络的单幅图像去雾方法
CN111798400A (zh) * 2020-07-20 2020-10-20 福州大学 基于生成对抗网络的无参考低光照图像增强方法及系统
CN113763442A (zh) * 2021-09-07 2021-12-07 南昌航空大学 一种可变形医学图像配准方法及系统
CN114998261A (zh) * 2022-06-02 2022-09-02 华南农业大学 一种双流U-Net图像篡改检测网络系统及其图像篡改检测方法
CN115019139A (zh) * 2022-06-02 2022-09-06 杭州电子科技大学 一种基于双流网络的光场显著目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEIJIE HUANG ET AL.: "A new two-stream structure preserving network for X-ray enhancement", 《JOURNAL OF LATEX CLASS FILES》, vol. 14, no. 8, pages 1 - 10 *
ZHAOQING PAN ET AL.: "MIEGAN: Mobile Image Enhancement via a Multi-Module Cascade Neural Network", 《IEEE TRANSACTIONS ON MULTIMEDIA》, vol. 24, 28 January 2021 (2021-01-28), pages 519 - 533, XP011900069, DOI: 10.1109/TMM.2021.3054509 *

Similar Documents

Publication Publication Date Title
CN110084863B (zh) 一种基于生成对抗网络的多域图像转换方法与系统
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
CN112396645B (zh) 一种基于卷积残差学习的单目图像深度估计方法和系统
CN115482241A (zh) 一种跨模态双分支互补融合的图像分割方法及装置
CN112767468A (zh) 基于协同分割与数据增强的自监督三维重建方法及系统
CN112733768B (zh) 基于双向特征语言模型的自然场景文本识别方法及装置
EP3872747B1 (en) Video super resolution method
CN113762277B (zh) 一种基于Cascade-GAN的多波段红外图像融合方法
CN110363068A (zh) 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法
CN112419455A (zh) 基于人体骨架序列信息的人物动作视频生成方法、系统及存储介质
CN109815931A (zh) 一种视频物体识别的方法、装置、设备以及存储介质
CN116109920A (zh) 一种基于Transformer的遥感图像建筑物提取方法
CN109934793A (zh) 一种基于整数dct变换的实时图像融合方法
CN116757986A (zh) 一种红外与可见光图像融合方法及装置
CN117314808A (zh) 一种结合Transformer与CNN双编码器的红外与可见光图像融合方法
CN116797618A (zh) 基于多模态mri心脏图像的多阶段分割方法
CN113379606A (zh) 一种基于预训练生成模型的人脸超分辨方法
CN115496919A (zh) 基于窗口掩码策略的混合卷积-变压器架构及自监督方法
CN116188307A (zh) 适用于全天的图像低照度增强和语义分割联合方法和系统
Wang et al. Msfnet: multistage fusion network for infrared and visible image fusion
CN118429459A (zh) 一种基于可形变卷积特征对齐的多模态核磁共振图像重建方法
CN112906549B (zh) 一种基于时空胶囊网络的视频行为检测方法
CN113255675A (zh) 基于扩张卷积和残差路径的图像语义分割网络结构及方法
CN117036171A (zh) 单幅图像的蓝图可分离残差平衡蒸馏超分辨率重建模型及方法
CN117058392A (zh) 一种基于卷积局部增强的多尺度Transformer图像语义分割方法

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