JP7143529B2 - 画像復元方法及びその装置、電子機器並びに記憶媒体 - Google Patents
画像復元方法及びその装置、電子機器並びに記憶媒体 Download PDFInfo
- Publication number
- JP7143529B2 JP7143529B2 JP2021535032A JP2021535032A JP7143529B2 JP 7143529 B2 JP7143529 B2 JP 7143529B2 JP 2021535032 A JP2021535032 A JP 2021535032A JP 2021535032 A JP2021535032 A JP 2021535032A JP 7143529 B2 JP7143529 B2 JP 7143529B2
- Authority
- JP
- Japan
- Prior art keywords
- sub
- image
- network
- images
- preset number
- 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
- 238000000034 method Methods 0.000 title claims description 55
- 230000006870 function Effects 0.000 claims description 101
- 238000013528 artificial neural network Methods 0.000 claims description 90
- 238000012545 processing Methods 0.000 claims description 38
- 238000012805 post-processing Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 7
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Description
本開示は出願番号が201910117782.Xで、出願日が2019年2月15日である中国特許出願に基づいて提案され、この中国特許出願の優先権を主張し、この中国特許出願の全てのコンテンツが参照により本出願に組み込まれる。
取得された画像に対して領域分割を行い、1つ以上のサブ画像を取得することと、各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて前記各サブ画像を復元し、各サブ画像の復元画像を出力して取得し、それによって前記画像の復元画像を取得することと、を含む。
例えば、本願は以下の項目を提供する。
(項目1)
画像復元方法であって、
取得された画像に対して領域分割を行い、1つ以上のサブ画像を取得することと、
各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて各サブ画像を復元し、各サブ画像の復元画像を出力して取得し、それによって前記画像の復元画像を取得することと、を含む、前記画像復元方法。
(項目2)
前記各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて前記各サブ画像を復元し、各サブ画像の復元画像を取得することは、
前記各サブ画像を符号化し、前記各サブ画像の特徴を取得することと、
前記各サブ画像の特徴を前記マルチパスニューラルネットワークのサブネットワークに入力し、前記サブネットワーク内のパス選択ネットワークを使用して、前記各サブ画像のための復元ネットワークを選択し、前記各サブ画像のための復元ネットワークによって前記各サブ画像を処理し、各サブ画像の処理後の特徴を出力して取得することと、
各サブ画像の処理後の特徴を復号し、前記各サブ画像の復元画像を取得することと、を含むことを特徴とする
項目1に記載の方法。
(項目3)
前記各サブ画像の特徴を前記マルチパスニューラルネットワークのサブネットワークに入力し、前記サブネットワーク内のパス選択ネットワークを使用して、前記各サブ画像のための復元ネットワークを選択し、前記各サブ画像のための復元ネットワークによって前記各サブ画像を処理し、各サブ画像の処理後の特徴を出力して取得することは、
前記サブネットワークの数がNであり、且つN個のサブネットワークが順次接続されている場合、
各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、前記各サブ画像に対してi番目の復元ネットワークを選択するステップと、
前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップと、
iがi+1に更新され、前記各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、前記各サブ画像に対してi番目の復元ネットワークを選択するステップ、及び前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップに戻るステップと、
各サブ画像のN番目のレベルの特徴を出力して取得するまで、前記iが更新されて前記ステップに戻るステップを実行し、前記各サブ画像のN番目のレベルの特徴を前記各サブ画像の処理後の特徴として決定するステップと、を含み、
i=1の場合、前記各サブ画像のi番目のレベルの特徴が前記各サブ画像の特徴であり、
ここで、Nが1以上の正整数であり、Mが2以上の正整数であり、iが1以上且つN以下の正整数であることを含むことを特徴とする
項目2に記載の方法。
(項目4)
取得されたサブ画像の復元画像の数が予め設定された数以上である場合、前記方法はさらに、
予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得することと、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新することと、
且つ、前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたボーナス関数に従って、前記オプティマイザによって強化学習アルゴリズムを用い、前記パス選択ネットワークを訓練し、前記パス選択ネットワークにおけるパラメータを更新することと、を含むことを特徴とする
項目1に記載の方法。
(項目5)
前記予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得した後、前記取得された予め設定された数のサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新する前に、前記方法はさらに、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパラメータを更新することを含むことを特徴とする
項目4に記載の方法。
(項目6)
前記ボーナス関数は次のように示される:
ここで、
がi番目のレベルのサブネットワークのボーナス関数を表し、
が1つの予め設定されたペナルティ項を表し、
が1つの指示関数を表し、
が難度係数を表し、
の場合、指示関数の値が1であり、
の場合、指示関数の値が0であることを特徴とする項目4に記載の方法。
(項目7)
前記難度係数は次のように示される:
ここで、
が前記予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数を表し、
が1つの閾値であることを特徴とする
項目6に記載の方法。
(項目8)
画像復元装置であって、
取得された画像に対して領域分割を行い、1つ以上のサブ画像を取得するように構成される分割モジュールと、
各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて前記各サブ画像を復元し、各サブ画像の復元画像を出力して取得し、それによって前記画像の復元画像を取得するように構成される復元モジュールと、を備える、前記画像復元装置。
(項目9)
前記復元モジュールは、
前記各サブ画像を符号化し、前記各サブ画像の特徴を取得するように構成される符号化サブモジュールと、
前記各サブ画像の特徴を前記マルチパスニューラルネットワークのサブネットワークに入力し、前記サブネットワーク内のパス選択ネットワークを使用して、前記各サブ画像のための復元ネットワークを選択し、前記各サブ画像のための復元ネットワークによって前記各サブ画像を処理し、各サブ画像の処理後の特徴を出力して取得するように構成される復元サブモジュールと、
各サブ画像の処理後の特徴を復号し、前記各サブ画像の復元画像を取得するように構成される復号サブモジュールと、を含むことを特徴とする
項目8に記載の装置。
(項目10)
前記復元サブモジュールは、具体的には、
前記サブネットワークの数がNであり、且つN個のサブネットワークが順次接続されている場合、
各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、前記各サブ画像に対してi番目の復元ネットワークを選択するステップと、
前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップと、
iがi+1に更新され、前記各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、前記各サブ画像に対してi番目の復元ネットワークを選択するステップ、及び前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップに戻るステップと、
各サブ画像のN番目のレベルの特徴を出力して取得するまで、前記iが更新されて前記ステップに戻るステップを実行し、前記各サブ画像のN番目のレベルの特徴を前記各サブ画像の処理後の特徴として決定するステップと、を実行するように構成され、
i=1の場合、前記各サブ画像のi番目のレベルの特徴が前記各サブ画像の特徴であり、
ここで、Nが1以上の正整数であり、Mが2以上の正整数であり、iが1以上且つN以下の正整数であることを特徴とする
項目9に記載の装置。
(項目11)
取得されたサブ画像の復元画像の数が予め設定された数以上である場合、前記装置はさらに、
予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得するように構成される取得モジュールと、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新し、
且つ、前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたボーナス関数に従って、前記オプティマイザによって強化学習アルゴリズムを用い、前記パス選択ネットワークを訓練し、前記パス選択ネットワークにおけるパラメータを更新するように構成される第一の訓練モジュールと、を備えることを特徴とする項目8に記載の装置。
(項目12)
前記装置はさらに、
前記予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得した後、前記取得された予め設定された数のサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新する前に、前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新するように構成される第二の訓練モジュールを備えることを特徴とする
項目11に記載の装置。
(項目13)
前記ボーナス関数は次のように示される:
ここで、
がi番目のレベルのサブネットワークのボーナス関数を表し、
が1つの予め設定されたペナルティ項を表し、
が1つの指示関数を表し、
が難度係数を表し、
の場合、指示関数の値が1であり、
の場合、指示関数の値が0であることを特徴とする
項目11に記載の装置。
(項目14)
前記難度係数
は次のように示される:
ここで、
が前記予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数を表し、
が1つの閾値であることを特徴とする
項目13に記載の装置。
(項目15)
電子機器であって、プロセッサ、メモリと通信バスを備え、
前記通信バスは、前記プロセッサと前記メモリの間の接続及び通信を実現するように構成され、
前記プロセッサは、前記メモリに記憶された画像復元プログラムを実行して、項目1~7のいずれか一項に記載の画像復元方法を実現する、前記電子機器。
(項目16)
コンピュータ可読記憶媒体であって、1つ又は複数のプログラムを記憶し、項目1~7のいずれか一項に記載の画像復元方法を実現するように、前記1つ又は複数のプログラムが1つ又は複数のプロセッサに実行される、前記コンピュータ可読記憶媒体。
サブネットワークの数がNであり、且つN個のサブネットワークが順次接続されている場合、
各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、各サブ画像に対してi番目の復元ネットワークを選択するステップと、
i番目の復元ネットワークによって各サブ画像のi番目のレベルの特徴を処理し、各サブ画像のi+1番目のレベルの特徴を出力するステップと、
iがi+1に更新され、前記各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、各サブ画像に対してi番目の復元ネットワークを選択するステップ、及び前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップに戻るステップと、
各サブ画像のN番目のレベルの特徴を出力して取得するまで、前記iが更新されて前記ステップに戻るステップを実行し、各サブ画像のN番目のレベルの特徴を各サブ画像の処理後の特徴として決定するステップと、を含むことができ、
i=1の場合、各サブ画像のi番目のレベルの特徴が各サブ画像の特徴であり、
ここで、Nが1以上の正整数であり、Mが2以上の正整数であり、iが1以上且つN以下の正整数である。
予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得することと、
予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新することと、
且つ、予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたボーナス関数に従って、オプティマイザによって強化学習アルゴリズムを用いてパス選択ネットワークを訓練し、パス選択ネットワークにおけるパラメータを更新することと、を含む。
予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークにおけるパラメータを更新することを含む。
取得された画像に対して領域分割を行い、1つ以上のサブ画像を取得するように構成される分割モジュール61と、
各サブ画像をマルチパスニューラルネットワークに入力し、各サブ画像に対して決定された復元ネットワークを用いて各サブ画像を復元し、各サブ画像の復元画像を出力して取得し、画像の復元画像を取得するように構成される復元モジュール62と、を備える。
各サブ画像を符号化し、各サブ画像の特徴を取得するように構成される符号化サブモジュールと、
各サブ画像の特徴をマルチパスニューラルネットワークのサブネットワークに入力し、サブネットワーク内のパス選択ネットワークを使用して、各サブ画像のための復元ネットワークを選択し、各サブ画像のための復元ネットワークによって各サブ画像を処理し、各サブ画像の処理後の特徴を出力するように構成される復元サブモジュールと、
各サブ画像の処理後の特徴を復号し、各サブ画像の復元画像を取得するように構成される復号サブモジュールと、を含む。
サブネットワークの数がNであり、且つN個のサブネットワークが順次接続されている場合、
各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、各サブ画像に対してi番目の復元ネットワークを選択するステップと、
i番目の復元ネットワークによって各サブ画像のi番目のレベルの特徴を処理し、各サブ画像のi+1番目のレベルの特徴を出力して取得するステップと、
iがi+1に更新され、前記各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、各サブ画像に対してi番目の復元ネットワークを選択するステップ、及び前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップに戻るステップと、
各サブ画像のN番目のレベルの特徴を出力して取得するまで、前記iが更新されて前記ステップに戻るステップを実行し、各サブ画像のN番目のレベルの特徴を各サブ画像の処理後の特徴として決定するステップと、を実行するように構成され、
i=1の場合、各サブ画像のi番目のレベルの特徴が各サブ画像の特徴であり、
ここで、Nが1以上の正整数であり、Mが2以上の正整数であり、iが1以上且つN以下の正整数である。
予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得するように構成される取得モジュールと、
予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新し、
且つ、予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたボーナス関数に従って、オプティマイザによって強化学習アルゴリズムを用いてパス選択ネットワークを訓練し、パス選択ネットワークにおけるパラメータを更新するように構成される第一の訓練モジュールと、を備える。
予め設定された数のサブ画像の復元画像、及び予め設定された数のサブ画像の復元画像に対応する基準画像を取得した後、取得された予め設定された数のサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新する前に、予め設定された数のサブ画像の復元画像とそれに対応する基準画像に基づき、予め設定されたサブ画像の復元画像とそれに対応する基準画像の間の損失関数に従って、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新するように構成される第二の訓練モジュールを備える。
前記通信バス73は、前記プロセッサ71と前記メモリ72の間の接続及び通信を実現するように構成され、
前記プロセッサ71は、前記メモリ72に記憶された画像復元プログラムを実行し、上記画像復元方法を実現するように構成される。
Claims (10)
- 電子機器によって実行される画像復元方法であって、
取得された画像に対して領域分割を行い、1つ以上のサブ画像を取得することと、
各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて各サブ画像を復元し、各サブ画像の復元画像を出力して取得し、それによって前記画像の復元画像を取得することと
を含み、
取得されたサブ画像の復元画像の数が予め設定された数以上である場合、前記方法は、
予め設定された数のサブ画像の復元画像と、予め設定された数のサブ画像の復元画像に対応する基準画像とを取得することと、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像とに基づいて、予め設定されたサブ画像の復元画像とそれに対応する基準画像との間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新することと、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像とに基づいて、予め設定されたボーナス関数に従って、前記オプティマイザによって強化学習アルゴリズムを用い、前記パス選択ネットワークを訓練し、前記パス選択ネットワークにおけるパラメータを更新することと
をさらに含み、
前記ボーナス関数は、サブ画像の難度係数に基づく関数であり、前記サブ画像の難度係数は、前記サブ画像の復元の難度を表す、画像復元方法。 - 前記各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて前記各サブ画像を復元し、各サブ画像の復元画像を取得することは、
前記各サブ画像を符号化し、前記各サブ画像の特徴を取得することと、
前記各サブ画像の特徴を前記マルチパスニューラルネットワークのサブネットワークに入力し、前記サブネットワーク内のパス選択ネットワークを使用して、前記各サブ画像のための復元ネットワークを選択し、前記各サブ画像のための復元ネットワークによって前記各サブ画像を処理し、各サブ画像の処理後の特徴を出力して取得することと、
各サブ画像の処理後の特徴を復号し、前記各サブ画像の復元画像を取得することと
を含む、請求項1に記載の画像復元方法。 - 前記各サブ画像の特徴を前記マルチパスニューラルネットワークのサブネットワークに入力し、前記サブネットワーク内のパス選択ネットワークを使用して、前記各サブ画像のための復元ネットワークを選択し、前記各サブ画像のための復元ネットワークによって前記各サブ画像を処理し、各サブ画像の処理後の特徴を出力して取得することは、
前記サブネットワークの数がNであり、かつ、N個のサブネットワークが順次接続されている場合、
各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、前記各サブ画像に対してi番目の復元ネットワークを選択するステップと、
前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップと、
iがi+1に更新され、前記各サブ画像のi番目のレベルの特徴をi番目のサブネットワークに入力し、i番目のサブネットワーク内のi番目のパス選択ネットワークを使用して、i番目のサブネットワーク内のM個の復元ネットワークから、前記各サブ画像に対してi番目の復元ネットワークを選択するステップおよび前記i番目の復元ネットワークによって前記各サブ画像のi番目のレベルの特徴を処理し、前記各サブ画像のi+1番目のレベルの特徴を出力して取得するステップに戻るステップと、
各サブ画像のN番目のレベルの特徴を出力して取得するまで、前記iが更新されて前記ステップに戻るステップを実行し、前記各サブ画像のN番目のレベルの特徴を前記各サブ画像の処理後の特徴として決定するステップと
を含み、
i=1の場合、前記各サブ画像のi番目のレベルの特徴は、前記各サブ画像の特徴であり、
ここで、Nが1以上の正整数であり、Mが2以上の正整数であり、iが1以上かつN以下の正整数である、請求項2に記載の画像復元方法。 - 前記予め設定された数のサブ画像の復元画像と、予め設定された数のサブ画像の復元画像に対応する基準画像とを取得した後、前記取得された予め設定された数のサブ画像の復元画像とそれに対応する基準画像との間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新する前に、前記画像復元方法は、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像とに基づいて、予め設定されたサブ画像の復元画像とそれに対応する基準画像との間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパラメータを更新することをさらに含む、請求項1に記載の画像復元方法。 - 画像復元装置であって、
取得された画像に対して領域分割を行い、1つ以上のサブ画像を取得するように構成されている分割モジュールと、
各サブ画像をマルチパスニューラルネットワークに入力し、前記各サブ画像に対して決定された復元ネットワークを用いて前記各サブ画像を復元し、各サブ画像の復元画像を出力して取得し、それによって前記画像の復元画像を取得するように構成されている復元モジュールと
を備え、
取得されたサブ画像の復元画像の数が予め設定された数以上である場合、前記画像復元装置は、取得モジュールと第一の訓練モジュールとをさらに備え、
前記取得モジュールは、予め設定された数のサブ画像の復元画像と、予め設定された数のサブ画像の復元画像に対応する基準画像とを取得するように構成されており、
前記第一の訓練モジュールは、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像とに基づいて、予め設定されたサブ画像の復元画像とそれに対応する基準画像との間の損失関数に従って、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークをオプティマイザで訓練し、前記マルチパスニューラルネットワーク内のパス選択ネットワーク以外のネットワークのパラメータを更新することと、
前記予め設定された数のサブ画像の復元画像とそれに対応する基準画像とに基づいて、予め設定されたボーナス関数に従って、前記オプティマイザによって強化学習アルゴリズムを用い、前記パス選択ネットワークを訓練し、前記パス選択ネットワークにおけるパラメータを更新することと
を行うように構成されており、
前記ボーナス関数は、サブ画像の難度係数に基づく関数であり、前記サブ画像の難度係数は、前記サブ画像の復元の難度を表す、画像復元装置。 - 電子機器であって、
前記電子機器は、プロセッサとメモリと通信バスとを備え、
前記通信バスは、前記プロセッサと前記メモリとの間の接続および通信を実現するように構成されており、
前記プロセッサは、前記メモリに記憶されている画像復元プログラムを実行することにより、請求項1~6のいずれか一項に記載の画像復元方法を実行するように構成されている、電子機器。 - 1つまたは複数のプログラムが記憶されているコンピュータ読み取り可能な記憶媒体であって、前記1つまたは複数のプログラムは、1つまたは複数のプロセッサによって実行されると、請求項1~6のいずれか一項に記載の画像復元方法を実行することを前記1つまたは複数のプロセッサに行わせる、コンピュータ読み取り可能な記憶媒体。
- 請求項1~6のいずれか一項に記載の画像復元方法を実行することをコンピュータに行わせるコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910117782.X | 2019-02-15 | ||
CN201910117782.XA CN109886891B (zh) | 2019-02-15 | 2019-02-15 | 一种图像复原方法及装置、电子设备、存储介质 |
PCT/CN2019/083855 WO2020164189A1 (zh) | 2019-02-15 | 2019-04-23 | 图像复原方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022514566A JP2022514566A (ja) | 2022-02-14 |
JP7143529B2 true JP7143529B2 (ja) | 2022-09-28 |
Family
ID=66928293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021535032A Active JP7143529B2 (ja) | 2019-02-15 | 2019-04-23 | 画像復元方法及びその装置、電子機器並びに記憶媒体 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210295473A1 (ja) |
JP (1) | JP7143529B2 (ja) |
KR (1) | KR20210092286A (ja) |
CN (1) | CN109886891B (ja) |
SG (1) | SG11202106269UA (ja) |
TW (1) | TWI770432B (ja) |
WO (1) | WO2020164189A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968040A (zh) * | 2020-07-02 | 2020-11-20 | 北京大学深圳研究生院 | 图像的复原方法、系统及计算机可读存储介质 |
CN111986103A (zh) * | 2020-07-20 | 2020-11-24 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和计算机存储介质 |
CN112200226B (zh) * | 2020-09-27 | 2021-11-05 | 北京达佳互联信息技术有限公司 | 基于强化学习的图像处理方法、图像处理方法及相关装置 |
CN112767260A (zh) * | 2020-12-30 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像质量提升方法、装置、计算机设备和存储介质 |
CN112862681B (zh) * | 2021-01-29 | 2023-04-14 | 中国科学院深圳先进技术研究院 | 一种超分辨率方法、装置、终端设备及存储介质 |
CN113409215B (zh) * | 2021-06-23 | 2023-01-17 | 青岛海信医疗设备股份有限公司 | 重建设备及医学影像多平面重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050129306A1 (en) | 2003-12-12 | 2005-06-16 | Xianglin Wang | Method and apparatus for image deinterlacing using neural networks |
JP2018206371A (ja) | 2017-06-02 | 2018-12-27 | 三菱電機株式会社 | コンピューター実施画像再構成システムおよび画像再構成方法 |
WO2019026407A1 (ja) | 2017-07-31 | 2019-02-07 | 株式会社日立製作所 | 医用撮像装置及び医用画像処理方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993003443A1 (en) * | 1991-08-05 | 1993-02-18 | Kawasaki Steel Corporation | Signal processor and learning method thereof |
JPH08263649A (ja) * | 1995-02-21 | 1996-10-11 | Xerox Corp | ニューラルベースの空間画像強化システム |
JP5146159B2 (ja) * | 2008-07-01 | 2013-02-20 | 株式会社ニコン | 画像復元方法、画像復元プログラム、および画像復元装置 |
US9396523B2 (en) * | 2013-07-24 | 2016-07-19 | Microsoft Technology Licensing, Llc | Image restoration cascade |
CN103605972B (zh) * | 2013-12-10 | 2017-02-15 | 康江科技(北京)有限责任公司 | 一种基于分块深度神经网络的非限制环境人脸验证方法 |
CN104200443A (zh) * | 2014-09-22 | 2014-12-10 | 中华人民共和国四川出入境检验检疫局 | 结合alpha通道和图像分割的局部运动模糊复原算法 |
EP3156943A1 (en) * | 2015-10-16 | 2017-04-19 | Thomson Licensing | Method and device for clustering patches of a degraded version of an image |
WO2018119807A1 (zh) * | 2016-12-29 | 2018-07-05 | 浙江工商大学 | 一种基于卷积神经网络的时空一致性深度图序列的生成方法 |
CN106971187B (zh) * | 2017-04-12 | 2019-07-09 | 华中科技大学 | 一种基于车辆特征点的车辆部件检测方法和系统 |
CN107273904A (zh) * | 2017-05-31 | 2017-10-20 | 上海联影医疗科技有限公司 | 图像处理方法及系统 |
CN107392865B (zh) * | 2017-07-01 | 2020-08-07 | 广州深域信息科技有限公司 | 一种人脸图像的复原方法 |
CN107463881A (zh) * | 2017-07-07 | 2017-12-12 | 中山大学 | 一种基于深度增强学习的人物图像搜索方法 |
CN107563974B (zh) * | 2017-08-15 | 2020-04-14 | 深圳云天励飞技术有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
CN107784647B (zh) * | 2017-09-29 | 2021-03-09 | 华侨大学 | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 |
CN107832807B (zh) * | 2017-12-07 | 2020-08-07 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
CN108364262A (zh) * | 2018-01-11 | 2018-08-03 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
CN108921220A (zh) * | 2018-06-29 | 2018-11-30 | 国信优易数据有限公司 | 图像复原模型训练方法、装置及图像复原方法和装置 |
CN108932536B (zh) * | 2018-07-18 | 2021-11-09 | 电子科技大学 | 基于深度神经网络的人脸姿态重建方法 |
CN109087273B (zh) * | 2018-07-20 | 2021-09-14 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及系统 |
-
2019
- 2019-02-15 CN CN201910117782.XA patent/CN109886891B/zh active Active
- 2019-04-23 JP JP2021535032A patent/JP7143529B2/ja active Active
- 2019-04-23 KR KR1020217018723A patent/KR20210092286A/ko active IP Right Grant
- 2019-04-23 WO PCT/CN2019/083855 patent/WO2020164189A1/zh active Application Filing
- 2019-04-23 SG SG11202106269UA patent/SG11202106269UA/en unknown
- 2019-11-04 TW TW108139975A patent/TWI770432B/zh active
-
2021
- 2021-06-08 US US17/341,607 patent/US20210295473A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050129306A1 (en) | 2003-12-12 | 2005-06-16 | Xianglin Wang | Method and apparatus for image deinterlacing using neural networks |
JP2018206371A (ja) | 2017-06-02 | 2018-12-27 | 三菱電機株式会社 | コンピューター実施画像再構成システムおよび画像再構成方法 |
WO2019026407A1 (ja) | 2017-07-31 | 2019-02-07 | 株式会社日立製作所 | 医用撮像装置及び医用画像処理方法 |
Non-Patent Citations (4)
Title |
---|
Ke Yu et al.,"Crafting a Toolchain for Image Restoration by Deep Reinforcement Learning",2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition,米国,IEEE,2018年01月18日,pp.2443-2452 |
Zuxuan Wu et al.,"BlockDrop: Dynamic Inference Paths in Residual Networks",arXiv,米国,Cornell University,2019年01月28日,pp.1-11,https://arxiv.org/abs/1711.08393 |
呂 建明、外2名,"ニューラルネットワークを用いたカラー劣化画像の雑音除去の一方法",電子情報通信学会論文誌,日本,社団法人電子情報通信学会,2003年05月01日,Vol.J86-A, No.5,pp.529-539 |
寺本 篤司、外3名,"局所選択型ニューラルフィルタによるMR像の画質改善",情報処理学会論文誌,日本,社団法人情報処理学会,1998年11月15日,Vol.39, No.11,pp.2988-2996 |
Also Published As
Publication number | Publication date |
---|---|
JP2022514566A (ja) | 2022-02-14 |
SG11202106269UA (en) | 2021-07-29 |
TWI770432B (zh) | 2022-07-11 |
KR20210092286A (ko) | 2021-07-23 |
TW202032497A (zh) | 2020-09-01 |
CN109886891A (zh) | 2019-06-14 |
US20210295473A1 (en) | 2021-09-23 |
WO2020164189A1 (zh) | 2020-08-20 |
CN109886891B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7143529B2 (ja) | 画像復元方法及びその装置、電子機器並びに記憶媒体 | |
Shi et al. | Image compressed sensing using convolutional neural network | |
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 | |
US20210021866A1 (en) | Encoding and decoding image data | |
KR20180100976A (ko) | 딥 신경망 기반 블러 영상 학습을 이용한 영상 부호화/복호화 방법 및 장치 | |
CN112801901A (zh) | 基于分块多尺度卷积神经网络的图像去模糊算法 | |
CN111028150A (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
Sun et al. | Reduction of JPEG compression artifacts based on DCT coefficients prediction | |
US20220414838A1 (en) | Image dehazing method and system based on cyclegan | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
CN114096987A (zh) | 视频处理方法及装置 | |
Luo et al. | Functional neural networks for parametric image restoration problems | |
EP4241448A1 (en) | Compression-informed video super-resolution | |
CN114071167B (zh) | 视频增强方法、装置、解码方法、解码器及电子设备 | |
CN116012272A (zh) | 一种基于重建流场的压缩视频质量增强方法 | |
CN113542780B (zh) | 一种网络直播视频的压缩伪影去除方法及装置 | |
CN115937121A (zh) | 基于多维度特征融合的无参考图像质量评价方法及系统 | |
Amaranageswarao et al. | Blind compression artifact reduction using dense parallel convolutional neural network | |
Teng et al. | EARN: Toward efficient and robust JPEG compression artifact reduction | |
Qiao et al. | Dcs-risr: Dynamic channel splitting for efficient real-world image super-resolution | |
Sufian et al. | Denoising The wireless channel corrupted images using machine learning | |
He et al. | Learning degradation-aware visual prompt for maritime image restoration under adverse weather conditions | |
Shi et al. | DDABNet: a dense Do-conv residual network with multisupervision and mixed attention for image deblurring | |
Wu et al. | RDS-denoiser: a detail-preserving convolutional neural network for image denoising |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210617 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210617 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220815 |
|
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: 20220908 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220914 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7143529 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |