CN116152441A - 一种基于深度先验的多分辨率U-net曲面重建方法 - Google Patents
一种基于深度先验的多分辨率U-net曲面重建方法 Download PDFInfo
- Publication number
- CN116152441A CN116152441A CN202310277429.4A CN202310277429A CN116152441A CN 116152441 A CN116152441 A CN 116152441A CN 202310277429 A CN202310277429 A CN 202310277429A CN 116152441 A CN116152441 A CN 116152441A
- Authority
- CN
- China
- Prior art keywords
- resolution
- net
- network
- data
- curved surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 21
- 238000012549 training Methods 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 abstract description 11
- 238000011160 research Methods 0.000 abstract description 5
- 238000011176 pooling Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度先验的多分辨率U‑net曲面重建方法，应用于地质研究与勘探数据处理领域，针对现有技术存在的重建精度不高的问题；本发明将残缺的图像数据作为多分辨率U‑net网络的学习目标，以达到让多分辨率U‑net网络捕获先验信息的目的，再通过多分辨率U‑net网络对先验信息的学习，将输入图像进行分块，对各局部块数据进行反复迭代得到局部重建结果，再进行局部结果拼接，最终得到重建结果图；因为多分辨率U‑net网络是无监督式网络，使用该网络对层位进行重建，可以规避构建大型训练数据集遇到的问题，并且引入了空洞卷积以及新的损失函数，使得对层位曲面重建的准确性得到了提升。
Description
技术领域
本发明属于地质研究与勘探数据处理领域，特别涉及一种地质曲面重建技术。
背景技术
地质研究与勘探数据处理技术是地质空间可视化的重要基石，但受到工作场地条件和资金成本等限制，在特定的研究范围内，有限的钻孔和稀疏的勘探数据，难以满足建立空间数据场构建的需要。空间曲面重建技术能对稀疏勘探数据进行合理的加密，选取适当的曲面重建算法并有效地挖掘数据中蕴含的信息，是开展地理空间可视化工作的关键步骤。而曲面重建技术恢复层位数据是地震解释中常用的方法之一，通过对层位的重建能够进行属性提取、层位运算、成图等相关操作。
曲面重建主要通过曲面拟合来实现，包括隐式拟合和显式拟合，是基于参数曲面、隐函数曲面或分段多项式近似数据点等方法。曲面拟合方法是将被测曲面用一个曲面方程函数表征，广泛应用于计算机视觉等领域，但这种利用函数逼近的方式使得结果精度往往不高，曲面结果的细微特征难以体现。现如今有一些基于电子设备(如激光雷达、3D相机、CT等)实现曲面重建的方式，例如医学上有利用多层螺旋CT曲面重建技术去更好的诊断骨骼、血管等的疾病。还有基于电子设备得到的点云数据进行曲面重建，根据获取的点云数据的拓扑关系，结合重采样、加权函数、最小二乘等操作提高重建的精准度。除此之外，深度学习的引入使得曲面重建算法的研究产生了一次飞跃，将曲面重建转化为图像处理问题，利用已知数据的相互关系，通过深度学习算法，使得曲面重构的效果和精度都得到大幅的提升。这些方法的性能一般取决于训练数据集的大小与质量，数据的收集以及训练需要大量的时间与经济成本，训练结果的过拟合也会对后续工作有所阻碍。
发明内容
为解决上述技术问题，本发明提出一种基于深度先验的多分辨率U-net地质层位曲面重建方法，利用多分辨率U-net深度学习网络，采取非监督网络算法，对地质层位实现曲面重建。
本发明采用的技术方案为：一种基于深度先验的多分辨率U-net地质层位曲面重建方法，包括：
S1、将待处理的三维层位图像数据采用掩码处理，进行95％随机缺失作为点云数据，并投影为二维图像数据；
S2、构建多分辨率U-Net网络；
S3、将步骤S1得到的二维图像数据作为重建目标，并向步骤S2构建的多分辨率U-Net网络输入随机固定噪声，得到重建后的结果。
该方法先将原始三维点云数据投影到二维平面，再进行一定程度上的分块处理后再作为网络的重建目标。利用多分辨率U-Net方法从损坏的数据中捕获先验，通过向网络输入随机噪声，对分成小块每一局部层位数据进行二维重建，最后将各个局部的数据进行对应位置的拼接，再恢复到三维数据，实现最终的曲面重建。
本发明的有益效果：本发明提出了基于深度先验多分辨率U-Net结构的深度学习网络的方法对点云数据处理实现层位的曲面重建，将三维点云数据投影为二维作为缺失的层位数据作为网络的重建目标，向网络输入随机固定噪声，通过多分辨率U-Net来捕获更多的不同尺度上的特征信息来增加先验，并引入了空洞卷积以及新的损失函数来增加重建的准确性。经过网络多次迭代训练之后，最后训练神经网络得到最终的重建结果。实验结果表明：
(1)传统的曲面重建方法需要构建大型的数据集，会耗费大量的时间与精力去完成，并且最终结果还容易出现过拟合的现象；
(2)引入了多分辨率块，提高了网络对不同尺度上的特征的捕获能力；再引入了路径残差块，消除了在传统的U型网络中可能会产生的语义间隙；
(3)本发明提出的基于多分辨率U-Net网络的层位曲面重建方法，通过网络迭代过程的损失函数来对重建效果进行验证，最终得到重建效果较好的结果，为后续工作奠定了基础；
(4)采用将原始数据分块，分别重建的方式进行处理，避免了原始数据过大，重建时间过长，甚至系统内存不足无法进行实验等问题，并且可以利用临近块区域的数据作为网络的先验信息进行训练，也能得到不错的效果；
(5)引入了空洞卷积，避免了传统卷积对缺失图像进行卷积时只卷积到缺失部分，从而卷积效果较差的情况。
附图说明
图1为本发明实施例提供的大小为2×2的卷积核对4×4的图像卷积的结果；
图2为本发明实施例提供的窗口大小为2×2的最大值池化与平均池化示意图；
图3为本发明实施例提供的U-Net结构图；
图4为本发明实施例提供的ResNet结构图；
图5为本发明实施例提供的多分辨率的U-Net体系结构；
图6为本发明实施例提供的多分辨率块示意图；
图7为本发明实施例提供的路径残差块示意图；
图8为本发明实施例提供的空洞卷积示意图；
图9为本发明实施例提供的区域1原始数据投影、归一化处理后的结果；
图10为本发明实施例提供的区域1点云数据投影、归一化处理后的结果；
图11为本发明实施例提供的区域1、2、5、6的原始数据图和相应的重建结果图；
其中，(a)为区域1、2、5、6层位原始数据，(b)为区域1、2、5、6层位插值重建结果；
图12为本发明实施例提供的层位插值训练过程损失函数与SNR变化曲线；
其中，(a)为层位区域1对应的插值训练过程损失函数与SNR变化曲线，(b)为层位区域2对应的插值训练过程损失函数与SNR变化曲线，(c)为层位区域3对应的插值训练过程损失函数与SNR变化曲线，(d)为层位区域4对应的插值训练过程损失函数与SNR变化曲线；
图13为本发明实施例提供的最终的重建结果与原始层位数据；
其中，(a)为原始数据，(b)为插值重建结果。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，首先对以下技术术语进行说明：
1、卷积神经网络(CNN，CNN(Convolutional Neural Network)
卷积神经网络主要应用于图像识别领域，通过网络内部局部连接与权值共享的方式，减少网络权值数量，使得网络的复杂度降低，易于优化，也减少了过拟合的出现。卷积神经网络的基本结构由卷积层、池化层、全连接层构成，这里主要介绍卷积层和池化层。
在本发明投影获得的二维图像数据中，卷积运算的具体步骤如下：
输入图像数据和卷积核可以理解为两个矩阵块，将卷积核块以图像块的最左上角为初始位置开始以单位步长(一般默认为1)开始水平滑动，步长的大小以及卷积核的大小都可以进行人为的设定。在初始位置，以及之后每次经过单位步长距离滑动后得到的位置都将用图像矩阵上对应位置像素值与卷积核矩阵上对应位置的数值相乘，然后把该区域的所有数据相乘后的结果求和，将该值作为卷积处理后该位置的像素值，直到将所有的区域滑动完，就得到最终的结果。如图1所示的卷积运算就是一个维度为4×4的图像数据与一个2×2的卷积核进行步长为1的卷积运算，而图1中对应的左上角部分也就是经过卷积运算之后得到的相应的结果。
而相应的二维图像池化运算的具体步骤如下：
池化运算和卷积运算的运算过程十分类似，如图2所示，池化运算也是从图像的最左上角上开始滑动，但不再是以单位步长进行滑动，而是在规定大小的窗口内，选取对应的池化方式(如最大值池化Max pool，均值池化Mean pool)对窗口内的数据进行计算处理，得到一个值，将该值作为池化结果图像对应位置上的灰度值，滑动窗口处理完所有像素求得最后的结果。
2、U-Net网络模型
U-Net网络结构如图3所示，因其酷似“U”型，故由此得名。U-Net网络结构大体可以分为两大部分，这里用左半部分和右半部分代称，左半部分总体是进行的特征提取操作，而右半部分是进行上采样操作。可以看到图3中右半部分中的每一次上采样操作都会与左半部分相应的特征提取位置进行相应的尺度融合拼接，但是由于网络左右两边的图像会出维度不同的情况，因此在进行融合拼接之前需要将两者的维度进行相应的裁剪。可以从图3看到，网络中输入的图像的维度是572×572，但是经过网络的处理之后输出的图像的维度变成了388×388，由此可以看出输入的图像数据在经过U-Net处理之后，其维度发生了改变。
在图3中的向右箭头代表3×3的卷积操作(其中还包含了ReLU激活函数)，并且步长(stride)是1，因此，在经历了每次卷积操作以后，图像的维度就会减2。向下箭头代表2×2的最大池化(max pooling)操作，也就是上一小节所提到的最大池化。需要注意的是，池化的窗口大小可能会与输入的图像大小的维度奇偶性不同，这会使得在进行池化操作时有一部分数据不会被池化窗口选中而无法进行池化造成数据丢失，从而损失图像信息。因此在实验之前要选取合适的输入大小。
3、残差网络模型(ResNet)
用增加网络的层数的方式来实现从输入的图像矩阵信息中提取出更加丰富的特征信息，这是大多数研究者们在运用神经网络进行训练时所采用的方法。然而，当使用的网络是类似于传统的CNN网络时，若仅仅只是一味地增加网络的层数是无法实现获取更多图像特征信息的目的的。出现这种问题的原因在于：增加网络深度确实可以提高网络性能，但增加到一定程度会出现准确率饱和甚至下降的现象。另一方面，图像细节丧失和梯度消失等问题也会伴随着神经网络层数的增多变得更加容易出现。
针对网络层数增加带来的一系列性能问题，He等人在2016年提出了一种深度残差网络，成功缓解了网络层数增加反而使得训练效果降低这一问题。残差网络的大体结构如图4所示。残差网络内部具有独特的残差块结构，残差块采用了跳跃连接的方法，像是在一般的网络上新增了一个通道分支，跳过中间的一些计算，直接传递信息，用通俗的话讲就是在“主干道”上开辟了一个“捷径”，而这个“捷径”使得了在深度神经网络中由于增大层数所造成的梯度消失问题等问题得到了一定缓解。
残差网络这种跳跃连接的结构，使得神经网络的数据传输方式不在局限于传统的输入到输出的形式，拓展了网络传输的方式，让人们发现了神经网络具有更多的可能性。残差网络使得神经网络在图像分类、定位任务和语义分割等任务中表现的更加优异。除此之外，残差网络还易优化，能通过增加网络的层数、深度来提高网络训练的准确率。
下面结合附图对本发明内容进一步阐释。
层位对地学的研究有着非常重要的作用，通过层位重建能够对沿层的各类属性进行提取。本发明提出了将三维点云数据投影为二维数据作为网络重建目标，向网络输入随机固定噪声，通过网络的重建后再恢复成三维的方法来实现最终的曲面重建。网络的结构特点减少了大量的训练时间，曲面重建效果较好，为后续地学研究工作奠定了基础。
本发明提出了一种基于深度先验的多分辨率U-Net网络结构实现曲面重建的方法，再引入空洞卷积以及新的损失函数来使重建结果更加精确。该方法是一种基于深度先验范式的无监督插值策略，这意味着本发明所提出的技术不需要在大量的数据集上对网络进行预先训练，而是通过数据集直接训练网络对层位数据进行学习。该方法先将原始三维点云数据投影到二维平面，再进行一定程度上的分块处理后再作为网络的重建目标。利用多分辨率U-Net方法从损坏的数据中捕获先验，通过向网络输入随机噪声，对分成小块每一局部层位数据进行二维重建，最后将各个局部的数据进行对应位置的拼接，再恢复到三维数据，实现最终的曲面重建。
本发明提出的总体实验流程如图5所示。首先，网络的总体结构是基于U-Net结构进行改动，所以整体的框架仍与U-Net类似。在U-Net这个网络结构的基础上，在传统的卷积层模块上添加了多分辨率模块(MultiResBlock)，以此增强对不同尺度上数据的特征捕获。
首先对初始的三维点云数据进行投影预处理，再将投影获得的二维数据作为网络的重建目标，从最初输入随机固定噪声开始，直接进入多分辨率块进行处理，图5中多分辨率U-NET部分进行下采样特征提取，在其过程中，多分辨率块之间采用一个3×3的卷积、批量归一化处理(Batch Normalization)、以及Leaky ReLU激活函数进行连接。而在上采样过程中，在多分辨率块之间通过双线性插值(bilinear)与BN进行连接。
本发明引入了多分辨率块(multi-resolution block)，如图6所示，将其添加到传统的U-Net网络中。该多分辨率块采用了一系列轻量级的3×3卷积方法，将三个滤波器对应的输出连接在一起，这样就能解决传统U-Net无法做到的提取出不同尺度下的空间特征的问题。而在多分辨率块中还引入了一个残差连接，因为残差连接能够提高网络对数据处理的效率。在多分辨率块中还有一个1×1的卷积滤波器，借此来获取一些额外的数据空间信息。
此外，在传统的U型网络中，由于解码器的特征比编码器的特征处理得更多，在编码器的特征通过所谓的跳跃连接被合并到解码器的特征上的这个操作可能会产生语义间隙。为了避免这个问题，这里引入了图7中的路径残差块，它是由3×3和1×1卷积构成的，通过对编码器部分提取的特征进行非线性变换，从而消除了语义间隙。
因为网络输入的是残缺图像，所以当对图像进行卷积的时候，卷积核卷积的某些部分容易出现全为缺失部位的情况，因此这里引入空洞卷积来减少或者规避这种情况的出现。
空洞卷积是在标准的、普通的卷积里面加入空洞，这个空洞用参数dilation来表示，当dilation＝1时，像素卷积取值时就没有间隔，这个空洞卷积也就是普通卷积。也就是，采用空洞卷积时，选取的像素之间的间隔为dilation-1(dilation为≥1的整数)通过采用空洞卷积的方式来扩大感受野，这样使得卷积核在图像上看到的范围增大，网络的参数也不会增加，并且随着感受野的增加不会对图像的分辨率等造成影响。这里通过采用空洞卷积的方式来达到减少感受野中为数据缺失部分较多的情况，提高信息获取能力的目的。
如图8所示的空洞卷积就是3×3的卷积核去卷积7×7的特征图像，而其中dilation设定为2，个像素的间隔就为1。
定义一个二进制掩码M(x,y)，如式(1)所示。G(x,y)是一个通过常规勘测获得的密集点集，X0是G(x,y)中获得的实际残缺点集，
是理想的点集，仿真实验中采用
的方式直接取得和实际工程中获得的已知残缺点集对应位置相同的数据，式中的⊙表示对应元素相乘。
曲面重建所需要做的任务就包括根据观察到的X0，计算出理想的点集
的估计值
而
依靠最小化成本函数J(X)来重建，该成本函数如式(2)所示。
J(x)＝E(X,X0)+R(X) (2)
这里的X是网络输出的已知缺失数据对应位置相同的输出重建数据，R(X)是引入的一些先验信息的规则化器，E(X,X0)是与M重建任务相关的数据正确性保真项，这里运用的是L来作为这一项。采用的L由两部分加权组成，如式(3)所示。其第一部分是常规的均方误差(MSE，Mean Square Error)，其公式如式(4)所示，MSE用于最小化预测值与真实值之间的差异。第二部分采用多的是平滑损失L1函数(SmoothL1Loss)，其公式如式(5)所示，SmoothL1Loss能够最小化异常值对MSE损失的影响，这样能够提高训练期间算法的稳定性。经过了多次的尝试之后，这里将权值α设定为0.8时效果相对较好。而式(2)中的另一项R(X)是引入的一些先验信息的规则化器，一般为一些相关专家已经提出的处理方式。
L＝αLMSE+(1-α)LSmoothL1 (3)
其中，n为数据量，yi为对应位置数据真值，
为yi的预测值(后续
yi含义相同)；
接着，这里对式(2)的成本函数做了一些修改，以便于从输入的实际应用中的未知的存在缺失的数据中获得更多有利于后续重建的先验信息，修改后的成本函数如式(6)所示：
J(θ)＝E(Fθ(Z)⊙M,X0) (6)
其中，M是M(x,y)的简写；本领域技术人员应知X0即重建目标，也就是投影获得的二维数据；
在式(2)中的R(X)被由多分辨率U-Net网络Fθ捕获的隐含式先验替代，以至于X＝Fθ(Z)，其中Z为输入的固定随机噪声。类似于将J作为损失函数来训练卷积神经网络，J的最小化是在卷积神经网络的权值θ的基础上来执行的，而该权重θ采用Xavier方法随机初始化，之后随迭代更新。
当数据量过大时，将所有数据一次性实施重建会出现一系列问题，例如在使用维度为1000×1000的数据进行实验时，重建时间需要40分钟以上，并且进行第二次重建时容易出现系统内存不够无法进行重建的情况。所以在对较大的原始数据进行训练前，需要将原始图像分成若干块，经过多次实验，小块的维度在300×300左右较为合理，在单个小块数据量不会太少的同时，处理时间也较短。然后对每一块数据进行局部处理，根据原始输入数据的大小，对其分成适当维度的小块并编号，以一临近块区域作为网络的先验信息对每个拆分部分分别进行训练，再将各部分训练结果数据进行拼接。
本发明所采用的实验数据是三维层位数据，这里利用上述掩码将完整的数据进行95％随机缺失作为点云数据，并将该数据投影为二维数据，数据体变为800×1000的二维数据，再将上述二维数据进行分块重建，数据被分成了16块200×250的小块区域进行实验，并将各块依次以代号1-16命名。
如图9为层位区域1原始数据经过投影、归一化处理得到的图像。如图10所示，将经过上述预处理的区域1的数据作为网络的先验信息分别对预处理后的区域1、2、5、6进行重建。图11(a)(b)分别是四个区域的原始数据图和相应的重建结果图。
在使用多分辨率U-Net网络对缺失的数据进行分块重建，不论是从重建结果图，还是从如图12所示的损失函数曲线以及SNR曲线来看，重建的效果都十分准确。
各个小块分别进行重建之后，将所有得到的重建结果进行对应位置的拼接，最后将拼接后的二维结果恢复到三维，完成曲面重建实验。在拼接之后的最终的重建结果与原始层位数据如图13所示。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。
Claims (6)
1.一种基于深度先验的多分辨率U-net地质层位曲面重建方法，其特征在于，包括：
S1、将待处理的三维层位图像数据采用掩码处理，进行95％随机缺失作为点云数据，并投影为二维图像数据；
S2、构建多分辨率U-Net网络；
S3、将步骤S1得到的二维图像数据作为重建目标，并向步骤S2构建的多分辨率U-Net网络输入随机固定噪声，得到重建后的结果。
2.根据权利要求1所述的一种基于深度先验的多分辨率U-net地质层位曲面重建方法，其特征在于，掩码处理具体过程为：
定义一个二进制掩码M(x,y)
其中，G是一个通过常规勘测获得的密集点集，(x,y)为点坐标。
3.根据权利要求2所述的一种基于深度先验的多分辨率U-net地质层位曲面重建方法，其特征在于，多分辨率U-Net网络对应的曲面重建的最小化成本函数表达式为：
J(θ)＝E(Fθ(Z)⊙M,X0)
其中Z为输入多分辨率U-Net网络Fθ的随机固定噪声，X0是G中获得的实际残缺点集，M是M(x,y)的简写，E()是与M重建任务相关的数据正确性保真项，θ是多分辨率U-Net网络Fθ的权值。
4.根据权利要求3所述的一种基于深度先验的多分辨率U-net地质层位曲面重建方法，其特征在于，多分辨率U-Net网络结构包括编码部分与解码部分，编码部分各层的不同分辨率模块之间通过3×3的卷积、批量归一化处理以及Leaky ReLU激活函数连接；
在解码器部分各层的不同分辨率模块之间通过双线性插值、批量归一化处理连接。
5.根据权利要求4所述的一种基于深度先验的多分辨率U-net地质层位曲面重建方法，其特征在于，在解码器部分输出层的最后2个分辨率模块之间还包括1×1的卷积滤波器。
6.根据权利要求5所述的一种基于深度先验的多分辨率U-net地质层位曲面重建方法，其特征在于，还包括路径残差块，用于对编码器部分提取的特征进行非线性变换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277429.4A CN116152441B (zh) | 2023-03-21 | 2023-03-21 | 一种基于深度先验的多分辨率U-net曲面重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277429.4A CN116152441B (zh) | 2023-03-21 | 2023-03-21 | 一种基于深度先验的多分辨率U-net曲面重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116152441A true CN116152441A (zh) | 2023-05-23 |
| CN116152441B CN116152441B (zh) | 2023-11-14 |
Family
ID=86350759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310277429.4A Active CN116152441B (zh) | 2023-03-21 | 2023-03-21 | 一种基于深度先验的多分辨率U-net曲面重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116152441B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091616A (zh) * | 2019-11-25 | 2020-05-01 | 艾瑞迈迪科技石家庄有限公司 | 一种三维超声图像的重建方法及装置 |
| CN113613000A (zh) * | 2021-08-20 | 2021-11-05 | 天津大学 | 一种智能多分辨率深度视频帧内预测方法 |
-
2023
- 2023-03-21 CN CN202310277429.4A patent/CN116152441B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091616A (zh) * | 2019-11-25 | 2020-05-01 | 艾瑞迈迪科技石家庄有限公司 | 一种三维超声图像的重建方法及装置 |
| CN113613000A (zh) * | 2021-08-20 | 2021-11-05 | 天津大学 | 一种智能多分辨率深度视频帧内预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 熊子涵等: "基于深度学习的荧光显微性能提升", 红外与激光工程, vol. 51, no. 11, pages 1 - 18 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116152441B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
| CN110443842B (zh) | 基于视角融合的深度图预测方法 | |
| CN113240613B (zh) | 一种基于边缘信息重建的图像修复方法 | |
| CN113012172A (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
| Tu et al. | SWCGAN: Generative adversarial network combining swin transformer and CNN for remote sensing image super-resolution | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN113870124B (zh) | 基于弱监督的双网络互激励学习阴影去除方法 | |
| CN114663440A (zh) | 一种基于深度学习的眼底图像病灶分割方法 | |
| CN111968036A (zh) | 一种分层图像超分辨率方法、系统、计算机设备及应用 | |
| CN115731138A (zh) | 一种基于Transformer与卷积神经网络的图像修复方法 | |
| CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
| CN115660979A (zh) | 一种基于注意力机制的双判别器图像修复方法 | |
| CN118411290B (zh) | 无监督高光谱图像融合方法、系统、存储介质及产品 | |
| CN116310095A (zh) | 一种基于深度学习的多视图三维重建方法 | |
| CN116385454A (zh) | 一种基于多阶段聚合的医学图像分割方法 | |
| 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 | |
| Chen et al. | Recovering fine details for neural implicit surface reconstruction | |
| 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 | |
| CN114972619A (zh) | 一种基于自对齐双重回归的单图像人脸三维重建方法 | |
| CN116152441B (zh) | 一种基于深度先验的多分辨率U-net曲面重建方法 | |
| AU2021104479A4 (en) | Text recognition method and system based on decoupled attention mechanism | |
| CN116704367A (zh) | 一种多尺度特征融合耕地变化检测方法及系统 | |
| 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 | |
| CN116468638A (zh) | 一种基于生成和鉴别平衡对抗的人脸图像修复方法及系统 | |
| CN115909077A (zh) | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 |
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 |