CN110827207B - 一种基于协同分合学习机制的反射消除方法 - Google Patents
一种基于协同分合学习机制的反射消除方法 Download PDFInfo
- Publication number
- CN110827207B CN110827207B CN201910877757.1A CN201910877757A CN110827207B CN 110827207 B CN110827207 B CN 110827207B CN 201910877757 A CN201910877757 A CN 201910877757A CN 110827207 B CN110827207 B CN 110827207B
- Authority
- CN
- China
- Prior art keywords
- reflection
- image
- network
- separation
- pure
- 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 abstract description 57
- 238000000926 separation method Methods 0.000 title claims abstract description 48
- 230000008030 elimination Effects 0.000 title claims abstract description 28
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于协同分合学习机制的反射消除方法，包括：反射生成网络接收不含反射的背景图像与纯反射图像，通过特征的提取、拼接与解码，获得非线性叠加的合成含反射图像；反射分离网络接收合成含反射图像，基于多任务学习的架构对特征解耦，获得背景图像、纯反射图像与背景图像的梯度图像；将混合图像输入反射分离网络产生预测的背景图像与纯反射图像结果，再将结果输入反射生成网络获得重新合成的混合图像结果，与原始的输入混合图像进行比对形成重建自监督。本发明相比于一般深度学习方法更灵活、高效地完成反射消除。基于真实数据，通过协同分合机制，实现弱监督条件下的三个域之间的相互映射，在学到更好的去反射能力的同时生成更符合物理特性的含反射混合训练图像。
Description
技术领域
本发明属于人工智能应用图像领域，具体涉及一种基于协同分合学习机制的反射消除方法。
背景技术
反射是一种在日常生活中分布极其普遍的物理现象，例如在城市建筑群中的窗户、墙面，机动车的挡风玻璃等。受反射叠加干扰，图像的识别将受到影响。对数字图像进行反射消除的研究、增强图像内容的主观视觉质量，不仅可以优化手机摄像用户的拍摄体验，同时也将促进城市监控智能化程度的提升。因此具有重大的社会价值和商业价值。
反射是对图像正常内容的一种干扰，其抑制或消除问题属于图像恢复技术的一种。反射消除面对两倍于约束项的未知数和自由度更大的双重待恢复图像，反射消除的非适定性远高于其他图像恢复与增强问题。
传统的反射消除基于一些先验性假设约束，但这些假设要么源自基于自然图像的人为统计假设(稀疏梯度)，要么需要严格限制特定的拍摄条件(模糊程度、重影效应)。在假设不能完全满足时性能会大幅下降，因此适用的场景和数据非常受限。
基于深度学习的反射消除方法相较基于低层特性先验假设的传统方法在性能上展现了明显的优势。但是深度特征易于在被训练数据集包含的有限场景下发生过拟合，因此基于深度学习的方法表现出了对训练数据的过分依赖，在未被训练数据集包含的场景上做测试时性能非常不稳定。此外，由于数据规模的限制问题，如图1所示，目前的学习训练数据大多是简单的线性叠加合成得到的，导致训练出的模型在真实数据上泛化能力很差。
这一问题理论上可以通过大量采集带真值标注的数据来解决，然而存在反射的真实场景类别过于多样，采集足够多的真实反射数据成本已然过高，进一步采集严格对齐的反射和透射真值图像组作为学习的监督信息训练强监督的反射消除网络则更不具备可行性。因此为了应对大规模、真实场景监督学习数据的缺失，使学习得到的网络模型具有更强的泛化应用能力，需要对基于反射消除与合成过程的协同分合学习，利用弱监督学习生成更符合光学现象的合成训练数据，处理容易获取的非严格成对匹配数据。
发明内容
本发明的目的是通过以下技术方案实现的。
本发明针对真实场景中非严格成对匹配的包含反射的图像数据，本发明提出一种基于协同分合学习机制的反射消除方法，提升方法在反射消除任务上的表现，同时提高模型的泛化能力。
根据本发明实施例的一个方面，提供了一种基于协同分合学习机制的反射消除方法，包括：
反射生成网络接收不含反射的背景图像与纯反射图像，通过特征的提取、拼接与解码，获得非线性叠加的合成含反射图像；
反射分离网络接收所述合成含反射图像，基于多任务学习的架构对特征解耦，获得背景图像、纯反射图像与背景图像的梯度图像；
所述反射生成网络和反射分离网络均由自动编码器网络与数据域判别器构成，二者之间进行博弈对抗学习；
所述反射生成网络与反射分离网络以不同顺序连接，形成两个方向的循环通路，实现反射图像生成与反射消除两个过程的协同分合学习；
将混合图像输入所述反射分离网络产生预测的背景图像与纯反射图像结果，再将结果输入所述反射生成网络获得重新合成的混合图像结果，与原始的输入混合图像进行比对形成重建自监督。
进一步地，当输入为背景图像与纯反射图像时，先传入所述反射生成网络，经由所述反射分离网络后根据预测得到的背景图像相似地计算重建损失；
基于域对抗损失、重建损失与内容语义特征损失的联合约束与优化训练网络模型。
进一步地，所述反射生成网络通过深度学习进行含反射图像的合成，提取背景与纯反射图像的深度特征，从特征角度进行拼接融合，经由神经网络解码特征生成含反射图像。
进一步地，所述反射生成网络的网络结构如下：先采用两个下采样的分支模块，提取出背景图像和纯反射图像的高维特征，再利用一个拼接操作将两个特征图合并，然后将合并后的特征图通过六个残差单元，最后接一个上采样单元。
进一步地，所述反射分离网络基于图像梯度的信息辅助，对含反射图像高维特征进行解耦，通过图像梯度信息的估计作为辅助，对含反射图像进行分离得到背景图像和纯反射图像。
进一步地，所述反射分离网络的网络结构如下：先采用一个下采样的分支，提取出带反射图像的高维特征，然后将其通过六个残差单元，最后接三个上采样单元，分别对应背景图像、纯反射图像和梯度图像。
进一步地，所述反射生成网络与反射分离网络，采用自映射损失约束两个数据域之间的迁移，其中一个数据域为含反射的真实拍摄图像，另一个数据域为不含反射的背景图像。
进一步地，所述反射生成网络和反射分离网络通过多损失联合优化实现协同分合机制下的学习。
进一步地，通过对自映射后的像素级重建损失、深度语义特征层面的内容重建损失、数据域对抗损失的联合计算，实现对抗性的自动编码器。
进一步地，所述多损失联合优化进一步包括对所述梯度图像的估计L1损失。
本发明的优势在于：本发明可利用非配对数据完成对反射网络的学习训练，可以解决真实配对数据的规模限制与合成数据导致的过拟合问题。基于生成对抗网络的自监督模式可使学习得到的网络模型具有更强的泛化应用能力。对反射图像的生成与反射分离过程的分别与协同学习可提升反射消除方法在真实应用场景上性能。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
附图1为现有技术中面向配对合成数据的反射消除框架示意图；
附图2示出了本发明的一种基于协同分合学习机制的反射消除方法概念示意图；
附图3示出了本发明的一种基于协同分合学习机制的反射消除方法流程图；
附图4示出了本发明提出的方法的学习流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的方法利用非配对数据完成对反射网络的学习训练，可以解决真实配对数据的规模限制与合成数据导致的过拟合问题，对反射图像的生成与反射分离过程的分别与协同学习可提升反射消除方法在真实应用场景上性能。
图2展示了本发明方法的概念示意图。如图2所示，反射分离网络S与反射生成网络G分别实现从含反射混合图像到不含反射的背景图像与纯反射图像的数据域映射，以及反向的迁移。
本发明针对真实场景中非严格成对匹配的包含反射的图像数据，本发明提出一种基于协同分合学习机制的反射消除方法，提升方法在反射消除任务上的表现，同时提高模型的泛化能力。
如图3所示，根据本发明实施例的一个方面，提供了一种基于协同分合学习机制的反射消除方法，包括：
S1、反射生成网络接收不含反射的背景图像与纯反射图像，通过特征的提取、拼接与解码，获得非线性叠加的合成含反射图像；
S2、反射分离网络接收所述合成含反射图像，基于多任务学习的架构对特征解耦，获得背景图像、纯反射图像与背景图像的梯度图像；
S3、所述反射生成网络和反射分离网络均由自动编码器网络与数据域判别器构成，二者之间进行博弈对抗学习；
S4、所述反射生成网络与反射分离网络以不同顺序连接，形成两个方向的循环通路，实现反射图像生成与反射消除两个过程的协同分合学习；
S5、将混合图像输入所述反射分离网络产生预测的背景图像与纯反射图像结果，再将结果输入所述反射生成网络获得重新合成的混合图像结果，与原始的输入混合图像进行比对形成重建自监督。
本发明的优势在于：采用基于生成对抗网络和协同分合机制的去反射模型，通过利用非配对数据完成对反射网络的学习，相比于一般深度学习方法更灵活、高效地完成反射消除。基于真实数据，通过协同分合机制，实现弱监督条件下的三个域之间的相互映射，在学到更好的去反射能力的同时生成更符合物理特性的含反射混合训练图像。
图4展示了本发明方法的学习流程，包含两个由生成网络与分离网络构成的不同的循环自监督回路。
其中，生成网络采用相较于传统线性叠加合成数据方法更符合真实光线效果的多对一的映射机制，其目标是通过背景图像和纯反射图像合成尽可能真实的带反射图像。生成网络具体的网络结构是先采用了两个下采样的分支模块，提取出背景图像和纯反射图像的高维特征，再利用一个拼接操作将两个特征图合到一起，然后将其通过六个残差单元，最后接一个上采样单元。
分离网络的目标和生成网络相反，通过带反射的图像分离出干净的背景图像和纯反射图像。采用一种一对多的分离机制，同时也是一种多任务学习的架构。具体的网络结构是先采用了一个下采样的分支，提取出带反射图像的高维特征，然后将其通过六个残差单元，最后接三个上采样单元，分别对应背景图像、纯反射图像和梯度图像。其中梯度图像的估计是该多任务学习架构中的一种辅助任务，为了更好的辅助分离网络达到更好的分离效果。传统的Sobel算子无法将带反射图像中的反射区域的梯度给识别出来，所以其梯度图像中往往残留着反射区域的信息，本发明所提出的方法，将反射区域的梯度过滤掉，生成更清晰的背景图像梯度图，辅助本发明的分离网络更好的识别出背景区域，分离出更干净的背景图像和纯反射图像。
生成网络和对抗网络通过多损失联合优化实现协同分合机制下的学习。
对抗损失由数据域判别器计算获取，其目标是判断图像到底是真实的自然分布的图像还是由生成器生成的图像。与生成网络与对抗网络的结果产生形成博弈关系。
像素级重建损失基于循环回路实现，具体地，对于来自域M的每一张图片，当我们通过映射网络S将其转换成域B同分布的图像时，再将其继续通过映射网络G将其方向再转回域M同分布的图像，那么应该能够回到原图。相反地可实现从域B到域M再到域B的反向循环重建，对两个生成器进行更好的约束，使重建的图像G(S(B))更逼近原始的图像B。
内容级重建损失从预训练的VGG-16网络中提取高层语义特征，保持学习过程的语义表达能力不发生变化。
对梯度图的估计也计算L1损失加入多损失优化。
本发明通过不需要真值标注的非成对数据进行训练，可泛化到更一般的真实数据。学习训练数据的采集通过分别采集含反射真实图像与不含反射真实图像完成，不需要对齐等过程。
通过上述的方法，本发明利用协同分合机制，利用双向循环的生成对抗学习框架对反射数据合成与反射消除两个过程同时进行约束与学习建模。本发明可对非配对数据进行学习，提高模型在真实应用场景下的泛化能力。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于协同分合学习机制的反射消除方法，其特征在于，包括：
反射生成网络接收不含反射的背景图像与纯反射图像，通过特征的提取、拼接与解码，获得非线性叠加的合成含反射图像；
反射分离网络接收所述合成含反射图像，基于多任务学习的架构对特征解耦，获得背景图像、纯反射图像与背景图像的梯度图像；
所述反射生成网络和反射分离网络均由自动编码器网络与数据域判别器构成，所述反射生成网络和反射分离网络之间进行博弈对抗学习；
所述反射生成网络与反射分离网络以不同顺序连接，形成两个方向的循环通路，实现反射图像生成与反射消除两个过程的协同分合学习；
将混合图像输入所述反射分离网络产生预测的背景图像与纯反射图像结果，再将结果输入所述反射生成网络获得重新合成的混合图像结果，与原始的输入混合图像进行比对形成重建自监督。
2.根据权利要求1所述的方法，其特征在于，
当输入为背景图像与纯反射图像时，先传入所述反射生成网络，经由所述反射分离网络后根据预测得到的背景图像相似地计算重建损失；
基于域对抗损失、重建损失与内容语义特征损失的联合约束与优化训练网络模型。
3.根据权利要求1所述的方法，其特征在于，
所述反射生成网络通过深度学习进行含反射图像的合成，提取背景与纯反射图像的深度特征，从特征角度进行拼接融合，经由神经网络解码特征生成含反射图像。
4.根据权利要求3所述的方法，其特征在于，
所述反射生成网络的网络结构如下：先采用两个下采样的分支模块，提取出背景图像和纯反射图像的高维特征，再利用一个拼接操作将两个特征图合并，然后将合并后的特征图通过六个残差单元，最后接一个上采样单元。
5.根据权利要求4所述的方法，其特征在于，
所述反射分离网络基于图像梯度的信息辅助，对含反射图像高维特征进行解耦，通过图像梯度信息的估计作为辅助，对含反射图像进行分离得到背景图像和纯反射图像。
6.根据权利要求5所述的方法，其特征在于，
所述反射分离网络的网络结构如下：先采用一个下采样的分支，提取出带反射图像的高维特征，然后将其通过六个残差单元，最后接三个上采样单元，分别对应背景图像、纯反射图像和梯度图像。
7.根据权利要求1-6任一项所述的方法，其特征在于，
所述反射生成网络与反射分离网络，采用自映射损失约束两个数据域之间的迁移，其中一个数据域为含反射的真实拍摄图像，另一个数据域为不含反射的背景图像。
8.根据权利要求1-6任一项所述的方法，其特征在于，
所述反射生成网络和反射分离网络通过多损失联合优化实现协同分合机制下的学习。
9.根据权利要求8所述的方法，其特征在于，进一步包括：
通过对自映射后的像素级重建损失、深度语义特征层面的内容重建损失、数据域对抗损失的联合计算，实现对抗性的自动编码器。
10.根据权利要求8所述的方法，其特征在于，
所述多损失联合优化进一步包括对所述梯度图像的估计L1损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910877757.1A CN110827207B (zh) | 2019-09-17 | 2019-09-17 | 一种基于协同分合学习机制的反射消除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910877757.1A CN110827207B (zh) | 2019-09-17 | 2019-09-17 | 一种基于协同分合学习机制的反射消除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110827207A CN110827207A (zh) | 2020-02-21 |
| CN110827207B true CN110827207B (zh) | 2022-12-02 |
Family
ID=69548071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910877757.1A Active CN110827207B (zh) | 2019-09-17 | 2019-09-17 | 一种基于协同分合学习机制的反射消除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110827207B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2021251062A1 (zh) * | 2020-06-10 | 2021-12-16 | ||
| CN112802076A (zh) * | 2021-03-23 | 2021-05-14 | 苏州科达科技股份有限公司 | 反射图像生成模型及反射去除模型的训练方法 |
| WO2022222080A1 (zh) * | 2021-04-21 | 2022-10-27 | 浙江大学 | 一种基于位置感知的单图像反射层移除方法 |
| CN114926352B (zh) * | 2022-04-14 | 2024-05-28 | 华南理工大学 | 一种图像去反射方法、***、装置及存储介质 |
| CN115393237B (zh) * | 2022-07-18 | 2023-07-18 | 荣耀终端有限公司 | 图像去反光方法、介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103590A (zh) * | 2017-03-22 | 2017-08-29 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
| CN107464227A (zh) * | 2017-08-24 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度神经网络进行去除反射和平滑图像的方法 |
| CN109447918A (zh) * | 2018-11-02 | 2019-03-08 | 北京交通大学 | 基于注意力机制的单幅图像去雨方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10719742B2 (en) * | 2018-02-15 | 2020-07-21 | Adobe Inc. | Image composites using a generative adversarial neural network |
-
2019
- 2019-09-17 CN CN201910877757.1A patent/CN110827207B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103590A (zh) * | 2017-03-22 | 2017-08-29 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
| CN107464227A (zh) * | 2017-08-24 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度神经网络进行去除反射和平滑图像的方法 |
| CN109447918A (zh) * | 2018-11-02 | 2019-03-08 | 北京交通大学 | 基于注意力机制的单幅图像去雨方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于对抗生成网络的反射去除算法;周乐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180715(第7期);全文 * |
| 生成式对抗网络图像增强研究综述;马春光等;《信息网络安全》;20190510(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110827207A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827207B (zh) | 一种基于协同分合学习机制的反射消除方法 | |
| Lin et al. | Cross-domain complementary learning using pose for multi-person part segmentation | |
| Saxena et al. | Monocular depth estimation using diffusion models | |
| CN110675329B (zh) | 基于视觉语义引导的图像去模糊方法 | |
| KR102311796B1 (ko) | 지역적 신체영역 정보를 이용한 휴먼 모션 디블러링 방법 및 장치 | |
| CN113592913B (zh) | 一种消除自监督三维重建不确定性的方法 | |
| Wu et al. | CMTFNet: CNN and multiscale transformer fusion network for remote sensing image semantic segmentation | |
| CN112422870B (zh) | 一种基于知识蒸馏的深度学习视频插帧方法 | |
| Gao et al. | Augmented weighted bidirectional feature pyramid network for marine object detection | |
| CN116524121A (zh) | 一种单目视频三维人体重建方法、***、设备及介质 | |
| Wang et al. | Thermal images-aware guided early fusion network for cross-illumination RGB-T salient object detection | |
| Xie et al. | Recent advances in conventional and deep learning-based depth completion: A survey | |
| CN117218246A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| Lin et al. | Efficient and high-quality monocular depth estimation via gated multi-scale network | |
| Zhang et al. | Self-supervised monocular depth estimation with self-perceptual anomaly handling | |
| Ren et al. | Efficient human pose estimation by maximizing fusion and high-level spatial attention | |
| Mao et al. | Stealing stable diffusion prior for robust monocular depth estimation | |
| Ou et al. | A scene segmentation algorithm combining the body and the edge of the object | |
| CN114648604A (zh) | 一种图像渲染方法、电子设备、存储介质及程序产品 | |
| CN115035173A (zh) | 基于帧间相关性的单目深度估计方法及*** | |
| Zhao et al. | SAU-Net: Monocular Depth Estimation Combining Multi-Scale Features and Attention Mechanisms | |
| Fan et al. | Learning Bilateral Cost Volume for Rolling Shutter Temporal Super-Resolution | |
| Zhou et al. | Underwater occluded object recognition with two-stage image reconstruction strategy | |
| Zhu et al. | Application research on improved CGAN in image raindrop removal | |
| Wang et al. | Enhanced context encoding for single image raindrop removal |
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 |