CN116777764A - 一种基于扩散模型的光学遥感图像去云雾方法及系统 - Google Patents
一种基于扩散模型的光学遥感图像去云雾方法及系统 Download PDFInfo
- Publication number
- CN116777764A CN116777764A CN202310587059.4A CN202310587059A CN116777764A CN 116777764 A CN116777764 A CN 116777764A CN 202310587059 A CN202310587059 A CN 202310587059A CN 116777764 A CN116777764 A CN 116777764A
- Authority
- CN
- China
- Prior art keywords
- image
- cloud
- hidden space
- space vector
- diffusion model
- 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 67
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003287 optical effect Effects 0.000 title claims abstract description 38
- 239000003595 mist Substances 0.000 title description 6
- 239000013598 vector Substances 0.000 claims abstract description 96
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000013459 approach Methods 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
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于扩散模型的光学遥感图像去云雾方法，将云雾图像输入条件编码器进行条件编码，得到第一隐空间向量；所述条件编码器包括多组图像下采样‑特征注意力提取结构；采用编码器对无关清晰图像进行编码，得到第二隐空间向量；通过扩散模型对所述第二隐空间向量进行前向扩散，以逐步加噪，得到加噪向量；将所述加噪向量与第一隐空间向量进行拼接，并通过扩散模型进行逆向扩散以去噪，得到第三隐空间向量；对所述第三隐空间向量输入解码器进行解码，得到所述云雾图像的去云雾图像。
Description
技术领域
本发明涉及光学遥感图像去雾技术领域，具体涉及一种基于扩散模型的光学遥感图像去云雾方法及系统。
背景技术
遥感技术自上个世纪在军事领域发挥了其独特的侦查优势开始，便迎来了这项技术飞速发展的黄金时期。近年来，我国也发射了许多遥感卫星用于资源勘探，城市规划，军事防务以及灾后重建等工作。但在实际应用中，大气中的云层会影响遥感卫星的传感器，使其所捕获到的图像对比度降低，颜色、纹理等特征产生变化，图片质量下降，因而难以获取到光学遥感图像中的有效信息，并影响到地面资源勘测、土地变化检测、目标检测等后续工作的开展。所以，如何有效地对光学遥感图像进行去云雾处理以获得清晰高质量的光学遥感图像这一问题具有极其重要的研究意义。
虽然传统的光学遥感图像去云雾算法取得了一定成果，但从结果上来看仍旧存在不同程度的云雾残留、细节信息丢失、图像局部颜色失真等问题，且一些基于深度学习的光学遥感图像去云雾方法通常需要大量真实的带标签去云雾数据集，而这样的数据集在实际情况中是很难获得的。
发明内容
本发明提出了一种基于扩散模型的光学遥感图像去云雾方法及系统，以解决去云雾任务中所存在的云雾遮挡、细节信息丢失、去云雾图像局部颜色失真的技术问题。
为解决上述技术问题，本发明提供了一种基于扩散模型的光学遥感图像去云雾方法，其特殊之处在于，包括以下步骤：
步骤S1：将云雾图像输入条件编码器进行条件编码，得到条件变量的第一隐空间向量；所述条件编码器包括多组图像下采样-特征注意力提取结构；
步骤S2：采用编码器对无关清晰图像进行编码，得到第二隐空间向量；
步骤S3：通过扩散模型对所述第二隐空间向量进行前向扩散，以逐步加噪，得到加噪向量；
步骤S4：将所述加噪向量与第一隐空间向量进行拼接，并通过扩散模型进行逆向扩散以去噪，得到第三隐空间向量；
步骤S5：对所述第三隐空间向量输入解码器进行解码，得到所述云雾图像的去云雾图像。
优选地，步骤S1中所述条件编码器包括两组图像下采样-特征注意力提取结构。
优选地，所述条件编码器的预训练过程包括以下步骤：
步骤S11：构建预训练网络，所述预训练网络包括五个阶段，每个阶段由一个采样模块和一个特征注意力模块组成，其中前三个所述采样模块为下采样，后两个采样模块为上采样；
步骤S12：将清晰的光学遥感图像输入所述预训练网络，得到预训练隐空间向量；
步骤S13：将所述预训练隐空间向量进行解码，得到重建图像；
步骤S14：将所述重建图像与所述光学遥感图像进行比对，当小于设定阈值时训练完成，得到所述条件编码器的参数；否则重复步骤S12至步骤S14，直到训练完成。
优选地，所述扩散模型的预训练过程包括以下步骤：
步骤S21：将一张无关的清晰光学遥感图像输入扩散模型得到噪声隐空间向量；
步骤S22：将有云雾图像输入训练完成的所述条件编码器得到有云雾隐空间向量；
步骤S23：将所述有云雾隐空间向量与噪声隐空间向量进行拼接并去噪得到结果图像；
步骤S24：设定损失函数，基于所述结果图像和有云雾图像对应的无云雾图像，通过反向传播算法对所述扩散模型的参数进行更新，以完成所述扩散模型的预训练。
优选地，步骤S24中所述损失函数Ltotal的表达式为：
式中，θ表示网络参数，ε∈N(0,I)，εt为ε在第t步时的值，λ表示超参数，T表示扩散模型的扩散步数，Zt表示经过t步加噪后的隐空间向量，λ＝0.3，Oclear表示输出的清晰无雾图像，GT为输入有雾图像对应的标签数据GroundTruth。
优选地，所述一种基于扩散模型的光学遥感图像去云雾方法还包括以下步骤：
步骤S61：将所述条件编码器设定为三组图像下采样-特征注意力提取结构；
步骤S62：通过三组图像下采样-特征注意力提取结构依次对所述云雾图像进行特征提取，得到第一特征图F1、第二特征图F2和第三特征图F3；
步骤S63：将所述第一特征图F1、第二特征图F2和第三特征图F3进行特征融合，得到多尺度特征融合特征图F0；
步骤S64：将所述融合特征图F0输入密集残差块进行特征提取，得到特征提取图；
步骤S65：将所述特征提取图输入图像重建模块计算隐空间向量，得到第四隐空间向量；
步骤S65：将步骤S4中的所述第三隐空间向量与所述第四隐空间向量进行拼接，并输入解码器进行解码，得到所述云雾图像的去云雾图像。
优选地，步骤S63中进行特征融合的方法包括以下步骤：
步骤S631：将所述第一特征图F1、第二特征图F2和第三特征图F3缩放为尺寸一致的FS1、FS2和FS3，并进行加权求和得到求和特征图Fg；
步骤S632：将所述求和特征图Fg进行卷积，得到卷积特征图Fr；
步骤S633：将所述卷积特征图Fr与所述第二特征图F2进行加权相加处理，得到融合特征图Ft；
步骤S634：将所述融合特征图Ft进行批归一化和图像下采样计算，得到多尺度特征融合特征图F0。
优选地，步骤S631中进行加权求和的表达式为：
式中，τi表示特征图所对应的权重。
优选地，步骤S633中进行加权相加处理的表达式为：
式中，Ftj表示融合特征图Ft的第j个通道，F2j表示第二特征图F2的第j个通道，Frj表示卷积特征图Fr的第j个通道，表示第二特征图F2的第j个通道所对应的权重参数，/>表示卷积特征图Fr的第j个通道所对应的那种参数。
本发明还提供了一种基于扩散模型的光学遥感图像去云雾系统，其特征在于：所述系统包括：条件编码模块、无关清晰图像编码模块、扩散模块和解码模块；
所述条件编码模块，用于对云雾图像进行条件编码，得到第一隐空间向量；
所述无关清晰图像编码模块，用于对无关清晰图像进行编码，得到第二隐空间向量；
所述扩散模块，用于对所述第二隐空间向量进行前向扩散，以逐步加噪，得到加噪向量；并将所述加噪向量和第一隐空间向量拼接后的向量进行逆向扩散以去噪，得到第三隐空间向量；
所述解码模块，用于对所述第三隐空间向量进行解码，得到所述云雾图像的去云雾图像。
本发明的有益效果至少包括：通过传统扩散模型负责生成高质量的图像，条件编码器则负责控制生成图像趋向于与输入的有雾图像相对应的清晰无雾图像，解决了去云雾任务中所存在的云雾遮挡、细节信息丢失、去云雾图像局部颜色失真的问题，解决了遥感图像去云雾任务中缺少数据集的问题，提高了遥感图像去云雾结果的生成质量。
附图说明
图1为本发明实施例的方法流程示意图；
图2为本发明实施例的条件编码器的预训练过程示意图；
图3为本发明实施例的扩散模型的预训练过程示意图；
图4为本发明实施例加入超分辨率模块的方法流程示意图；
图5为本发明实施例的特征融合方法流程示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明实施例提供了一种基于扩散模型的光学遥感图像去云雾方法，主要以扩散模型为基础，在此基础上，本文使用了条件编码模块作为约束机制来控制扩散模型的输出，使其生成出的图像为输入有云雾光学遥感图像所对应的无云雾光学遥感图像，而非不可控的图像，包括以下步骤：
步骤S1：将云雾图像Ihaze输入条件编码器进行条件编码，得到条件变量的第一隐空间向量c；条件编码器包括多组图像下采样-特征注意力提取结构。
具体地，本发明实施例中条件编码器包括两组图像下采样-特征注意力提取结构较为优选，可以在保证编码效果的同时，提高编码的效率。
步骤S2：采用编码器对无关清晰图像Iclear进行编码，得到第二隐空间向量z0；
步骤S3：通过扩散模型对第二隐空间向量z0进行前向扩散，以逐步加噪，得到加噪向量zT；
步骤S4：将加噪向量zT与第一隐空间向量c进行拼接，并通过扩散模型进行逆向扩散以去噪，得到第三隐空间向量
步骤S5：对第三隐空间向量输入解码器进行解码，得到云雾图像的去云雾图像Oclear。
本发明实施例中，为了对有云雾图像进行有效地编码，进一步提高编码效果，本发明实施例设计了一个全新的条件编码器，其具体网络结构如图2所示，图中展示了整个条件编码器的预训练网络，可以看出条件编码模块是由一组编码器-解码器结构中的编码器所组成的，其中由虚线框框起来的部分为条件编码器。整个预训练网络由五个阶段组成，每个阶段由一个采样模块和一个特征注意力模块组成。在五个阶段中，前三个阶段属于下采样阶段，后两个为上采样阶段。
其中，条件编码器的训练过程如图3上半所示，主要分为两步，第一步是对条件编码模块进行预训练。由于条件编码模块其本身来源于编码器-解码器结构中的一部分，因此在预训练过程中，需要将大量清晰的光学遥感图像Ipre-clear输入到该编码器-解码器网络结构中，使其所编码出的清晰图像的隐空间向量能够被解码器成功恢复为原本的图像。当编码器-解码器网络结构达到能够成功重建出所输入的清晰图像时，即Ipre-clear与Opre-clear的差别小于设定的阈值时，则认为该网络结构已经学习到了大量关于清晰图像的特征信息并具有恢复清晰图像的能力。
同时，本发明也按照同样的思路，对扩散模型进行从清晰图像中重建清晰图像的能力训练以达到相同的目的。
之后将训练好的条件编码器加入到扩散模型中，并借助于少量成对的光学遥感图像去云雾数据集进行训练。在这一步的训练中，首先将一张无关的清晰光学遥感图像作为扩散模型的输入Iclear输送到扩散模型网络中得到噪声隐空间向量zT，接着将有云雾图像Ihaze作为条件图像输送到条件编码器中，与隐空间向量zT进行拼接，共同参与之后的去噪过程得到最终的去云雾图像Oclear。
本发明实施例中，为了优化模型的预测性能并驱使生成结果向对应的清晰无云雾图像靠近，采用以下公式作为损失函数，在训练过程中利用反向传播算法来更新模型参数。
式中，θ表示网络参数，ε∈N(0,I)，εt为ε在第t步时的值，λ表示超参数，T表示扩散模型的扩散步数，Zt表示经过t步加噪后的隐空间向量，λ＝0.3，Oclear表示输出的清晰无雾图像，GT为输入有雾图像对应的标签数据GroundTruth。
为了进一步对输入有雾图像中的细节特征信息进行深度挖掘，以补充扩散模型生成结果中的细节信息，本发明实施例还引入了超分辨率模块，整体网络结构如图4所示，该模块由特征融合模块、密集残差块和重建模块三部分组成，具体地实现方法包括以下步骤：
步骤S61：将条件编码器设定为三组图像下采样-特征注意力提取结构；
步骤S62：通过三组图像下采样-特征注意力提取结构依次对云雾图像进行特征提取，得到第一特征图F1、第二特征图F2和第三特征图F3；
步骤S63：将第一特征图F1、第二特征图F2和第三特征图F3进行特征融合，得到多尺度特征融合特征图F0，这一操作可以将低频细节特征和高频语义特征融合在一张特征图中；
具体地，特征融合模块的结构图如图5所示，其融合的方法包括以下步骤：
步骤S631：将第一特征图F1、第二特征图F2和第三特征图F3缩放为尺寸一致的FS1、FS2和FS3，并进行加权求和得到求和特征图Fg。
本发明实施例中，通过以下公式对其进行加权求和：
式中，τi表示特征图所对应的权重。
步骤S632：将求和特征图Fg进行卷积，得到卷积特征图Fr。
步骤S633：将卷积特征图Fr与第二特征图F2进行加权相加处理，得到融合特征图Ft；
本发明实施例中，通过以下公式进行加权相加处理：
式中，Ftj表示融合特征图Ft的第j个通道，F2j表示第二特征图F2的第j个通道，Frj表示卷积特征图Fr的第j个通道，表示第二特征图F2的第j个通道所对应的权重参数，/>表示卷积特征图Fr的第j个通道所对应的那种参数。
步骤S634：将融合特征图Ft进行批归一化和图像下采样计算，得到多尺度特征融合特征图F0。
步骤S64：将融合特征图F0输入密集残差块进行特征提取，得到特征提取图，密集残差块的网络结构很深，因此其具有极强的挖掘图像特征的能力，以此模型在重建无雾图像时也能使用到更多的有效信息，密集残差块为本领域技术人员常规技术手段，在此不做过多赘述；
步骤S65：将特征提取图输入图像重建模块计算隐空间向量，得到第四隐空间向量；
步骤S65：将步骤S4中的第三隐空间向量与第四隐空间向量进行拼接，并输入解码器进行解码，得到云雾图像的去云雾图像。
通过以上的超分辨率模块，进一步提高了遥感图像去云雾结果的生成质量。
本发明还提供了一种基于扩散模型的光学遥感图像去云雾系统，其特征在于：系统包括：条件编码模块、无关清晰图像编码模块、扩散模块和解码模块；
条件编码模块，用于对云雾图像进行条件编码，得到第一隐空间向量；
无关清晰图像编码模块，用于对无关清晰图像进行编码，得到第二隐空间向量；
扩散模块，用于对第二隐空间向量进行前向扩散，以逐步加噪，得到加噪向量；并将加噪向量和第一隐空间向量拼接后的向量进行逆向扩散以去噪，得到第三隐空间向量；
解码模块，用于对第三隐空间向量进行解码，得到云雾图像的去云雾图像。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：包括以下步骤：
步骤S1：将云雾图像输入条件编码器进行条件编码，得到条件变量的第一隐空间向量；所述条件编码器包括多组图像下采样-特征注意力提取结构；
步骤S2：采用编码器对无关清晰图像进行编码，得到第二隐空间向量；
步骤S3：通过扩散模型对所述第二隐空间向量进行前向扩散，以逐步加噪，得到加噪向量；
步骤S4：将所述加噪向量与第一隐空间向量进行拼接，并通过扩散模型进行逆向扩散以去噪，得到第三隐空间向量；
步骤S5：对所述第三隐空间向量输入解码器进行解码，得到所述云雾图像的去云雾图像。
2.根据权利要求1所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：步骤S1中所述条件编码器包括两组图像下采样-特征注意力提取结构。
3.根据权利要求2所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：所述条件编码器的预训练过程包括以下步骤：
步骤S11：构建预训练网络，所述预训练网络包括五个阶段，每个阶段由一个采样模块和一个特征注意力模块组成，其中前三个所述采样模块为下采样，后两个采样模块为上采样；
步骤S12：将清晰的光学遥感图像输入所述预训练网络，得到预训练隐空间向量；
步骤S13：将所述预训练隐空间向量进行解码，得到重建图像；
步骤S14：将所述重建图像与所述光学遥感图像进行比对，当小于设定阈值时训练完成，得到所述条件编码器的参数；否则重复步骤S12至步骤S14，直到训练完成。
4.根据权利要求3所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：所述扩散模型的预训练过程包括以下步骤：
步骤S21：将一张无关的清晰光学遥感图像输入扩散模型得到噪声隐空间向量；
步骤S22：将有云雾图像输入训练完成的所述条件编码器得到有云雾隐空间向量；
步骤S23：将所述有云雾隐空间向量与噪声隐空间向量进行拼接并去噪得到结果图像；
步骤S24：设定损失函数，基于所述结果图像和有云雾图像对应的无云雾图像，通过反向传播算法对所述扩散模型的参数进行更新，以完成所述扩散模型的预训练。
5.根据权利要求所述4的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：步骤S24中所述损失函数Ltotal的表达式为：
式中，θ表示网络参数，ε∈N(0,I)，εt为ε在第t步时的值，λ表示超参数，T表示扩散模型的扩散步数，Zt表示经过t步加噪后的隐空间向量，λ＝0.3，Oclear表示输出的清晰无雾图像，GT为输入有雾图像对应的标签数据GroundTruth。
6.根据权利要求1所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：所述一种基于扩散模型的光学遥感图像去云雾方法还包括以下步骤：
步骤S61：将所述条件编码器设定为三组图像下采样-特征注意力提取结构；
步骤S62：通过三组图像下采样-特征注意力提取结构依次对所述云雾图像进行特征提取，得到第一特征图F1、第二特征图F2和第三特征图F3；
步骤S63：将所述第一特征图F1、第二特征图F2和第三特征图F3进行特征融合，得到多尺度特征融合特征图F0；
步骤S64：将所述融合特征图F0输入密集残差块进行特征提取，得到特征提取图；
步骤S65：将所述特征提取图输入图像重建模块计算隐空间向量，得到第四隐空间向量；
步骤S65：将步骤S4中的所述第三隐空间向量与所述第四隐空间向量进行拼接，并输入解码器进行解码，得到所述云雾图像的去云雾图像。
7.根据权利要求6所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：步骤S63中进行特征融合的方法包括以下步骤：
步骤S631：将所述第一特征图F1、第二特征图F2和第三特征图F3缩放为尺寸一致的FS1、FS2和FS3，并进行加权求和得到求和特征图Fg；
步骤S632：将所述求和特征图Fg进行卷积，得到卷积特征图Fr；
步骤S633：将所述卷积特征图Fr与所述第二特征图F2进行加权相加处理，得到融合特征图Ft；
步骤S634：将所述融合特征图Ft进行批归一化和图像下采样计算，得到多尺度特征融合特征图F0。
8.根据权利要求7所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：步骤S631中进行加权求和的表达式为：
式中，τi表示特征图所对应的权重。
9.根据权利要求7所述的一种基于扩散模型的光学遥感图像去云雾方法，其特征在于：步骤S633中进行加权相加处理的表达式为：
式中，Ftj表示融合特征图Ft的第j个通道，F2j表示第二特征图F2的第j个通道，Frj表示卷积特征图Fr的第j个通道，表示第二特征图F2的第j个通道所对应的权重参数，/>表示卷积特征图Fr的第j个通道所对应的那种参数。
10.一种基于扩散模型的光学遥感图像去云雾系统，其特征在于：所述系统包括：条件编码模块、无关清晰图像编码模块、扩散模块和解码模块；
所述条件编码模块，用于对云雾图像进行条件编码，得到第一隐空间向量；
所述无关清晰图像编码模块，用于对无关清晰图像进行编码，得到第二隐空间向量；
所述扩散模块，用于对所述第二隐空间向量进行前向扩散，以逐步加噪，得到加噪向量；并将所述加噪向量和第一隐空间向量拼接后的向量进行逆向扩散以去噪，得到第三隐空间向量；
所述解码模块，用于对所述第三隐空间向量进行解码，得到所述云雾图像的去云雾图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587059.4A CN116777764A (zh) | 2023-05-23 | 2023-05-23 | 一种基于扩散模型的光学遥感图像去云雾方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587059.4A CN116777764A (zh) | 2023-05-23 | 2023-05-23 | 一种基于扩散模型的光学遥感图像去云雾方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777764A true CN116777764A (zh) | 2023-09-19 |
Family
ID=87985113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310587059.4A Pending CN116777764A (zh) | 2023-05-23 | 2023-05-23 | 一种基于扩散模型的光学遥感图像去云雾方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777764A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372631A (zh) * | 2023-12-07 | 2024-01-09 | 之江实验室 | 一种多视角图像生成模型的训练方法、应用方法 |
| CN117635479A (zh) * | 2024-01-25 | 2024-03-01 | 北京航空航天大学 | 基于双阶段扩散模型的磁粒子图像去噪方法、系统及设备 |
| CN118154468A (zh) * | 2024-05-11 | 2024-06-07 | 北京理工大学 | 一种基于隐空间扩散模型的模糊图像通用增强方法 |
-
2023
- 2023-05-23 CN CN202310587059.4A patent/CN116777764A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372631A (zh) * | 2023-12-07 | 2024-01-09 | 之江实验室 | 一种多视角图像生成模型的训练方法、应用方法 |
| CN117372631B (zh) * | 2023-12-07 | 2024-03-08 | 之江实验室 | 一种多视角图像生成模型的训练方法、应用方法 |
| CN117635479A (zh) * | 2024-01-25 | 2024-03-01 | 北京航空航天大学 | 基于双阶段扩散模型的磁粒子图像去噪方法、系统及设备 |
| CN117635479B (zh) * | 2024-01-25 | 2024-04-23 | 北京航空航天大学 | 基于双阶段扩散模型的磁粒子图像去噪方法、系统及设备 |
| CN118154468A (zh) * | 2024-05-11 | 2024-06-07 | 北京理工大学 | 一种基于隐空间扩散模型的模糊图像通用增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN108596841B (zh) | 一种并行实现图像超分辨率及去模糊的方法 | |
| CN116777764A (zh) | 一种基于扩散模型的光学遥感图像去云雾方法及系统 | |
| Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
| CN111968123B (zh) | 一种半监督视频目标分割方法 | |
| CN111539886B (zh) | 一种基于多尺度特征融合的去雾方法 | |
| CN113570516B (zh) | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 | |
| CN112381716B (zh) | 一种基于生成式对抗网络的图像增强方法 | |
| CN113870124B (zh) | 基于弱监督的双网络互激励学习阴影去除方法 | |
| CN112884073A (zh) | 图像去雨方法、系统、终端及存储介质 | |
| CN111768340A (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
| CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
| CN116310394A (zh) | 显著性目标检测方法及装置 | |
| CN108986047B (zh) | 图像降噪方法 | |
| CN111724306A (zh) | 一种基于卷积神经网络的图像缩小方法及系统 | |
| 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 | |
| CN116433516A (zh) | 一种基于注意力机制的低照度图像去噪增强方法 | |
| CN112801909B (zh) | 基于U-Net和金字塔模块的图像融合去噪方法及系统 | |
| CN115187468A (zh) | 基于双级特征融合的红外图像去噪方法 | |
| CN114219738A (zh) | 单幅图像多尺度超分辨重建网络结构及方法 | |
| Ren et al. | Rendered Image Superresolution Reconstruction with Multichannel Feature Network | |
| Zhang et al. | Scale-progressive multi-patch network for image dehazing | |
| CN112669234A (zh) | 基于神经网络的高分辨率图像复原方法及系统 | |
| Wang et al. | Automatic model-based dataset generation for high-level vision tasks of autonomous driving in haze weather | |
| Pan et al. | Underwater mixed spatial attention network |
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 |