CN116862795A - 一种基于逐像素退化预测网络的多级去运动模糊方法 - Google Patents
一种基于逐像素退化预测网络的多级去运动模糊方法 Download PDFInfo
- Publication number
- CN116862795A CN116862795A CN202310814308.9A CN202310814308A CN116862795A CN 116862795 A CN116862795 A CN 116862795A CN 202310814308 A CN202310814308 A CN 202310814308A CN 116862795 A CN116862795 A CN 116862795A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- resolution
- blurred
- module
- 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 36
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 34
- 230000015556 catabolic process Effects 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000001502 supplementing effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于逐像素退化预测网络的多级去运动模糊方法,能够高效地去除图像中的运动模糊。本发明对模糊图像下采样两倍及四倍得到中、低分辨率模糊图像,并使用逐像素退化预测模块生成低分辨率复原图像,以及有效信息。接着将低分辨率复原图像经过上采样与中分辨率模糊图像融合输入空间通道补偿模块,同时使用空间通道补偿模块对低分辨率有效信息进行优化和补充,生成中分辨率复原图像。随后在高分辨率层次重复此步骤,生成复原图像。相比于已有方法,本发明采用多级的网络结构,在低分辨率使用稠密结构,中、高分辨率使用稀疏结构,大幅降低了计算量。使用逐像素卷积以及逐层优化,在有效提升网络模型计算效率的同时保持较好的图像质量。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于逐像素退化预测网络的多级去运动模糊方法。
背景技术
模糊图像复原是图像处理领域一个备受关注的研究问题,能够去除人工及设备因素造成的成像模糊,从而复原图像的特征信息并提高图像的感知质量。
模糊图像复原是对图像退化模型的逆求解过程,根据求解过程中退化核为显式指定或隐式表达,可以分为非盲去模糊以及盲去模糊算法。盲去模糊算法则通过变分贝叶斯、最大似然估计等迭代类方法以及深度神经网络等学习类方法来对退化核未知的模糊图像进行复原。在已有的算法中,非学习类传统图像模糊复原算法效果不理想且泛化能力。与此同时,随着深度学习技术的快速发展,基于深度卷积神经网络的图像处理方法在算法精度和图像感知质量上均有显著提升。当前基于深度卷积神经网络的模糊图像复原算法一般使用编码器-解码器结构,通过编码器将图像进行降维,并将生成的特征进行组合和取舍,最终由解码器重建出清晰的图像。已有的神经网络模糊图像复原方法主要通过提升模型复杂度和深度以及计算平台算力的堆积来提高算法精度,忽略了实际应用的轻量化需求,特别是对于算力、能耗极为敏感的移动终端。然而,模糊图像复原属于低层次视觉范畴的逐像素稠密预测任务,需要对多层较大尺寸的特征进行卷积操作,对计算平台的算力要求较高。
发明内容
本发明的目的在于通过一种基于逐像素退化预测网络的多级去运动模糊方法,该方法能够有效地减少网络模型的计算资源耗费的同时实现在满足移动端硬件条件的高效高质量的深度神经网络的去运动模糊任务。
本发明采用如下技术方案来实现的:
一种基于逐像素退化预测网络的多级去运动模糊方法,包括以下步骤:
S1:使用模糊图像复原数据集S的每组模糊图像及清晰图像分别四倍及二倍下采样,形成三个不同分辨率层级的模糊图像及清晰图像,构成新的数据集S',并将其输入到网络模型中;
S2:将低分辨率模糊图像输入逐点卷积的模糊图像复原网络卷积得到复原图像以及输出层前一级特征;
S3:将中分辨率模糊图像以及低分辨率模糊复原图像输入空间通道补偿模块,通过空间通道补偿模块对低分辨率输出层前一级特征进行补偿,得到中分辨率复原图像;并在高分辨率层次重复此步骤,得到高分辨率模糊复原图像;
S4:计算各层复原图像以及清晰图像之间的误差值,使用加权之和作为总误差对模糊图像复原网络进行约束训练;
S5:使用训练好的网络模型对需要进行去模糊的图像IB进行复原,从而得到预测的清晰图像IS。
本发明进一步的改进在于,步骤S1中,对数据集S的每组模糊-清晰图像数据对分别进行四倍及二倍下采样,形成三个不同分辨率层级的模糊-清晰图像数据对,即Ilr、GTlr、Imr、GTmr、Ihr和GThr,构成新的数据集S';其中,Ilr表示低分辨率模糊图像,GTlr表示低分辨率清晰图像,Imr表示中分辨率模糊图像,GTmr表示中分辨率清晰图像,Ihr表示高分辨率模糊图像,GThr表示高分辨率清晰图像。
本发明进一步的改进在于,步骤S2中,将低分辨率模糊图像结合前后帧作为参考帧组成的图像组[Ilr]±1输入至一个逐像素退化预测模块中,得到各点复原核阵列Klr、残差图像Rlr和加权Wlr;
计算得到复原后的低分辨率图像Olr,并提取该网络输出层的前最后一层解码特征Declr。
本发明进一步的改进在于,步骤S2中,使用公式:
计算得到复原后的低分辨率图像Olr。
本发明进一步的改进在于,逐像素退化预测模块由编码模块、解码模块以及输出模块三个基本模块组成。
本发明进一步的改进在于,步骤S3中,将经过Olr上采样两倍的图像Olr↑与中分辨率模糊图像结合前后帧作为参考帧组成的图像组[Imr]±1输入一个空间通道补偿模块得到优化参数φmr,与Declr上采样两倍的结果Flr↑进行卷积得到优化后的特征Decmr,Olr、Olr↑、[Imr]±1输入一个与逐像素退化预测模块中第一层编码层结构相同的编码层得到一个编码特征Encmr,Encmr与Decmr结合经过输出层和计算复原得到图像Omr;在网络的高分辨层次重复相同的步骤,得到高分辨率输出图像Ohr。
本发明进一步的改进在于,由公式:
计算复原得到图像Omr。
本发明进一步的改进在于,空间通道补偿模块由图像降维模块、特征调整模块、输出层以及与逐像素退化预测模块中相同的编码模块组成。
本发明进一步的改进在于,步骤S4中,使用L1损失函数以及边缘损失函数分别计算Olr和GTlr、Omr和GTmr、Ohr和GThr之间的误差值L1、L2和L3,加权得到总误差值,使用Adam优化器更新网络参数使总误差值收敛至最小,完成训练。
与现有技术相比,本发明至少具有如下有益的技术效果:
本发明提供的一种基于逐像素退化预测网络的多级去运动模糊方法,在多级网络结构下,进行低分辨率去模糊-高分辨率优化的层次化处理,有效的降低深度神经网络的计算复杂度以及存储开销,大幅度提高神经网络模糊图像复原的推理速度。并且由于逐像素反退化在不同尺度的差异性较小,本发明融合了多尺度的特征,得以在实现轻量化地同时,将运动模糊图像地复原效果保持在一个较高地水平。
进一步的,通过由低分辨率到中分辨率再到高分辨率的顺序,逐层完成模糊图像复原过程。相较于其他方法中模糊复原操作主要处于高分辨率尺度进行,而本发明将模糊图像初步复原的操作置于低分辨率尺度,在中、高分辨率尺度下只进行对低分辨率特征的补偿操作,为了避免中、高分辨率补偿操作复杂度较高,还引入了可分离卷积的操作,使计算量相较于其他方法大幅减少,大幅提高计算效率。
进一步的,使用了逐像素卷积的方式构建模糊图像复原网络,即使用各点复原核阵列、残差图像以及权重,通过计算得到复原图像。相较于通过编码-解码的方式直接生成复原图像,本发明的处理方式更有利于逐层实现模糊图像的复原,其原因在于两个方面。一方面,该网络于低分辨率尺度得到的各点复原核阵列,在中、高分辨率尺度具有一定的区域表征性,所以存在高精度跨尺度优化的可能。另一方,面残差图像和权重从低分辨率到高分辨率的优化过程相当于一个简单的超分辨率操作,极大得保证了空间通道补偿模块不会因为任务过于复杂而使模糊图像复原效果大幅下降。
进一步的,多级网络将低分辨率级中的有效信息向更高层次进行了传递,在此过程中充分补充帧内和帧间信息,使特征粒度更加细致,图像复原的效果更加良好。帧内部分,提取了较低分辨率复原图像与较高分辨率的输入图像的空间特征,将其作为空间注意力模板对较低分辨率特征进行空间维度的补偿;帧间方面,提取了较高分辨率的输入图像与前后参考帧之间的连续特征,将其作为通道注意力模板对较低分辨率特征进行时间维度的补偿。这样符合运动模糊物理机制的信息补偿使去模糊过程更加贴近实际运动模糊模式,图像复原效果更加优异。
附图说明
图1为本发明一种基于逐像素退化预测网络的多级去运动模糊方法的流程图;
图2为本发明逐像素退化预测模块结构示意图;
图3为本发明空间通道补偿模块结构示意图;
图4为本发明整体框架示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,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。下面将参考附图并结合实施例来详细说明本发明。
1)如图1所示,本发明提供的一种基于逐像素退化预测网络的多级去运动模糊方法,包括以下步骤:
S1:使用模糊图像复原数据集S的每组模糊图像及清晰图像分别四倍及二倍下采样,形成三个不同分辨率层级的模糊图像及清晰图像,构成新的数据集S',并将其中数据输入网络模型中;
S2:将低分辨率模糊图像输入逐点卷积的模糊图像复原网络卷积得到复原图像以及输出层前一级特征;
S3:将中分辨率模糊图像以及低分辨率模糊复原图像输入空间通道补偿模块,通过空间通道补偿模块对低分辨率输出层前一级特征进行补偿,得到中分辨率复原图像;并在高分辨率层次重复此步骤,得到高分辨率模糊复原图像;
S4:计算各层复原图像以及清晰图像之间的误差值,使用加权之和作为总误差对模糊图像复原网络进行约束训练。
S5:使用训练好的网络模型对需要进行去模糊的图像IB进行复原,从而得到预测的清晰图像IS。
下面对各步骤进行详细论述:
2)S1:对数据集S的每组模糊-清晰图像数据对分别进行四倍及二倍下采样,形成三个不同分辨率层级的模糊-清晰图像数据对,即Ilr、GTlr、Imr、GTmr、Ihr、GThr,构成新的数据集S'。其中,Ilr表示低分辨率模糊图像,GTlr表示低分辨率清晰图像,Imr表示中分辨率模糊图像,GTmr表示中分辨率清晰图像,Ihr表示高分辨率模糊图像,GThr表示高分辨率清晰图像。将构建好的数据集依次取出输入如图4所示的网络,该网络由三层组成,Ilr通过逐像素退化预测模块生成低分辨率复原图像,并得到低分辨率有效信息。接着将低分辨率复原图像经过上采样与中分辨率模糊图像融合输入空间通道补偿模块,同时使用空间通道补偿模块对低分辨率有效信息进行优化和补充,生成中分辨率复原图像;并在高分辨率重复中分辨率层次步骤。
3)S2:如图2所示,逐像素退化预测模块由编码模块、解码模块以及输出模块三个基本模块组成,模块1、2、3表示编码模块,模块4、5表示解码模块,模块6表示输出模块,具体结构及参数图中均已标标注。以低分辨率模糊图像的大小64x64为例,将低分辨率模糊图像输入至各点卷积模糊图像复原网络中,经过模块1得到形状为1x32x64x64的特征张量,经过模块2得到形状为1x64x32x32的特征张量,经过模块3得到形状为1x128x16x16的特征张量,经过模块4得到形状为1x64x32x32的特征张量,经过反卷积上采样与模块2得到的特征向量跨层连接融合经过模块5得到形状为1x64x32x32的特征向量,与模块1得到的特征向量跨层连接融合(即输出层前一级的特征)经过模块6得到形状为1x9x64x64的点卷积阵列、形状为1x3x64x64的残差图像与形状为1x1x64x64的权重,使用公式(1)得到大小为64x64的低分辨率模糊复原图像Olr及低分辨率输出层的前最后一层解码特征Declr。
4)S3:如图3所示,空间通道补偿模块由图像降维模块、特征调整模块、输出层以及与逐像素退化预测模块中模块1相同的编码模块组成。以中分辨率图像大小为128x128为例,该图像与低分辨率模糊复原图像融合经过图像降维模块得到1x256特征向量,将低分辨率级输出层的前最后一层解码特征Declr的上采样结果经过特征调整模块进行调整得到Decmr,结合编码模块得到的编码特征Encmr经过输出层并由(2)式计算得到中分辨率模糊复原图像Omr。高分辨率重复此步骤得到高分辨率模糊复原图像Ohr。
5)S4:使用LossL1计算各层模糊复原图像与清晰图像的L1范数误差值,使用Lossedge计算各层模糊复原图像与清晰图像的边缘误差值,对层内进行加权求和得到层内损失Losslayer,对各层损失进行加权求和得到总损失Losstotal,并优化网络参数:
LossL1=L1(GT,O)
Losslayer=λL1×LossL1+λedge×Lossedge
Losstotal=λlayer_lr×Losslayer_lr+λlayer_mr×Losslayer_mr+λlayer_hr×Losslayer_hr
其中,λL1为L1范数损失函数值的系数,在这里取1;λedge为边缘损失函数的系数,在这里取0.05。
为了提升学习收敛速度,防止陷入局部最优点,使用Adam优化器对模型参数进行更新。至此,网络模型训练完成。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,包括以下步骤:
S1:使用模糊图像复原数据集S的每组模糊图像及清晰图像分别四倍及二倍下采样,形成三个不同分辨率层级的模糊图像及清晰图像,构成新的数据集S',并将其输入到网络模型中;
S2:将低分辨率模糊图像输入逐点卷积的模糊图像复原网络卷积得到复原图像以及输出层前一级特征;
S3:将中分辨率模糊图像以及低分辨率模糊复原图像输入空间通道补偿模块,通过空间通道补偿模块对低分辨率输出层前一级特征进行补偿,得到中分辨率复原图像;并在高分辨率层次重复此步骤,得到高分辨率模糊复原图像;
S4:计算各层复原图像以及清晰图像之间的误差值,使用加权之和作为总误差对模糊图像复原网络进行约束训练;
S5:使用训练好的网络模型对需要进行去模糊的图像IB进行复原,从而得到预测的清晰图像IS。
2.根据权利要求1所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,步骤S1中,对数据集S的每组模糊-清晰图像数据对分别进行四倍及二倍下采样,形成三个不同分辨率层级的模糊-清晰图像数据对,即Ilr、GTlr、Imr、GTmr、Ihr和GThr,构成新的数据集S';其中,Ilr表示低分辨率模糊图像,GTlr表示低分辨率清晰图像,Imr表示中分辨率模糊图像,GTmr表示中分辨率清晰图像,Ihr表示高分辨率模糊图像,GThr表示高分辨率清晰图像。
3.根据权利要求2所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,步骤S2中,将低分辨率模糊图像结合前后帧作为参考帧组成的图像组[Ilr]±1输入至一个逐像素退化预测模块中,得到各点复原核阵列Klr、残差图像Rlr和加权Wlr;
计算得到复原后的低分辨率图像Olr,并提取该网络输出层的前最后一层解码特征Declr。
4.根据权利要求3所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,步骤S2中,使用公式:
计算得到复原后的低分辨率图像Olr。
5.根据权利要求3所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,逐像素退化预测模块由编码模块、解码模块以及输出模块三个基本模块组成。
6.根据权利要求3所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,步骤S3中,将经过Olr上采样两倍的图像Olr↑与中分辨率模糊图像结合前后帧作为参考帧组成的图像组[Imr]±1输入一个空间通道补偿模块得到优化参数φmr,与Declr上采样两倍的结果Flr↑进行卷积得到优化后的特征Decmr,Olr、Olr↑、[Imr]±1输入一个与逐像素退化预测模块中第一层编码层结构相同的编码层得到一个编码特征Encmr,Encmr与Decmr结合经过输出层和计算复原得到图像Omr;在网络的高分辨层次重复相同的步骤,得到高分辨率输出图像Ohr。
7.根据权利要求6所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,由公式:
计算复原得到图像Omr。
8.根据权利要求6所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,空间通道补偿模块由图像降维模块、特征调整模块、输出层以及与逐像素退化预测模块中相同的编码模块组成。
9.根据权利要求6所述的一种基于逐像素退化预测网络的多级去运动模糊方法,其特征在于,步骤S4中,使用L1损失函数以及边缘损失函数分别计算Olr和GTlr、Omr和GTmr、Ohr和GThr之间的误差值L1、L2和L3,加权得到总误差值,使用Adam优化器更新网络参数使总误差值收敛至最小,完成训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814308.9A CN116862795A (zh) | 2023-07-04 | 2023-07-04 | 一种基于逐像素退化预测网络的多级去运动模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814308.9A CN116862795A (zh) | 2023-07-04 | 2023-07-04 | 一种基于逐像素退化预测网络的多级去运动模糊方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862795A true CN116862795A (zh) | 2023-10-10 |
Family
ID=88222818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814308.9A Pending CN116862795A (zh) | 2023-07-04 | 2023-07-04 | 一种基于逐像素退化预测网络的多级去运动模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237231A (zh) * | 2023-11-10 | 2023-12-15 | 深圳市善之能科技有限公司 | 一种防止显示屏画面模糊的渐变调整方法及系统 |
-
2023
- 2023-07-04 CN CN202310814308.9A patent/CN116862795A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237231A (zh) * | 2023-11-10 | 2023-12-15 | 深圳市善之能科技有限公司 | 一种防止显示屏画面模糊的渐变调整方法及系统 |
CN117237231B (zh) * | 2023-11-10 | 2024-02-09 | 深圳市善之能科技有限公司 | 一种防止显示屏画面模糊的渐变调整方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969577B (zh) | 一种基于深度双重注意力网络的视频超分辨率重建方法 | |
CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
CN112541877B (zh) | 基于条件生成对抗网络的去模糊方法、系统、设备及介质 | |
CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
CN114418883B (zh) | 一种基于深度先验的盲图像去模糊方法 | |
CN113570516B (zh) | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 | |
Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
CN116862795A (zh) | 一种基于逐像素退化预测网络的多级去运动模糊方法 | |
CN109767389A (zh) | 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法 | |
CN116957964A (zh) | 一种基于扩散模型的小样本图像生成方法及系统 | |
CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
CN111986121B (zh) | 基于Framelet l0范数约束的模糊图像非盲复原方法 | |
CN114820389B (zh) | 一种基于无监督解耦表征的人脸图像去模糊方法 | |
Lian et al. | An Image Deblurring Method Using Improved U‐Net Model | |
CN110211059A (zh) | 一种基于深度学习的图像重建方法 | |
CN115018726A (zh) | 一种基于U-Net的图像非均匀模糊核的估计方法 | |
CN110648291B (zh) | 一种基于深度学习的无人机运动模糊图像的复原方法 | |
CN114862699A (zh) | 基于生成对抗网络的人脸修复方法、装置及存储介质 | |
CN108665412B (zh) | 一种利用自然图像先验知识进行多帧图像超分辨重建的方法 | |
CN114581304A (zh) | 一种基于循环网络的图像超分辨率和去雾融合方法及系统 | |
Wei et al. | Image denoising with deep unfolding and normalizing flows | |
CN114998666B (zh) | 一种用于图像盲超分辨率增强网络的退化核提取方法 |
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 |