CN117058038B - 一种基于偶数卷积深度学习的衍射模糊图像修复方法 - Google Patents

一种基于偶数卷积深度学习的衍射模糊图像修复方法 Download PDF

Info

Publication number
CN117058038B
CN117058038B CN202311088997.6A CN202311088997A CN117058038B CN 117058038 B CN117058038 B CN 117058038B CN 202311088997 A CN202311088997 A CN 202311088997A CN 117058038 B CN117058038 B CN 117058038B
Authority
CN
China
Prior art keywords
image
diffraction
convolution
image restoration
input
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.)
Active
Application number
CN202311088997.6A
Other languages
English (en)
Other versions
CN117058038A (zh
Inventor
戴飞
黄曹辉
金赟韬
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202311088997.6A priority Critical patent/CN117058038B/zh
Publication of CN117058038A publication Critical patent/CN117058038A/zh
Application granted granted Critical
Publication of CN117058038B publication Critical patent/CN117058038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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]
    • 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偶数卷积深度学习的衍射模糊图像修复方法，包括以下步骤：S1.给定偶对称衍射模糊核的物理模型和衍射模糊图像修复模型；S2.将衍射模糊图像修复模型中的奇数卷积核替换为偶数卷积核；S3.利用具有偶数卷积核的衍射模糊图像修复模型对输入图像进行处理，并完成图像修复模型的训练。本发明加强了针对光学衍射导致的图像模糊修复问题上对感受野的提取能力，同时保证模型的训练效果。

Description

一种基于偶数卷积深度学习的衍射模糊图像修复方法
技术领域
本发明涉及图像修复领域，特别是涉及一种基于偶数卷积深度学习的衍射模糊图像修复方法。
背景技术
对于通常的图像修复模型，由于大多数情况下模糊核未知，因此在针对模糊图像修复的卷积网络也基本是采用奇数卷积的形式。而对于由于光学衍射导致的图像模糊，其模糊核通常是偶数大小，即偶对称情况，直接采用奇数核卷积会导致感受野提取不完善，图像表征能力差，进而导致模型训练结果一般的情况。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于偶数卷积深度学习的衍射模糊图像修复方法，在图像修复深度模型的训练时，能够加强其在针对光学衍射导致的图像模糊修复问题上对感受野的提取能力，同时保证模型的训练效果。
本发明的目的是通过以下技术方案来实现的：一种基于偶数卷积深度学习的衍射模糊图像修复方法，包括以下步骤：
S1.给定偶对称衍射模糊核的物理模型f(x,y)和衍射模糊图像修复模型，f(x,y)满足：
f(x,y)＝f(-x,y)or f(x,y)＝f(x,-y)
衍射模糊图像修复模型采用CNN的图像修复模型，其一般由输入层，中间层，输出层三部分组成，三部分均由包含奇数卷积核的卷积网络层堆砌而成；
优选地，通常在每个网络层中，可能还会通过添加归一化层，激活函数层或者注意力层来实现对特征不同程度的提取与非线性响应。
基于偶数卷积的衍射模糊图像修复方法，主要针对每一层中的奇数核卷积层进行替换处理。对于输入层卷积层，其接受单通道或者三通道的图像作为输入，输出卷积处理的浅层特征图；对于中间层，其一般对输入层的输出特征进行编解码获取深层特征；对于输出层，其主要对中间层编解码得到的深层特征进行卷积融合，获取与输入图像相同通道数的修复图像；
S2.将衍射模糊图像修复模型中的奇数卷积核替换为偶数卷积核；
S3.利用具有偶数卷积核的衍射模糊图像修复模型对输入图像进行处理，并完成图像修复模型的训练。
优选地，在完成图像修复模型的训练后，还包括图像修复步骤：
将待修复的衍射模糊图像送入训练好的图像修复模型中，由图像修复模型输出图像修复结果。
优选地，所述偶数卷积核表示为kernel(ci,co,k,k)，其中k mod 2＝0，k表示偶数卷积核大小，ci,co表示卷积核的输入、输出通道数。
所述步骤S3中利用具有偶数卷积核的衍射模糊图像修复模型对输入图像进行处理的过程包括：
对于初始输入高宽为hi,wi，通道数为ci的图像，将其维度表示为(ci,hi,wi)，在其输入到输入层之前，处理过程如下：
在每通道图像的左方和上方边缘处用0元素进行1个像素的图像padding，使输入变为(ci,hi+1,wi+1)，
对于padding后的初始输入图像，采用偶数卷积核kernel(ci,co,k,k)进行卷积：
img(ci,hi+1,wi+1)*kernel(ci,co,k,k)
完成对初始输入图像的偶数卷积后，获取大小为(co,hi,wi)的输出特征图，用作后续卷积层输入；
对于中间层和输出层的所有卷积层，采用对称padding的方法，将输入图像进行4分组，分成4组维度大小为的特征图，对4组特征图进行不同方向的padding：
第1组在左方和上方边缘处采用0元素进行1个像素的padding；
第2组在左方和下方边缘处采用0元素进行1个像素的padding；
第3组在右方和上方边缘处采用0元素进行1个像素的padding；
第4组在右方和下方边缘处采用0元素进行1个像素的padding；
将padding得到的4组特征图在通道方向进行拼接，得到大小为(ci,hi+1,wi+1)的特征图，然后与(ci,co,k,k)大小的卷积核进行卷积：
feature(ci,hi+1,wi+1)*kernel(ci,co,k,k)
其中ci mod 4＝0,k mod 2＝0，卷积获得的(co,hi,wi)的输出特征图用于后续卷积层输入或最终网络输出。
优选地，所述图像修复模型的训练，即将衍射模糊图像作为衍射模糊图像修复模型的输入，将衍射模糊图像对应的清晰图像(参考图像)作为图像修复模型的期望输出，对衍射模糊图像修复模型进行训练；训练时需要采集多组衍射模糊图像和对应的清晰图像，选择的图像组数将会影响图像修复模型的修复效果，一般需要采用1000组以上。
本发明的有益效果是：本发明针对由光学衍射导致的图像模糊，其模糊核一般都是偶对称模糊核，因此将偶数卷积引入图像修复模型中，同时针对由于偶数卷积带来的图像偏移问题，采用对称padding的方法来解决该问题。针对偶数卷积核导致的图像模糊，该方法能够更准确完整的在模型训练过程中提取感受野信息。
附图说明
图1为本发明的流程图；
图2为U-Net网络的结构图；
图3位NAFNet网络的Block图；
图4为基于本发明的偶数卷积的示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
在本申请的实施例中，以屏蔽丝网衍射带来的图像模糊为例，根据光学衍射原理，可以推导获得其模糊核为：
根据表达式可以发现该模糊核为偶数大小，即偶对称情况，当用该卷积核与潜在清晰图像卷积后，即获得了模糊图像。
针对上面的衍射模糊图像修复，以NAFNet网络为例，其网络架构如2所示，采用U-Net架构，首先对输入模糊图像进行下采样，获取深层特征表示，再对深层表示的特征图进行上采样，将图像恢复成原始的清晰图像。其中的Block在NAFNet中采用如3所示的Baseline’s Block或者NAFNet’s Block，Block主体结构基本类似，每一个Block为包含奇数核卷积层、归一化层、激活函数层、通道注意力层中一种或多种非线性层的连接块。
针对该图像修复网络，采用偶数卷积对Block中3×3的卷积进行替换，以2×2的卷积核为例，根据卷积核的水平方向大小输出公式：
其中Si,So分别表示输入输出图像大小，pl,pr分别表示左边和右边padding的像素大小，Sk表示卷积核大小，s表示步长大小。若设置步长为1，若保持卷积前后图像尺寸相同，有：
pl+pr＝Sk-1
以直角坐标系为例，偶数卷积的图像padding的参考点为中心右下方第一个元素，因此当图像没有padding的时候，计算结果全部存储在图像左上方，即图像整体向左上角偏移，因此padding的时候需要在左方和上方padding个元素，在其右方和下方padding个元素。当卷积核大小为Sk为2时，则需要在左方和上方padding 1个像素，而在右方和下方则不需要padding像素。
对于初始输入高宽为hi,wi，通道数为ci的图像，将其维度表示为(ci,hi,wi)。由于一般输入图像是单通道或者三通道图像，在其输入到前n1个Block之前，通道数不能按照4划分，且经过偶数模糊核卷积后，模糊图会向左上角偏移，根据上面计算结果，在每通道图像的左方和上方边缘处用0元素进行1个像素的图像padding，使输入变为(ci,hi+1,wi+1)。对于上面padding后的初始输入图像，采用(ci,co,k,k)大小的偶数卷积核进行卷积：
img(ci,hi+1,wi+1)*kernel(ci,co,k,k)
其中k mod 2＝0，k表示偶数卷积核大小，比如2,4等，ci,co表示卷积核的输入、输出通道数，从而完成对初始输入图像的偶数卷积，获取大小为(co,hi,wi)的输出特征图。
在网络前向传播过程中，对于中间层的Block，其输入输出的通道数一般都是4的倍数，为了防止图像在偶数卷积中出现偏移，采用如图4所示的对称padding的方法。假设输入特征图像维度表示依旧表示为(ci,hi,wi)，则将输入图像进行4分组，分成4组维度大小为的特征图。对4组特征图进行不同方向的padding：
(1)第1组在左方和上方边缘处采用0元素进行1个像素的padding；
(2)第2组在左方和下方边缘处采用0元素进行1个像素的padding；
(3)第3组在右方和上方边缘处采用0元素进行1个像素的padding；
(4)第4组在右方和下方边缘处采用0元素进行1个像素的padding；
将上面padding得到的4组特征图在通道方向进行拼接，得到大小为(ci,hi+1,wi+1)的特征图，然后与(ci,co,k,k)大小的卷积核进行卷积：
feature(ci,hi+1,wi+1)*kernel(ci,co,k,k)
其中ci mod 4＝0,k mod 2＝0。卷积获得的(co,hi,wi)的输出特征图用于后续Block输入或最终网络输出。
本发明公开和提出的方法，本领域技术人员可通过借鉴本文内容，适当改变条件需求和参数实现，尽管本发明的算法已通过较佳实施例子进行了描述，相关技术人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和技术路线进行改动或重新组合，来实现最终的模型改进。特别需要指出的是，所有相类似的替换和改动对本领域技术人员来说是显而易见的，他们都被视为包括在本发明精神、范围和内容中。

Claims (2)

1.一种基于偶数卷积深度学习的衍射模糊图像修复方法，其特征在于：包括以下步骤：
S1.给定偶对称衍射模糊核的物理模型f(x,y)和衍射模糊图像修复模型，f(x,y)满足：
f(x,y)＝f(-x,y)or f(x,y)＝f(x,-y)
衍射模糊图像修复模型采用CNN的图像修复模型，其一般由输入层，中间层，输出层三部分组成，三部分均由包含奇数卷积核的卷积网络层堆砌而成；
S2.将衍射模糊图像修复模型中的奇数卷积核替换为偶数卷积核；
S3.利用具有偶数卷积核的衍射模糊图像修复模型对输入图像进行处理，并完成图像修复模型的训练；
所述偶数卷积核表示为kernel(ci,co,k,k)，其中k mod 2＝0，k表示偶数卷积核大小，ci,co表示卷积核的输入、输出通道数；
所述步骤S3中利用具有偶数卷积核的衍射模糊图像修复模型对输入图像进行处理的过程包括：
对于初始输入高宽为hi,wi，通道数为ci的图像，将其维度表示为(ci,hi,wi)，在其输入到输入层之前，处理过程如下：
在每通道图像的左方和上方边缘处用0元素进行1个像素的图像padding，使输入变为(ci,hi+1,wi+1)，
对于padding后的初始输入图像，采用偶数卷积核kernel(ci,co,k,k)进行卷积：
img(ci,hi+1,wi+1)*kernel(ci,co,k,k)
完成对初始输入图像的偶数卷积后，获取大小为(co,hi,wi)的输出特征图，用作后续卷积层输入；
对于中间层和输出层的所有卷积层，采用对称padding的方法，将输入图像进行4分组，分成4组维度大小为的特征图，对4组特征图进行不同方向的padding：
第1组在左方和上方边缘处采用0元素进行1个像素的padding；
第2组在左方和下方边缘处采用0元素进行1个像素的padding；
第3组在右方和上方边缘处采用0元素进行1个像素的padding；
第4组在右方和下方边缘处采用0元素进行1个像素的padding；
将padding得到的4组特征图在通道方向进行拼接，得到大小为(ci,hi+1,wi+1)的特征图，然后与(ci,co,k,k)大小的卷积核进行卷积：
feature(ci,hi+1,wi+1)*kernel(ci,co,k,k)
其中cimod 4＝0,k mod 2＝0，卷积获得的(co,hi,wi)的输出特征图用于后续卷积层输入或最终网络输出。
2.根据权利要求1所述的一种基于偶数卷积深度学习的衍射模糊图像修复方法，其特征在于：在完成图像修复模型的训练后，还包括图像修复步骤：
将待修复的衍射模糊图像送入训练好的图像修复模型中，由图像修复模型输出图像修复结果。
CN202311088997.6A 2023-08-28 2023-08-28 一种基于偶数卷积深度学习的衍射模糊图像修复方法 Active CN117058038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311088997.6A CN117058038B (zh) 2023-08-28 2023-08-28 一种基于偶数卷积深度学习的衍射模糊图像修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311088997.6A CN117058038B (zh) 2023-08-28 2023-08-28 一种基于偶数卷积深度学习的衍射模糊图像修复方法

Publications (2)

Publication Number Publication Date
CN117058038A CN117058038A (zh) 2023-11-14
CN117058038B true CN117058038B (zh) 2024-04-30

Family

ID=88655184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311088997.6A Active CN117058038B (zh) 2023-08-28 2023-08-28 一种基于偶数卷积深度学习的衍射模糊图像修复方法

Country Status (1)

Country Link
CN (1) CN117058038B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228526A (zh) * 2016-08-29 2016-12-14 中国科学院光电技术研究所 一种基于中频的衍射极限模糊图像盲复原方法
CN106934769A (zh) * 2017-01-23 2017-07-07 武汉理工大学 基于近景遥感的去运动模糊方法
CN107220945A (zh) * 2017-04-12 2017-09-29 重庆大学 多重退化的极模糊图像的复原方法
WO2018045602A1 (zh) * 2016-09-07 2018-03-15 华中科技大学 一种基于深度学习的模糊核尺寸估计方法与系统
WO2020087607A1 (zh) * 2018-11-02 2020-05-07 北京大学深圳研究生院 一种基于Bi-Skip-Net的图像去模糊方法
CN112132758A (zh) * 2020-08-05 2020-12-25 浙江工业大学 基于非对称光学系统点扩散函数模型的图像复原方法
CN112614072A (zh) * 2020-12-29 2021-04-06 北京航空航天大学合肥创新研究院 一种图像复原方法、装置、图像复原设备及存储介质
CN113379612A (zh) * 2020-03-09 2021-09-10 佳能株式会社 学习数据的制造方法、学习方法以及学习数据制造装置
JP2021140663A (ja) * 2020-03-09 2021-09-16 キヤノン株式会社 画像処理方法、画像処理装置、画像処理プログラム、および記憶媒体
WO2021189807A1 (zh) * 2020-03-26 2021-09-30 北京迈格威科技有限公司 图像处理方法、装置、系统和电子设备
CN114841897A (zh) * 2022-06-08 2022-08-02 西北工业大学 基于自适应模糊核估计的深度去模糊方法
CN114862976A (zh) * 2022-03-24 2022-08-05 之江实验室 一种用于旋转衍射的多光谱图像重建方法
CN115018725A (zh) * 2022-06-01 2022-09-06 中国科学院光电技术研究所 一种基于块最小像素先验的衍射图像复原方法
CN116029924A (zh) * 2022-12-29 2023-04-28 中国科学院光电技术研究所 一种单片衍射的红外系统图像处理方法
CN116051411A (zh) * 2023-02-06 2023-05-02 东北大学 基于深度卷积网络的显微图像模糊核提取与离焦复原方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228526A (zh) * 2016-08-29 2016-12-14 中国科学院光电技术研究所 一种基于中频的衍射极限模糊图像盲复原方法
WO2018045602A1 (zh) * 2016-09-07 2018-03-15 华中科技大学 一种基于深度学习的模糊核尺寸估计方法与系统
CN106934769A (zh) * 2017-01-23 2017-07-07 武汉理工大学 基于近景遥感的去运动模糊方法
CN107220945A (zh) * 2017-04-12 2017-09-29 重庆大学 多重退化的极模糊图像的复原方法
WO2020087607A1 (zh) * 2018-11-02 2020-05-07 北京大学深圳研究生院 一种基于Bi-Skip-Net的图像去模糊方法
CN113379612A (zh) * 2020-03-09 2021-09-10 佳能株式会社 学习数据的制造方法、学习方法以及学习数据制造装置
JP2021140663A (ja) * 2020-03-09 2021-09-16 キヤノン株式会社 画像処理方法、画像処理装置、画像処理プログラム、および記憶媒体
WO2021189807A1 (zh) * 2020-03-26 2021-09-30 北京迈格威科技有限公司 图像处理方法、装置、系统和电子设备
CN112132758A (zh) * 2020-08-05 2020-12-25 浙江工业大学 基于非对称光学系统点扩散函数模型的图像复原方法
CN112614072A (zh) * 2020-12-29 2021-04-06 北京航空航天大学合肥创新研究院 一种图像复原方法、装置、图像复原设备及存储介质
CN114862976A (zh) * 2022-03-24 2022-08-05 之江实验室 一种用于旋转衍射的多光谱图像重建方法
CN115018725A (zh) * 2022-06-01 2022-09-06 中国科学院光电技术研究所 一种基于块最小像素先验的衍射图像复原方法
CN114841897A (zh) * 2022-06-08 2022-08-02 西北工业大学 基于自适应模糊核估计的深度去模糊方法
CN116029924A (zh) * 2022-12-29 2023-04-28 中国科学院光电技术研究所 一种单片衍射的红外系统图像处理方法
CN116051411A (zh) * 2023-02-06 2023-05-02 东北大学 基于深度卷积网络的显微图像模糊核提取与离焦复原方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"基于虚拟仪器技术的电磁兼容自动测试系统";王宇;苏东林;角淑媛;戴飞;《电子测量技术》;20061231(第06期);全文 *
"激光衍射图像连通区域自适应识别系统";刘莉莉;《激光杂志》;20201031;第41卷(第10期);全文 *
Dai, F (Dai, Fei) ; Fan, B (Fan, Baojie) ; Peng, Y (Peng, Yan) ." An image haze removal algorithm based on blockwise processing using LAB color space and bilateral filtering".《 PROCEEDINGS OF THE 30TH CHINESE CONTROL AND DECISION CONFERENCE (2018 CCDC)》.2018,全文. *
Xiaoli Li ; Shuailing Zhou." GLAGAN image inpainting algorithm based on global and local consistency".《 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC)》.2021,全文. *
基于多通道空间光谱全变差的衍射光谱图像复原算法;王旭;陈强;孙权森;;《计算机研究与发展》;20200215(第02期);全文 *

Also Published As

Publication number Publication date
CN117058038A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN108765296B (zh) 一种基于递归残差注意力网络的图像超分辨率重建方法
CN109101975B (zh) 基于全卷积神经网络的图像语义分割方法
US11216914B2 (en) Video blind denoising method based on deep learning, computer equipment and storage medium
CN107403415B (zh) 基于全卷积神经网络的压缩深度图质量增强方法及装置
CN111652899B (zh) 一种时空部件图的视频目标分割方法
CN114677304B (zh) 一种基于知识蒸馏和深度神经网络的图像去模糊算法
CN109427047B (zh) 一种图像处理方法及装置
CN111260560A (zh) 一种融合注意力机制的多帧视频超分辨率方法
CN104252700A (zh) 一种红外图像的直方图均衡化方法
CN111316316A (zh) 用于图像复原的神经网络及其训练与使用方法
CN110610467B (zh) 一种基于深度学习的多帧视频去压缩噪声方法
CN107424121B (zh) 一种基于分数阶微分的模糊图像超分辨率重构方法
CN113888426B (zh) 一种基于深度可分离残差网络的电力监控视频去模糊方法
CN114119424B (zh) 一种基于光流法和多视角场景的视频修复方法
CN114841897B (zh) 基于自适应模糊核估计的深度去模糊方法
CN112767283A (zh) 一种基于多图像块划分的非均匀图像去雾方法
CN113724134B (zh) 一种基于残差蒸馏网络的航拍图像盲超分辨率重建方法
US8849060B2 (en) Image processing method, image processing system and display device for modifying background colors based on object colors
CN114627035A (zh) 一种多聚焦图像融合方法、系统、装置及存储介质
CN114612347A (zh) 一种多模块级联的水下图像增强方法
CN116883265A (zh) 一种基于增强特征融合机制的图像去模糊方法
CN117333398A (zh) 一种基于自监督的多尺度图像去噪方法及装置
CN117058038B (zh) 一种基于偶数卷积深度学习的衍射模糊图像修复方法
CN113096032B (zh) 一种基于图像区域划分的非均匀一致模糊去除方法
Shen et al. RSHAN: Image super-resolution network based on residual separation hybrid attention module

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