JP2022548712A - フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 - Google Patents
フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 Download PDFInfo
- Publication number
- JP2022548712A JP2022548712A JP2022517497A JP2022517497A JP2022548712A JP 2022548712 A JP2022548712 A JP 2022548712A JP 2022517497 A JP2022517497 A JP 2022517497A JP 2022517497 A JP2022517497 A JP 2022517497A JP 2022548712 A JP2022548712 A JP 2022548712A
- Authority
- JP
- Japan
- Prior art keywords
- network
- image
- haze
- adversarial
- feature
- 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 37
- 238000012549 training Methods 0.000 claims description 40
- 230000004913 activation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06N3/048—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (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 Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
ヘイズのある画像を事前にトレーニングされた敵対的生成ネットワークに入力し、ヘイズのある画像と対応するヘイズのない画像を取得する。前記の敵対的生成ネットワークはクリエイターネットワーク及び弁別器ネットワークを含み、
敵対的生成ネットワークのクリエイターネットワークにフィーチャーピラミッドが融合された。
1)前記のバックボーンネットワークは入力されたヘイズのある画像に対するフィーチャー抽出を行い、
2)前記のフィーチャーピラミッドは抽出されたフィーチャーに対するフィーチャー融合を行い、
3)前記の画像再構成ネットワーク融合されたフィーチャーに対する復元を行い、ヘイズのある画像と対応するヘイズのない画像を出力する。
LD:弁別器ネットワークの損失関数
D(Ii G):クリエイターが生成したi番目の生成画像に対する弁別器による判別成績
D(Ii *):トレーニングサンプルセットにおけるi番目のタグ付き画像に対する弁別器による判別成績
N:トレーニングサンプルセットにおける画像の対数
LG:クリエイターネットワークの損失関数
Ii G:クリエイターが生成したi番目の生成画像
Ii *:トレーニングサンプルセットにおけるi番目のタグ付き画像
C:画像のチャンネル
W×H:画像の寸法
D(Ii G):クリエイターが生成したi番目の生成画像に対する弁別器による判別成績
D(Ii *):トレーニングサンプルセットにおけるi番目のタグ付き画像に対する弁別器による判別成績
N:トレーニングサンプルセットにおける画像の対数
λ:重み係数の重み
1)トレーニング成績に応じて重みWji及びバイアスBjiを更新すること。
2)更新された重みWji及びバイアスBjiを損失関数に代入すること。
3)弁別器ネットワークの損失関数が0.5となり、トレーニングされた敵対的生成ネットワークを取得するまで重みWji及びバイアスBjiに関する更新及び代入の過程が重複するようにする。
表1:コーディングユニットの抽出フィーチャレイヤーで対応する畳み込みレイヤーパラメータ
ステップ4.損失関数を構成する。
LD:弁別器ネットワークの損失関数
D(Ii G):クリエイターが生成したi番目の生成画像に対する弁別器による判別成績
D(Ii *):トレーニングサンプルセットにおけるi番目のタグ付き画像に対する弁別器による判別成績
N:トレーニングサンプルセットにおける画像の対数
クリエイターネットワークの損失関数は損失関数が下式で算出できる。
LG:クリエイターネットワークの損失関数
Ii G:クリエイターが生成したi番目の生成画像
Ii *:トレーニングサンプルセットにおけるi番目のタグ付き画像
C:画像のチャンネル
W×H:画像の寸法
D(Ii G):クリエイターが生成したi番目の生成画像に対する弁別器による判別成績
D(Ii *):トレーニングサンプルセットにおけるi番目のタグ付き画像に対する弁別器による判別成績
N:トレーニングサンプルセットにおける画像の対数
λ:重み係数の重み、0.01
この式で、右1項目の
は画像の像素損失を計算するための内容損失項目、右2項目の
は敵対的ネットワークにおける損失を計算するための敵対的損失項目である。
ステップ1.決まったサンプルを前へ伝え、ネットワークの神経ノードの全部の出力値を取得する。
よって、ネットワークモデルトレーニングは完全なステップが次のとおりである。
Claims (10)
- 下記のステップを含むことを特徴とするフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法、ヘイズのある画像を事前にトレーニングされた敵対的生成ネットワークに入力し、ヘイズのある画像と対応するヘイズのない画像を取得し、前記の敵対的生成ネットワークはクリエイターネットワーク及び弁別器ネットワークを含み、敵対的生成ネットワークのクリエイターネットワークにフィーチャーピラミッドが融合されること。
- 敵対的生成ネットワークの弁別器ネットワークは順序に接続された畳み込みアクティベーションレイヤー、コーディングユニットの抽出フィーチャレイヤー、完全に接続されたレイヤー及びsigmoidアクティベーションレイヤーを含み、前記のコーディングユニットの抽出フィーチャレイヤーは少なくとも2箇所あり、互いに直列に接続されていることを特徴とする請求項1に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法。
- 前記のクリエイターネットワークが順序に接続されたバックボーンネットワーク、フィーチャーピラミッド及び画像再構成ネットワーク、前記のヘイズのない画像の取得方法が、下記のステップを含むことを特徴とする請求項1に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法、
前記のバックボーンネットワークは入力されたヘイズのある画像に対するフィーチャー抽出を行うこと、
前記のフィーチャーピラミッドは抽出されたフィーチャーに対するフィーチャー融合を行うこと、
前記の画像再構成ネットワーク融合されたフィーチャーに対する復元を行い、ヘイズのある画像と対応するヘイズのない画像を出力すること。 - 前記のバックボーンネットワークが事前にトレーニングされたMobileNet-V2ネットワークであることを特徴とする請求項3に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法であり、前記のバックボーンネットワークは入力されたヘイズのある画像に対するフィーチャー抽出を行い、MobileNet-V2ネットワーク入力されたヘイズのある画像に応答すること、及び少なくとも2箇所あり、スケールの異なるフィーチャーマップを出力することを含む。
- 前記のフィーチャーピラミッドは抽出されたフィーチャーに対するフィーチャー融合を行うまでMobileNet-V2ネットワークに出力されたフィーチャーマップに対する1*1畳み込み演算を行うことも含むことを特徴とする請求項4に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法。
- 敵対的生成ネットワークのトレーニング方法は下記のステップを含むことを特徴とする請求項1に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法、
プリフェッチされたヘイズのある画像の少なくとも2枚及びそれと対応するヘイズのない画像に基づいてトレーニングサンプルセットを構成すること、
弁別器ネットワークの損失関数→0.5、クリエイターネットワークの損失関数→0をターゲットにし、前記のトレーニングサンプルセットにおける画像を敵対的生成ネットワークに入力し、トレーニングされた敵対的生成ネットワークを取得するまでそれに対するトレーニングを行うこと。 - クリエイターネットワークの損失関数は、式が下記のとおりであることを特徴とする請求項6に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法、
式の中、
LG:クリエイターネットワークの損失関数
Ii G:クリエイターが生成したi番目の生成画像
Ii *:トレーニングサンプルセットにおけるi番目のタグ付き画像
C:画像のチャンネル
W×H:画像の寸法
D(Ii G):クリエイターが生成したi番目の生成画像に対する弁別器による判別成績
D(Ii *):トレーニングサンプルセットにおけるi番目のタグ付き画像に対する弁別器による判別成績
N:トレーニングサンプ
λ:重み係数の重み。 - 前記のトレーニングサンプルセットにおける画像を敵対的生成ネットワークに入力し、それに対するトレーニングを行うまで平均値0及び標準偏差0.001のガウス分布によりランダムに重みWjiにおける各重さの初期化を行い、バイアスBjiが0となるようにすることを特徴とする請求項6に記載のフィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法。
- 前記のトレーニングサンプルセットにおける画像を敵対的生成ネットワークに入力し、それに対する下記のものを含むトレーニングを行うことを特徴とする請求項9に記載のフィーチャーピラミッドを融合する敵対的生成ネットワークによる画像ヘイズ除去方法、
トレーニング成績に応じて重みWji及びバイアスBjiを更新すること、
更新された重みWji及びバイアスBjiを損失関数に代入すること、
弁別器ネットワークの損失関数が0.5となり、トレーニングされた敵対的生成ネットワークを取得するまで重みWji及びバイアスBjiに関する更新及び代入の過程が重複するようにする。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522038.0 | 2020-06-10 | ||
CN202010522038.0A CN111738942A (zh) | 2020-06-10 | 2020-06-10 | 一种融合特征金字塔的生成对抗网络图像去雾方法 |
PCT/CN2021/077354 WO2021248938A1 (zh) | 2020-06-10 | 2021-02-23 | 一种融合特征金字塔的生成对抗网络图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022548712A true JP2022548712A (ja) | 2022-11-21 |
JP7379787B2 JP7379787B2 (ja) | 2023-11-15 |
Family
ID=72648639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022517497A Active JP7379787B2 (ja) | 2020-06-10 | 2021-02-23 | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7379787B2 (ja) |
CN (1) | CN111738942A (ja) |
WO (1) | WO2021248938A1 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738942A (zh) * | 2020-06-10 | 2020-10-02 | 南京邮电大学 | 一种融合特征金字塔的生成对抗网络图像去雾方法 |
CN112509001A (zh) * | 2020-11-24 | 2021-03-16 | 河南工业大学 | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 |
CN113066019A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种图像增强方法及相关装置 |
CN113052068B (zh) * | 2021-03-24 | 2024-04-30 | 深圳威富云数科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113240589A (zh) * | 2021-04-01 | 2021-08-10 | 重庆兆光科技股份有限公司 | 一种多尺度特征融合的图像去雾方法及系统 |
JP2023527615A (ja) * | 2021-04-28 | 2023-06-30 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム |
CN113658051B (zh) * | 2021-06-25 | 2023-10-13 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法及系统 |
CN113256541B (zh) * | 2021-07-16 | 2021-09-17 | 四川泓宝润业工程技术有限公司 | 利用机器学习对钻井平台监控画面进行去水雾的方法 |
CN113554872B (zh) * | 2021-07-19 | 2022-09-20 | 昭通亮风台信息科技有限公司 | 一种位于交通路口及弯道的检测预警方法及系统 |
CN113554571B (zh) * | 2021-08-11 | 2023-07-04 | 广东工业大学 | 一种图像去雾方法、装置、电子设备及存储介质 |
CN114267432B (zh) * | 2022-03-01 | 2022-05-24 | 中南大学 | 生成对抗网络交替训练及医疗图像分类方法、装置、介质 |
CN114742719B (zh) * | 2022-03-14 | 2024-04-16 | 西北大学 | 一种基于多特征融合的端到端图像去雾方法 |
CN114758276A (zh) * | 2022-04-13 | 2022-07-15 | 南京师范大学 | 一种基于复合连接超网络的金属增减材制造熔池检测方法 |
CN114972076B (zh) * | 2022-05-06 | 2024-04-26 | 华中科技大学 | 一种基于分层多块卷积神经网络的图像去雾方法 |
CN114821239A (zh) * | 2022-05-10 | 2022-07-29 | 安徽农业大学 | 一种有雾环境下的病虫害检测方法 |
CN114912707B (zh) * | 2022-06-01 | 2023-06-30 | 郑州大学 | 一种基于多模态融合的空气质量预测系统及预测方法 |
CN115293992B (zh) * | 2022-09-28 | 2022-12-30 | 泉州装备制造研究所 | 基于无监督权重深度模型的偏振图像去雾方法及装置 |
CN115471429B (zh) * | 2022-10-31 | 2023-04-07 | 航天宏图信息技术股份有限公司 | 一种基于全局颜色迁移的遥感影像去雾方法和装置 |
CN116645298B (zh) * | 2023-07-26 | 2024-01-26 | 广东电网有限责任公司珠海供电局 | 一种架空输电线路视频监控图像去雾方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570363A (zh) * | 2019-08-05 | 2019-12-13 | 浙江工业大学 | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 |
US20190392596A1 (en) * | 2018-06-22 | 2019-12-26 | X Development Llc | Detection and replacement of transient obstructions from high elevation digital images |
JP2020042760A (ja) * | 2018-09-07 | 2020-03-19 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理方法、情報処理装置、及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783622B2 (en) * | 2018-04-25 | 2020-09-22 | Adobe Inc. | Training and utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image |
CN109272455B (zh) * | 2018-05-17 | 2021-05-04 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
CN109410135B (zh) * | 2018-10-02 | 2022-03-18 | 复旦大学 | 一种对抗学习型图像去雾、加雾方法 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111738942A (zh) * | 2020-06-10 | 2020-10-02 | 南京邮电大学 | 一种融合特征金字塔的生成对抗网络图像去雾方法 |
CN112070688A (zh) * | 2020-08-20 | 2020-12-11 | 西安理工大学 | 一种基于上下文引导生成对抗网络的单幅图像去雾方法 |
-
2020
- 2020-06-10 CN CN202010522038.0A patent/CN111738942A/zh not_active Withdrawn
-
2021
- 2021-02-23 WO PCT/CN2021/077354 patent/WO2021248938A1/zh active Application Filing
- 2021-02-23 JP JP2022517497A patent/JP7379787B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190392596A1 (en) * | 2018-06-22 | 2019-12-26 | X Development Llc | Detection and replacement of transient obstructions from high elevation digital images |
JP2020042760A (ja) * | 2018-09-07 | 2020-03-19 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理方法、情報処理装置、及びプログラム |
CN110570363A (zh) * | 2019-08-05 | 2019-12-13 | 浙江工业大学 | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021248938A1 (zh) | 2021-12-16 |
JP7379787B2 (ja) | 2023-11-15 |
CN111738942A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022548712A (ja) | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 | |
CN111091045B (zh) | 一种基于时空注意力机制的手语识别方法 | |
JP6980958B1 (ja) | 深層学習に基づく農村地域分けゴミ識別方法 | |
Li et al. | Single image dehazing via conditional generative adversarial network | |
CN110110624B (zh) | 一种基于DenseNet网络与帧差法特征输入的人体行为识别方法 | |
CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
CN111784602B (zh) | 一种生成对抗网络用于图像修复的方法 | |
CN112149459B (zh) | 一种基于交叉注意力机制的视频显著性物体检测模型及系统 | |
CN106855996B (zh) | 一种基于卷积神经网络的灰阶图像着色方法及其装置 | |
CN110895795A (zh) | 改进的语义图像修补模型方法 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
US20220414838A1 (en) | Image dehazing method and system based on cyclegan | |
CN112766062A (zh) | 一种基于双流深度神经网络的人体行为识别方法 | |
CN113160286A (zh) | 一种基于卷积神经网络的近红外和可见光图像融合方法 | |
CN115330620A (zh) | 一种基于循环生成对抗网络的图像去雾方法 | |
CN117576402B (zh) | 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法 | |
CN112633100B (zh) | 行为识别方法、装置、电子设备和存储介质 | |
CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
CN113139431A (zh) | 基于深监督学习的图像显著性目标检测方法 | |
Yang et al. | RSAMSR: A deep neural network based on residual self-encoding and attention mechanism for image super-resolution | |
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 | |
CN116416161A (zh) | 一种改进生成对抗网络的图像修复方法 | |
CN110796716A (zh) | 一种基于多重残差网络和正则化迁移学习的图像着色方法 | |
Fang et al. | A New Method of Image Restoration Technology Based on WGAN. | |
CN112464916B (zh) | 人脸识别方法及其模型训练方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220317 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230420 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230719 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230926 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231011 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7379787 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |