CN117197002B - 一种基于感知扩散的图像复原方法 - Google Patents
一种基于感知扩散的图像复原方法 Download PDFInfo
- Publication number
- CN117197002B CN117197002B CN202311464370.6A CN202311464370A CN117197002B CN 117197002 B CN117197002 B CN 117197002B CN 202311464370 A CN202311464370 A CN 202311464370A CN 117197002 B CN117197002 B CN 117197002B
- Authority
- CN
- China
- Prior art keywords
- image
- bias
- diffusion
- network
- image restoration
- 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
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008447 perception Effects 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 241000282326 Felis catus Species 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 238000012217 deletion Methods 0.000 abstract description 2
- 230000037430 deletion Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及图像复原技术领域,特别涉及一种基于感知扩散的图像复原方法,先根据高清图像和待复原图像组成的图像对,采用偏置估计网络和深度估计网络进行深度感知偏置投影,得到聚合偏置;再采用上下文网络提取层次化特征作为扩散条件,然后根据聚合偏置和扩散条件,使用图像复原网络生成复原图像;最后再采用扩散网络,基于前向扩散和后向扩散优化图像复原网络模型,采用深度感知偏置投影层显式检测噪声情况,优先合成近处物体,更好地处理了噪声问题,通过引入深度图并结合偏置信息,更好地区分距离近的对象和远的对象,在复原过程中更好地处理物体缺失和模糊,基于感知扩散技术能够更好地适应图像复原任务,提高复原质量。
Description
技术领域
本发明涉及图像复原技术领域,特别涉及一种基于感知扩散的图像复原方法。
背景技术
在当今数字图像和图像处理领域,图像质量问题日益显著,特别是在网络传输、存储和显示过程中。由于各种原因,如网络拥塞、存储损耗和传输错误,图像内容可能会受到损坏,导致噪声、像素失真等问题。这对于需要高质量图像数据的应用,如视频监控、在线视频流和远程协作,构成了严重障碍。
目前,已有很多图像复原方法出现,例如CN115239593A公开了图像复原方法、装置、电子设备及存储介质,其通过将第一人脸图像输入至包括扩散模块的图像复原模型;对第一人脸图像进行掩码处理得到掩码图像;对图像复原模型进行训练,直至第一损失函数值最优,得到训练好的图像复原模型,在训练过程中,扩散模块对掩码图像进行多次添加噪声处理,得到服从标准正态分布的白噪声图像,并形成噪声函数,图像复原模型根据白噪声图像、标准正态分布、噪声函数通过加噪降噪模式对掩码图像进行复原处理;通过训练好的图像复原模型对第二人脸图像进行图像复原,得到目标复原图像;CN114202473A提供了一种基于多尺度特征和注意力机制的图像复原方法,该方法包括:步骤Step1:获取样本数据集,所述样本数据集包括真实图像和模糊样本图像;步骤Step2:将样本数据集输入图像复原模型,所述图像复原模型将模糊样本图像进行去模糊处理,生成潜在的清晰图像,并计算所述潜在的清晰图像和真实图像之间的EM距离,以对抗方式训练所述图像复原模型;步骤Step3:将待复原的图像数据分组输入训练好的图像复原模型进行图像复原,得到复原后的图像数据;CN111260566A公开了一种基于稀疏先验的图像复原方法,该方法包括如下步骤:(1)获取成对的退化图像和真实图像,生成训练样本;(2)在小波域中构建稀疏化单元来稀疏表示图像;(3)在图像域中构建图像复原单元来重建退化图像的细节信息,获取复原图像;(4)获取损失函数;(5)循环迭代,利用优化器最小化损失函数,以训练稀疏化单元和图像复原单元;(6)将稀疏化单元与图像复原单元级联,形成图像复原模型,用于图像复原。但是现有的这些方法复原的图像在具体应用过程中,仍存在画面卡顿以及目标瞬移的现象,其清晰度、稳定性仍难以满足所有用户的需求。
发明内容
为了解决上述问题,本发明提出了一种基于感知扩散的图像复原方法,通过深度感知扩散和显式遮挡检测来提高图像的质量,具体是通过合理估计偏置、深度信息以及层次化特征生成高质量的图像。
为了实现上述目的,本发明采用如下技术方案:
一种基于感知扩散的图像复原方法,包括以下步骤:
S1、深度感知偏置投影:根据高清图像和待复原图像组成的图像对,采用偏置估计网络和深度估计网络进行深度感知偏置投影,得到聚合偏置;
S2、扩散条件提取:采用上下文网络提取层次化特征作为扩散条件;
S3、图像复原:根据S1得到的聚合偏置和S2得到的扩散条件,使用图像复原网络生成复原图像;
S4、感知扩散优化:采用扩散网络,基于前向扩散和后向扩散优化图像复原网络模型。
作为本发明的进一步技术方案,步骤S1的具体过程为:
(S11)给定一个图像对和/>,其中/>表示图像平面的2D空间坐标,/>和/>分别表示图像的高度和宽度,下标/>表示高清图像和待复原图像,采用U-Net作为偏置估计网络估计双向偏置,双向偏置分别表示为由/>到/>的偏置/>和由/>到/>的偏置/>,偏置向量/>,表示/>的每一个位置/>对/>每一个位置的偏置影响,/> 表示/>的每一个位置/>对/>每一个位置的偏置影响;
(S12)采用U-Net网络的深度估计网络生成的深度图/>,/>表示/>全部位置/>的像素集,投影的聚合偏置/>定义为:
,
其中,权重是深度的倒数:/>;
同样通过偏置和深度图/>获得聚合投影偏置/>;
并对聚合投影偏置邻居的可用偏置取平均得到,其中/>是x的4邻域,同样得到/>,由此得到密集的聚合偏置和/>。
作为本发明的进一步技术方案,步骤S2所述上下文网络包括一个的卷积层和两个残差块的上下文网络,残差块由两个/>的卷积层和两个ReLU激活层组成,将第一个卷积层和两个残差块的特征连接在一起,得到层次化特征/>和/>作为扩散条件。
作为本发明的进一步技术方案,步骤S3所述图像复原网络包括3个残差块,将待复原图以及待复原图产生的聚合偏置、深度图/>、层次化特征/>连接在一起,作为图像复原网络的输入生产复原的图像/>,其中图像复原网络训练后,在测试时仅使用待复原图、待复原图产生的偏置/>、深度图/>、层次化特征/>输入至图像复原网络生成复原图,图像复原网络模型训练时通过优化以下损失函数来训练:,其中/>是超参数。
作为本发明的进一步技术方案,步骤S4所述扩散网络采用U-Net网络,复原图通过聚合偏置/>与扩散条件/>生成待复原图/>,待复原图/>通过聚合偏置/>与扩散条件/>生成高清图/>,通过优化以下扩散损失函数来同步训练提出的图像复原网络模型:
,
其中cat()表示特征拼接,结合步骤S3,图像复原网络模型的总损失函数为:。
与现有技术相比,本发明的有益效果为:
本发明提出了一种基于感知扩散的图像复原方法,以解决图像质量差的问题,从而提高图像质量和准确性,有益效果体现在三个方面:
1、传统的图像复原方法通常依赖于隐式推断噪声信息,而本发明采用深度感知偏置投影层,显式检测噪声情况,优先合成近处物体,从而更好地处理了噪声问题;
2、通过引入深度图作为输入,并结合偏置信息,更好地区分距离近的对象和远的对象,从而在复原过程中更好地处理物体缺失和模糊;
3、本发明基于感知扩散技术,能够更好地适应图像复原任务,从而提高了复原质量;
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公开,并不构成对本发明的不当限定。
图1为本发明所述基于感知扩散的图像复原的工作流程示意图。
图2为本发明实现基于感知扩散的图像复原所采用的网络流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
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。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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:
如图1所示,本实施例提供了一种基于感知扩散的图像复原方法,本实施例基于噪声假设,认为高清图像和待复原图像之间的差距是由于像素位移,产生的噪声偏置引起的,包括如下步骤:
S1、深度感知偏置投影:
(S11)给定一个图像对和/>,其中/>表示图像平面的2D空间坐标,/>和/>分别表示图像的高度和宽度,下标/>表示高清图像和待复原图像,采用U-Net作为偏置估计网络估计双向偏置,双向偏置分别表示为由/>到/>的偏置/>和由/>到/>的偏置/>,偏置向量/>,表示/>的每一个位置/>对/>每一个位置的偏置影响,/> 表示/>的每一个位置/>对/>每一个位置的偏置影响,本实施例采用偏置投影层,以在考虑深度顺序以检测遮挡的情况下聚合偏置向量;然而,多个偏置向量会投影到同一位置,同时对/>的像素造成影响,因此使用深度排序来进行聚合多个偏置向量;
(S12)采用U-Net网络的深度估计网络生成的深度图/>,/>表示/>全部位置/>的像素集,投影的聚合偏置/>定义为:
,
其中,权重是深度的倒数:/>
同样通过偏置和深度图/>获得聚合投影偏置/>;通过这种方式,投影偏置倾向于采样更近的物体并减少具有较大深度值的被遮挡像素的贡献;另一方面,可能存在偏置向量对其影响均较小的位置,导致聚合偏置中出现空洞,即像素值为0,为了填补这些空洞,通过对其邻居的可用偏置取平均:
,
其中是x的4邻域,同样得到/>,由此得到密集的聚合偏置/>和/>;
S2:扩散条件提取:基于上下文网络获取层次化特征作为扩散条件,具体来说,构建包括一个的卷积层和两个残差块的上下文网络,残差块由两个/>的卷积层和两个ReLU激活层组成,将第一个卷积层和两个残差块的特征连接在一起,得到一个层次化特征/>和/>作为扩散条件;
S3:图像复原:采用图像复原网络生成复原图,图像复原网络包括3个残差块,将待复原图以及待复原图产生的聚合偏置、深度图/>、层次化特征/>连接在一起,作为图像复原网络的输入生产复原的图像/>,其中图像复原网络训练后,在测试时仅使用待复原图、待复原图产生的偏置/>、深度图/>、层次化特征/>输入至图像复原网络生成复原图,图像复原网络模型训练时通过优化以下损失函数来训练:,其中/>是超参数;
S4:感知扩散优化:采用扩散网络,基于前向扩散和后向扩散优化模型进行感知扩散优化,扩散网络/>采用U-Net网络,复原图/>通过聚合偏置/>与扩散条件/>生成待复原图/>,待复原图/>通过聚合偏置/>与扩散条件/>生成高清图/>,通过优化以下扩散损失函数来同步训练提出的图像复原网络模型:
,
其中cat()表示特征拼接,结合步骤S3,图像复原网络模型的总损失函数为:。
本实施例采用上述方法进行了仿真试验,表1为本实施例与其他算法准确度比较,该实验采用公开数据集highlighted,使用峰值信噪比(PSNR)和结构相似性度量(SSIM)指标进行度量,指标值越大表示性能越好,与现有技术相比,本实施例采用基于感知扩散的图像复原方法,极大地提高了图像复原的性能。
表1:本实施例与其他算法准确度比较
。
本文中未详细描述的网络结构、算法均为本领域通用技术。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (4)
1.一种基于感知扩散的图像复原方法,其特征在于,包括以下步骤:
S1、深度感知偏置投影:根据高清图像和待复原图像组成的图像对,采用偏置估计网络和深度估计网络进行深度感知偏置投影,得到聚合偏置;具体过程为:
(S11)给定一个图像对和/>,其中/>表示图像平面的2D空间坐标,/>和/>分别表示图像的高度和宽度,下标/>表示高清图像和待复原图像,采用U-Net作为偏置估计网络估计双向偏置,双向偏置分别表示为由/>到/>的偏置/>和由到/>的偏置/>,偏置向量/>,表示/>的每一个位置/>对/>每一个位置的偏置影响,/> 表示/>的每一个位置/>对/>每一个位置的偏置影响;
(S12)采用U-Net网络的深度估计网络生成的深度图/>,/>表示/>全部位置/>的像素集,投影的聚合偏置/>定义为:
,
其中,权重是深度的倒数:/>;
同样通过偏置和深度图/>获得聚合投影偏置/>;
并对聚合投影偏置邻居的可用偏置取平均得到,其中是x的4邻域,同样得到/>,由此得到密集的聚合偏置/>和/>;
S2、扩散条件提取:采用上下文网络提取层次化特征作为扩散条件;
S3、图像复原:根据S1得到的聚合偏置和S2得到的扩散条件,使用图像复原网络生成复原图像;
S4、感知扩散优化:采用扩散网络,基于前向扩散和后向扩散优化图像复原网络模型。
2.根据权利要求1所述基于感知扩散的图像复原方法,其特征在于,步骤S2所述上下文网络包括一个的卷积层和两个残差块的上下文网络,残差块由两个/>的卷积层和两个ReLU激活层组成,将第一个卷积层和两个残差块的特征连接在一起,得到层次化特征和/>作为扩散条件。
3.根据权利要求2所述基于感知扩散的图像复原方法,其特征在于,步骤S3所述图像复原网络包括3个残差块,将待复原图以及待复原图产生的聚合偏置、深度图/>、层次化特征/>连接在一起,作为图像复原网络的输入生产复原的图像/>,其中图像复原网络训练后,在测试时仅使用待复原图、待复原图产生的偏置/>、深度图/>、层次化特征输入至图像复原网络生成复原图,图像复原网络模型训练时通过优化以下损失函数来训练:/>,其中/>是超参数。
4.根据权利要求3所述基于感知扩散的图像复原方法,其特征在于,步骤S4所述扩散网络采用U-Net网络,复原图/>通过聚合偏置/>与扩散条件/>生成待复原图/>,待复原图/>通过聚合偏置/>与扩散条件/>生成高清图/>, 通过优化以下扩散损失函数来同步训练提出的图像复原网络模型:
,
其中cat()表示特征拼接,结合步骤S3,图像复原网络模型的总损失函数为:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464370.6A CN117197002B (zh) | 2023-11-07 | 2023-11-07 | 一种基于感知扩散的图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464370.6A CN117197002B (zh) | 2023-11-07 | 2023-11-07 | 一种基于感知扩散的图像复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197002A CN117197002A (zh) | 2023-12-08 |
CN117197002B true CN117197002B (zh) | 2024-02-02 |
Family
ID=89005638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464370.6A Active CN117197002B (zh) | 2023-11-07 | 2023-11-07 | 一种基于感知扩散的图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197002B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102369556A (zh) * | 2010-02-02 | 2012-03-07 | 松下电器产业株式会社 | 摄像装置以及摄像方法、和用于所述摄像装置的图像处理方法 |
CN109544475A (zh) * | 2018-11-21 | 2019-03-29 | 北京大学深圳研究生院 | 用于图像去模糊的Bi-Level优化方法 |
CN112287978A (zh) * | 2020-10-07 | 2021-01-29 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
CN113888629A (zh) * | 2021-10-28 | 2022-01-04 | 浙江大学 | 一种基于rgbd相机的快速物体三维位姿估计方法 |
CN114708170A (zh) * | 2022-06-06 | 2022-07-05 | 松立控股集团股份有限公司 | 一种基于增强多尺度特征的车牌图像去模糊方法 |
CN114936976A (zh) * | 2022-05-25 | 2022-08-23 | 南京航空航天大学 | 一种基于记忆感知模块的生成对抗网络雾霾图像复原方法 |
CN115239593A (zh) * | 2022-07-29 | 2022-10-25 | 平安科技(深圳)有限公司 | 图像复原方法、装置、电子设备及存储介质 |
CN115861833A (zh) * | 2022-11-16 | 2023-03-28 | 西北大学 | 一种基于双分支结构的实时遥感图像云检测方法 |
KR20230099227A (ko) * | 2021-12-27 | 2023-07-04 | 삼성전자주식회사 | 영상 처리 장치 및 방법 |
CN116579945A (zh) * | 2023-05-12 | 2023-08-11 | 西南交通大学 | 一种基于扩散模型的夜间图像复原方法 |
CN116894778A (zh) * | 2023-07-10 | 2023-10-17 | 清华大学 | 一种用于图像生成的扩散模型采样方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8862206B2 (en) * | 2009-11-12 | 2014-10-14 | Virginia Tech Intellectual Properties, Inc. | Extended interior methods and systems for spectral, optical, and photoacoustic imaging |
-
2023
- 2023-11-07 CN CN202311464370.6A patent/CN117197002B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102369556A (zh) * | 2010-02-02 | 2012-03-07 | 松下电器产业株式会社 | 摄像装置以及摄像方法、和用于所述摄像装置的图像处理方法 |
CN109544475A (zh) * | 2018-11-21 | 2019-03-29 | 北京大学深圳研究生院 | 用于图像去模糊的Bi-Level优化方法 |
CN112287978A (zh) * | 2020-10-07 | 2021-01-29 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
CN113888629A (zh) * | 2021-10-28 | 2022-01-04 | 浙江大学 | 一种基于rgbd相机的快速物体三维位姿估计方法 |
KR20230099227A (ko) * | 2021-12-27 | 2023-07-04 | 삼성전자주식회사 | 영상 처리 장치 및 방법 |
CN114936976A (zh) * | 2022-05-25 | 2022-08-23 | 南京航空航天大学 | 一种基于记忆感知模块的生成对抗网络雾霾图像复原方法 |
CN114708170A (zh) * | 2022-06-06 | 2022-07-05 | 松立控股集团股份有限公司 | 一种基于增强多尺度特征的车牌图像去模糊方法 |
CN115239593A (zh) * | 2022-07-29 | 2022-10-25 | 平安科技(深圳)有限公司 | 图像复原方法、装置、电子设备及存储介质 |
CN115861833A (zh) * | 2022-11-16 | 2023-03-28 | 西北大学 | 一种基于双分支结构的实时遥感图像云检测方法 |
CN116579945A (zh) * | 2023-05-12 | 2023-08-11 | 西南交通大学 | 一种基于扩散模型的夜间图像复原方法 |
CN116894778A (zh) * | 2023-07-10 | 2023-10-17 | 清华大学 | 一种用于图像生成的扩散模型采样方法和装置 |
Non-Patent Citations (5)
Title |
---|
Feature preserving anisotropic diffusion for image restoration;V. B. Surya Prasath等;2013 Fourth National Conference on Computer Vision, Pattern Recognition, Image Processing and Graphics (NCVPRIPG);全文 * |
MRI Bias Field Estimation Based on Diffusion;Chen, Yanfei等;2014 11TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA);全文 * |
PET图像空间结合位置偏移校正的点扩散恢复算法研究;梁国栋等;中国医学装备;第17卷(第9期);全文 * |
基于注意力与自适应特征融合机制的小目标检测;任克营等;天津科技大学学报;第38卷(第4期);全文 * |
有效保留图像细节的模糊区域复原方法仿真;陈艺;计算机仿真;第35卷(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197002A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208122A1 (zh) | 基于深度学习的视频盲去噪方法及装置 | |
Moorthy et al. | Visual quality assessment algorithms: what does the future hold? | |
CN110782490B (zh) | 一种具有时空一致性的视频深度图估计方法及装置 | |
Liu et al. | Perceptual reduced-reference visual quality assessment for contrast alteration | |
Sandić-Stanković et al. | DIBR-synthesized image quality assessment based on morphological multi-scale approach | |
Tian et al. | Quality assessment of DIBR-synthesized views: An overview | |
Zhang et al. | Sparse representation-based video quality assessment for synthesized 3D videos | |
CN116664450A (zh) | 基于扩散模型的图像增强方法、装置、设备及存储介质 | |
CN108447059A (zh) | 一种全参考光场图像质量评价方法 | |
CN112991450A (zh) | 一种基于小波的细节增强无监督深度估计方法 | |
Zhang et al. | Deep learning-based perceptual video quality enhancement for 3D synthesized view | |
Zhu et al. | Enlightening low-light images with dynamic guidance for context enrichment | |
Smirnov et al. | Methods for depth-map filtering in view-plus-depth 3D video representation | |
Yu et al. | Learning to super-resolve blurry images with events | |
CN117197002B (zh) | 一种基于感知扩散的图像复原方法 | |
US8111939B2 (en) | Image processing device and image processing method | |
Zhang et al. | Video superresolution reconstruction using iterative back projection with critical‐point filters based image matching | |
CN113421181B (zh) | 一种基于预估鲁棒性的信息隐藏方法 | |
Qiao et al. | Learning Depth-Density Priors for Fourier-based Unpaired Image Restoration | |
Zhou et al. | Phase-based frame rate up-conversion for depth video | |
CN114418882A (zh) | 处理方法、训练方法、装置、电子设备及介质 | |
Chammem et al. | Stereoscopic video watermarking: a comparative study | |
Khoubani et al. | A fast quaternion wavelet-based motion compensated frame rate up-conversion with fuzzy smoothing: application to echocardiography temporal enhancement | |
Ramos-Diaz et al. | Efficient 2D to 3D video conversion implemented on DSP | |
Rani et al. | ELM-Based Shape Adaptive DCT Compression technique for underwater image compression |
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 |