CN105678775B - 一种基于机器学习的颜色校正评估方法 - Google Patents
一种基于机器学习的颜色校正评估方法 Download PDFInfo
- Publication number
- CN105678775B CN105678775B CN201610017543.3A CN201610017543A CN105678775B CN 105678775 B CN105678775 B CN 105678775B CN 201610017543 A CN201610017543 A CN 201610017543A CN 105678775 B CN105678775 B CN 105678775B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- machine learning
- quality
- reference picture
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器学习的颜色校正评估方法,包括以下步骤:S1:输入参考图像和目标图像,目标图像即为失真图像,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,获得特征集F1;S2:采用图像重定向评估方法对目标图像进行特征提取,获得特征集F2;S3:综合特征集F1和F2,将其作为机器学习算法的特征集F,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型;S4:采用客观评估模型对目标图像进行客观评估,得到最终的目标图像的质量评估得分值。该方法可有效的对图像间颜色一致性进行评估,与用户主观感知之间具有较高的相关性与准确性。
Description
技术领域
本发明涉及图像处理及计算机视觉技术领域,特别是一种与主观感知相一致的基于机器学习的颜色校正评估方法。
背景技术
保证图像间颜色的一致性在图像/视频拼接和三维立体图像/视频左右视图颜色校正等领域中具有重要的意义。在图像/视频拼接过程中,图像的颜色差异会导致生成的全景图存在明显的拼接痕迹;三维左右视图的颜色差异不但会降低三维立体图像/视频后期处理的性能,还会影响用户体验,导致三维视觉疲劳。为了解决图像间颜色差异的问题,颜色校正算法被提出。颜色校正算法用于校正两幅或多幅图像间的颜色差异,使之在颜色特征上尽量保持一致。目前已经被广泛应用于图像/视频拼接、颜色转换和三维图像/视频左右视图颜色校正等领域。
虽然颜色校正算法被不断提出,但是针对颜色校正结果的图像质量评估方法却很少。Xu等人提出了基于颜色相似性和结构相似性的颜色校正评估方法,但是该方法未考虑到用户主观评估,无法保证评估结果与主观评估的一致性。Preiss等人提出从结构相似度、对比度和像素差值等角度进行评估的颜色校正评估方法,但是该方法未考虑到图像间场景不一致的问题,评估结果与主观评估的一致性较差。
当前对图像质量评估方法研究较为有效的为全参考图像质量评估方法,目前已经提出许多与主观感知一致性较好的全参考图像质量评估方法。然而全参考图像质量评估方法要求待评估图像间的场景一致,而在实际应用中,图像间往往是场景相似但不一致的。为了将高性能的全参考图像质量评估方法应用到颜色校正评估中,本发明提出了基于图像配准的全参考图像质量评估方法,使用图像配准算法进行场景映射,同时通过显著度图和置信度图来进一步提高图像配准的准确性和评估结果的一致性。
随着显示设备的多样化,人们对图像缩放质量的要求不断提高,许多图像重定向方法被提出。由于重定向前后的图像在场景上相似但不相同,因此针对图像重定向结果的评估方法能够高效地对场景不一致的图像进行评估,无需在评估前进行图像配准等处理。
目前针对颜色校正结果图像的质量评估方法大部分是通过对全参考图像质量评估方法的简单修改或整合来进行颜色校正评估。然而颜色校正结果的质量与多种因素有关,简单的使用少数几个因素进行评估的效果并不理想。为了有效的对颜色校正结果进行评估,避免单一评估方法和基于对少数评估方法简单整合的方法的局限性,同时最大限度的利用已提出的有效的评估方法,本发明提出了基于机器学习的颜色校正评估方法,挖掘并综合各评估因素对校正结果质量的影响。机器学习的特征来自于本发明提出的基于图像配准的全参考图像质量评估方法和被广泛使用的图像重定向评估方法。这两类特征分别保证了特征提取的高性能和高效率,从而保证本发明提出的基于机器学习的颜色校正评估方法的高效性。提出的机器学习评估方法可应用于图像/视频拼接和三维立体图像/视频左右视图颜色校正领域。
发明内容
有鉴于此,本发明的目的是提供一种与主观感知相一致的基于机器学习的颜色校正评估方法,该方法能够使评估结果与用户主观感知之间具有较好的相关性和准确性。
本发明采用以下方案实现:一种基于机器学习的颜色校正评估方法,包括以下步骤:
步骤S1:输入参考图像和目标图像,目标图像即为失真图像,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,获得特征集F1;
步骤S2:采用图像重定向评估方法对目标图像进行特征提取,获得特征集F2;
步骤S3:综合特征集F1和F2,将其作为机器学习算法的特征集F,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型;
步骤S4:采用客观评估模型对目标图像进行客观评估,得到最终的目标图像的质量评估得分值。
进一步地,在步骤S1中,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,具体包括以下步骤:
步骤S11:采用图像配准算法SIFT Flow对参考图像和目标图像进行图像配准,生成匹配图像作为新的参考图像;
步骤S12:采用结构相似度评估方法SSIM对目标图像和匹配图像进行相似度评估,生成置信度图C;
步骤S13:采用图像显著度求解方法GBVS对目标图像进行显著度求解,生成显著度图S;
步骤S14:分别采用MSE、PSNR、UQI、SSIM、MAD、 FSIM、GSM、CID和VSI这9种全参考图像质量评估方法对目标图像进行质量评估,生成质量图Qk,k=1, 2, …, 9,分别对应MSE、PSNR、UQI、SSIM、MAD、 FSIM、GSM、CID和VSI算法;
步骤S15:将置信度图C和显著度图S作为权重值,对质量图Qk进行加权求和,得到最终的特征值f1k,计算公式为:
其中,p、q为目标图像的行数和列数,i、j为图像的当前行和当前列,C(i, j)为置信度图中第i行、第j列的像素值,S(i, j)为显著度图中第i行、第j列的像素值,Qk (i, j)为第k种全参考图像质量评估方法求出的目标图像的质量图中第i行、第j列的像素值;
步骤S16:采用得到的特征值f1k组成特征集F1={f11, f12, …, f19}。
进一步地,在步骤S2中,分别采用CLD、EHD、HTD、SCD、GD和EMD这6种图像重定向评估方法对目标图像进行图像重定向评估,得到图像重定向评估结果f2k,直接将图像重定向评估结果作为特征值,然后采用得到的特征值f2k组成特征集F2={f21, f22, …, f26}。
进一步地,在步骤S3中,综合特征集F1和F2,将其作为机器学习算法的特征集F,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型,具体包括以下步骤:
步骤S31:组成特征集F={F1, F2},并将特征集F随机三等分为T1、T2和T3;
步骤S32:计算用于求解特征集T1、T2和T3所对应的图像集的主观平均得分值MOS的集合,分别记为MOS1、MOS2和MOS3;
步骤S33:将T1、T2和MOS1、MOS2作为机器学习的训练数据集,学习得到图像质量评估模型M1;
步骤S34:重复步骤S33,分别求出T1、T3和MOS1、MOS3作为训练数据集的图像质量评估模型M2与T2、T3和MOS2、MOS3作为训练数据集的图像质量评估模型M3。
进一步地,在步骤S4中,采用客观评估模型对目标图像进行客观评估,得到最终的目标图像的质量评估得分值,具体包括以下步骤:
步骤S41:采用模型M1对特征集T3进行计算,得到特征集T3对应的全参考图像质量评估得分值集合AS1;
步骤S42:采用模型M2对特征集T2进行计算,得到特征集T2对应的全参考图像质量评估得分值集合AS2;
步骤S43:采用模型M3对特征集T1进行计算,得到特征集T1对应的全参考图像质量评估得分值集合AS3;
步骤S44:综合评估得分值集合AS={AS1, AS2, AS3},得到最终的目标图像的质量评估得分值集合AS。
相较于现有技术,本发明的有益效果是:本发明通过图像配准算法进行场景映射,解决了全参考图像质量评估方法无法应用于场景相似图像间的评估问题,具有较好的使用价值。同时,在图像配准过程中,引入置信度图和显著度图来更好的模拟人类视觉***对图像质量感知的特征,提高了图像配准的准确性和特征提取的质量。此外,本发明提出的基于机器学习的颜色校正评估方法能够有效地对颜色校正结果进行评估,使评估结果与主观感知结果保持较高的一致性。该方法通过基于图像配准的全参考图像质量评估方法和图像重定向评估方法所提取出的特征集进行机器学习,学习得到的评估模型能够综合各单一评估方法的优点,使评估结果明显优于各单一评估方法。综上,本发明的方法能够有效的对图像颜色一致性进行评估,可应用于多视角图像/视频拼接以及三维图像左右视频颜色一致性评估等领域。
附图说明
图1是本发明方法的实现流程图。
图2是本发明一实施例的整体方法的实现流程图。
图3是本发明实施例中步骤S1的实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种基于机器学习的颜色校正评估方法,如图1、2所示,包括以下步骤:
步骤S1:输入参考图像和目标图像,目标图像即为失真图像,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,获得特征集F1。
在本实施例中,如图3所示,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,具体包括以下步骤:
步骤S11:采用图像配准算法SIFT Flow对参考图像和目标图像进行图像配准,生成匹配图像作为新的参考图像;
步骤S12:采用结构相似度评估方法SSIM对目标图像和匹配图像进行相似度评估,生成置信度图C;
步骤S13:采用图像显著度求解方法GBVS对目标图像进行显著度求解,生成显著度图S;
步骤S14:分别采用MSE、PSNR、UQI、SSIM、MAD、 FSIM、GSM、CID和VSI这9种全参考图像质量评估方法对目标图像进行质量评估,生成质量图Qk,k=1, 2, …, 9,分别对应MSE、PSNR、UQI、SSIM、MAD、 FSIM、GSM、CID和VSI算法;
步骤S15:将置信度图C和显著度图S作为权重值,对质量图Qk进行加权求和,得到最终的特征值f1k,计算公式为:
其中,p、q为目标图像的行数和列数,i、j为图像的当前行和当前列,C(i, j)为置信度图中第i行、第j列的像素值,S(i, j)为显著度图中第i行、第j列的像素值,Qk (i, j)为第k种全参考图像质量评估方法求出的目标图像的质量图中第i行、第j列的像素值;
步骤S16:采用得到的特征值f1k组成特征集F1={f11, f12, …, f19}。
步骤S2:采用图像重定向评估方法对目标图像进行特征提取,获得特征集F2。
具体地,分别采用CLD、EHD、HTD、SCD、GD和EMD这6种图像重定向评估方法对目标图像进行图像重定向评估,得到图像重定向评估结果f2k,直接将图像重定向评估结果作为特征值,然后采用得到的特征值f2k组成特征集F2={f21, f22, …, f26}。
步骤S3:综合特征集F1和F2,将其作为机器学习算法的特征集F,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型。如图2中评估模型学习阶段所示,具体包括以下步骤:
步骤S31:组成特征集F={F1, F2},并将特征集F随机三等分为T1、T2和T3;
步骤S32:计算用于求解特征集T1、T2和T3所对应的图像集的主观平均得分值MOS的集合,分别记为MOS1、MOS2和MOS3;
步骤S33:将T1、T2和MOS1、MOS2作为机器学习的训练数据集,学习得到图像质量评估模型M1;本发明采用Random Forest Regression(RFR)机器学习方法进行评估模型的学习;
步骤S34:重复步骤S33,分别求出T1、T3和MOS1、MOS3作为训练数据集的图像质量评估模型M2与T2、T3和MOS2、MOS3作为训练数据集的图像质量评估模型M3。
步骤S4:采用客观评估模型对目标图像进行客观评估,得到最终的目标图像的质量评估得分值。如图2中评估过程所示,具体包括以下步骤:
步骤S41:采用模型M1对特征集T3进行计算,得到特征集T3对应的全参考图像质量评估得分值集合AS1;
步骤S42:采用模型M2对特征集T2进行计算,得到特征集T2对应的全参考图像质量评估得分值集合AS2;
步骤S43:采用模型M3对特征集T1进行计算,得到特征集T1对应的全参考图像质量评估得分值集合AS3;
步骤S44:综合评估得分值集合AS={AS1, AS2, AS3},得到最终的目标图像的质量评估得分值集合AS。
本发明基于机器学习的颜色校正评估方法,使用机器学习算法挖掘并综合了与主观感知评估相关的特征,并基于这些特征学习得出与主观感知相一致的评估模型。本发明采用两种有效的特征用于机器学习。第一种特征提取自本发明提出的基于图像配准的全参考图像质量评估方法。全参考图像质量评估方法要求待评估图像间的场景一致,为了消除场景一致的限制,同时将高性能的全参考图像质量评估方法用于特征提取,本发明提出基于图像配准的全参考图像质量评估方法。通过图像配准算法进行图像间场景映射,并引入置信度图和显著度图来模拟人类视觉感知的特征,提高特征提取的质量。第二种特征提取自图像重定向评估方法,该方法可直接对场景不一致的图像进行特征提取,无需进行图像配准处理,保证了特征提取的高效率。基于这两种特征的机器学习评估方法能够综合各单一评估方法的优点,使评估结果明显优于各单一评估方法,提高了评估结果与主观评估之间的一致性。可应用于多视角图像/视频拼接以及三维图像左右视图质量评估等领域。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (4)
1.一种基于机器学习的颜色校正评估方法,其特征在于,包括以下步骤:
步骤S1:输入参考图像和目标图像,目标图像即为失真图像,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,获得特征集F1;
步骤S2:采用图像重定向评估方法对目标图像进行特征提取,获得特征集F2;
步骤S3:综合特征集F1和F2,将其作为机器学习算法的特征集F,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型;
步骤S4:采用客观评估模型对目标图像进行客观评估,得到最终的目标图像的质量评估得分值;
在步骤S1中,采用基于图像配准的全参考图像质量评估方法对目标图像进行特征提取,具体包括以下步骤:
步骤S11:采用图像配准算法SIFT Flow对参考图像和目标图像进行图像配准,生成匹配图像作为新的参考图像;
步骤S12:采用结构相似度评估方法SSIM对目标图像和匹配图像进行相似度评估,生成置信度图C;
步骤S13:采用图像显著度求解方法GBVS对目标图像进行显著度求解,生成显著度图S;
步骤S14:分别采用MSE、PSNR、UQI、SSIM、MAD、FSIM、GSM、CID和VSI这9种全参考图像质量评估方法对目标图像进行质量评估,生成质量图Qk,k=1,2,…,9,分别对应MSE、PSNR、UQI、SSIM、MAD、FSIM、GSM、CID和VSI算法;
步骤S15:将置信度图C和显著度图S作为权重值,对质量图Qk进行加权求和,得到最终的特征值f1k,计算公式为:
W(i,j)=C(i,j)*S(i,j)
其中,p、q为目标图像的行数和列数,i、j为图像的当前行和当前列,C(i,j)为置信度图中第i行、第j列的像素值,S(i,j)为显著度图中第i行、第j列的像素值,Qk(i,j)为第k种全参考图像质量评估方法求出的目标图像的质量图中第i行、第j列的像素值;
步骤S16:采用得到的特征值f1k组成特征集F1={f11,f12,…,f19}。
2.根据权利要求1所述的一种基于机器学习的颜色校正评估方法,其特征在于:在步骤S2中,分别采用CLD、EHD、HTD、SCD、GD和EMD这6种图像重定向评估方法对目标图像进行图像重定向评估,得到图像重定向评估结果f2k,直接将图像重定向评估结果作为特征值,然后采用得到的特征值f2k组成特征集F2={f21,f22,…,f26}。
3.根据权利要求1所述的一种基于机器学习的颜色校正评估方法,其特征在于:在步骤S3中,综合特征集F1和F2,将其作为机器学习算法的特征集F,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型,具体包括以下步骤:
步骤S31:组成特征集F={F1,F2},并将特征集F随机三等分为T1、T2和T3;
步骤S32:计算用于求解特征集T1、T2和T3所对应的图像集的主观平均得分值MOS的集合,分别记为MOS1、MOS2和MOS3;
步骤S33:将T1、T2和MOS1、MOS2作为机器学习的训练数据集,学习得到图像质量评估模型M1;
步骤S34:重复步骤S33,分别求出将T1、T3和MOS1、MOS3作为训练数据集的图像质量评估模型M2与将T2、T3和MOS2、MOS3作为训练数据集的图像质量评估模型M3。
4.根据权利要求3所述的一种基于机器学习的颜色校正评估方法,其特征在于:在步骤S4中,采用客观评估模型对目标图像进行客观评估,得到最终的目标图像的质量评估得分值,具体包括以下步骤:
步骤S41:采用模型M1对特征集T3进行计算,得到特征集T3对应的全参考图像质量评估得分值集合AS1;
步骤S42:采用模型M2对特征集T2进行计算,得到特征集T2对应的全参考图像质量评估得分值集合AS2;
步骤S43:采用模型M3对特征集T1进行计算,得到特征集T1对应的全参考图像质量评估得分值集合AS3;
步骤S44:综合评估得分值集合AS={AS1,AS2,AS3},得到最终的目标图像的质量评估得分值集合AS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610017543.3A CN105678775B (zh) | 2016-01-13 | 2016-01-13 | 一种基于机器学习的颜色校正评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610017543.3A CN105678775B (zh) | 2016-01-13 | 2016-01-13 | 一种基于机器学习的颜色校正评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678775A CN105678775A (zh) | 2016-06-15 |
CN105678775B true CN105678775B (zh) | 2017-03-08 |
Family
ID=56300144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610017543.3A Expired - Fee Related CN105678775B (zh) | 2016-01-13 | 2016-01-13 | 一种基于机器学习的颜色校正评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678775B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108462866A (zh) * | 2018-03-26 | 2018-08-28 | 福州大学 | 一种基于匹配和优化的3d立体图像颜色校正方法 |
CN108449596B (zh) * | 2018-04-17 | 2020-09-01 | 福州大学 | 一种融合美学和舒适度的3d立体图像质量评估方法 |
CN110457670A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 一种基于机器学习降低印前版面处理错误率的方法 |
CN117788461B (zh) * | 2024-02-23 | 2024-05-07 | 华中科技大学同济医学院附属同济医院 | 一种基于图像分析的磁共振图像质量评估*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102815614A (zh) * | 2012-09-05 | 2012-12-12 | 林汉丁 | 显示实时吊钩偏角检测监视装置 |
CN105046708B (zh) * | 2015-07-14 | 2017-11-17 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
-
2016
- 2016-01-13 CN CN201610017543.3A patent/CN105678775B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105678775A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046708B (zh) | 一种与主观感知相一致的颜色校正客观评估方法 | |
CN105678775B (zh) | 一种基于机器学习的颜色校正评估方法 | |
Jiang et al. | Single image super-resolution quality assessment: a real-world dataset, subjective studies, and an objective metric | |
CN107396095A (zh) | 一种无参考三维图像质量评价方法 | |
CN101996407B (zh) | 一种多相机颜色标定方法 | |
CN105574885B (zh) | 基于机器学习并融合视觉特征的全参考图像质量评估方法 | |
US9135690B2 (en) | Perceptual rating of digital image retouching | |
CN104811693B (zh) | 一种立体图像视觉舒适度客观评价方法 | |
CN106127741A (zh) | 基于改良自然场景统计模型的无参考图像质量评价方法 | |
CN104361574A (zh) | 一种基于稀疏表示的无参考彩色图像质量评价方法 | |
CN107147906A (zh) | 一种虚拟视角合成视频质量的无参考评价方法 | |
CN104469355B (zh) | 基于显著自适应的视觉舒适预测及非线性映射的视觉舒适增强方法 | |
CN105488792B (zh) | 基于字典学习和机器学习的无参考立体图像质量评价方法 | |
CN103139591B (zh) | 一种基于图形处理器的3d视频颜色自动校正方法 | |
CN102708568A (zh) | 一种基于结构失真的立体图像客观质量评价方法 | |
Guo et al. | PhyCoVIS: A visual analytic tool of physical coordination for cheer and dance training | |
CN104506852B (zh) | 一种面向视频会议编码的客观质量评估方法 | |
JP6359985B2 (ja) | デプス推定モデル生成装置及びデプス推定装置 | |
CN108364265A (zh) | 一种影像校正方法及装置 | |
Jiang et al. | Visual comfort assessment for stereoscopic images based on sparse coding with multi-scale dictionaries | |
Gu et al. | Reliable event generation with invertible conditional normalizing flow | |
WO2023214093A1 (en) | Accurate 3d body shape regression using metric and/or semantic attributes | |
Zhou et al. | Single-view view synthesis with self-rectified pseudo-stereo | |
CN103997642B (zh) | 一种立体相机远距会聚拍摄质量客观评价方法 | |
CN103077514A (zh) | 一种基于全变分的视觉感知图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170308 Termination date: 20220113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |