CN111754439B - 图像处理的方法、装置、设备以及存储介质 - Google Patents
图像处理的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111754439B CN111754439B CN202010599313.9A CN202010599313A CN111754439B CN 111754439 B CN111754439 B CN 111754439B CN 202010599313 A CN202010599313 A CN 202010599313A CN 111754439 B CN111754439 B CN 111754439B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- convolution
- input
- network
- 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
- 238000003672 processing method Methods 0.000 title description 11
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 17
- 230000035945 sensitivity Effects 0.000 abstract description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本申请公开了图像处理的方法、装置、设备以及存储介质,涉及人工智能、深度学习、图像处理技术领域。实现方案为:将掩膜图像和第一图像输入编码网络;利用编码网络的各卷积层对第一图像下采样;至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核;将第二图像输入解码网络;利用解码网络的各反卷积层对第二图像上采样,并输出对目标区域进行填补后的图像。本申请实施例通过掩膜图像确定同一层中第一图像进行卷积时每个卷积窗口的卷积核,因此能够利用动态计算的卷积核更好地自适应不同卷积窗口中有效像素的特征提取,提高了特征提取的敏感度,从而使得最终对图像缺失区域的填补修复更加合理。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及人工智能、深度学习、图像处理技术领域。
背景技术
在拍照时,图像中经常容易出现不希望存在的一些人或者物体,因此需要对图像中的不希望存在的内容进行去除并修复重建图像。在对图像中不希望存在的内容进行去除后所产生的空白区域进行图像重建时,需要根据空白区域周边的图像色彩,纹理和内容等信息做一个比较自然的填补才能真正达到比较好的图像修复重建效果。然而目前的图像修复技术,修复效果有限,常常无法合理的填补图像中的缺失区域,因此难以满足用户对图像修复效果的需求。
发明内容
本申请提供了一种图像处理的方法、装置、设备以及存储介质。
根据本申请的一方面,提供了一种图像处理的方法,包括:
将掩膜图像和第一图像输入神经网络的编码网络,掩膜图像和第一图像基于去除目标区域的待修复图像所生成;
利用编码网络的各卷积层逐层对第一图像进行下采样;其中,利用至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核;
利用编码网络将对第一图像进行下采样得到的第二图像输入神经网络的解码网络;
利用解码网络的各反卷积层逐层对第二图像进行上采样,并输出对目标区域进行填补后的图像。
根据本申请的另一方面,提供了一种图像处理的装置,包括:
第一输入模块,用于将掩膜图像和第一图像输入神经网络的编码网络,掩膜图像和第一图像基于去除目标区域的待修复图像所生成;
下采样模块,用于利用编码网络的各卷积层逐层对第一图像进行下采样;其中,利用至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核;
第二输入模块,利用编码网络将对第一图像进行下采样得到的第二图像输入神经网络的解码网络;
上采样模块,用于利用解码网络的各反卷积层逐层对第二图像进行上采样,并输出对目标区域进行填补后的图像。
根据本申请的另一方面,提供了一种电子设备,电子设备的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,电子设备的结构中包括处理器和存储器,存储器用于存储支持电子设备执行上述图像处理的方法的程序,处理器被配置为用于执行存储器中存储的程序。电子设备还可以包括通信接口,用于与其他设备或通信网络通信。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,用于存储电子设备及电子设备所用的计算机软件指令,其包括用于执行上述图像处理的方法所涉及的程序。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术解决了现有图像处理技术中,模型在对特征图进行卷积运算时,卷积核固定不变的问题。本申请实施例通过掩膜图像确定同一层中第一图像进行卷积时每个卷积窗口的卷积核,因此能够利用动态计算的卷积核更好地自适应不同卷积窗口中有效像素的特征提取,提高了特征提取的敏感度,从而使得最终对图像缺失区域的填补修复更加合理。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例的图像处理方法的示意图;
图2是根据本申请实施例的掩膜图像的示意图;
图3是根据本申请实施例的第一图像的示意图;
图4是根据本申请实施例的修复后图像的示意图;
图5是根据本申请实施例的包含卷积窗口的图像的示意图;
图6是根据本申请实施例的图像处理方法的步骤S20的示意图;
图7是根据本申请实施例的网络结构的示意图;
图8是根据本申请实施例的网络结构的示意图;
图9是根据本申请另一实施例的图像处理方法的步骤S20的示意图;
图10是根据本申请另一实施例的图像处理方法的示意图;
图11是根据本申请实施例的图像处理装置的示意图;
图12是用来实现本申请实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
根据本申请的实施例,如图1所示,本申请提供了一种图像处理的方法,包括:
S10:将掩膜图像和第一图像输入神经网络的编码(Encoder)网络,掩膜图像和第一图像基于去除目标区域的待修复图像所生成。
待修复图像可以理解为图中存在有需要被去除的图像内容(人物或事物)的图像。例如,需要将合照中某一特定人物去除的图像,需要将风景照中某一无关建筑去除的图像等均可以认为是本实施例的待修复图像。目标区域可以包括图中需要被去除的图像内容所在的图中区域。待修复图像还可以理解为图中本身存在缺失区域的图像。目标区域可以理解为是图中的缺失区域。
将掩膜图像输入神经网络是为了显式地将待修复图像中哪些像素属于有用像素哪些像素属于无效像素这样的信息,显式地当作神经网络的先验知识输入。掩膜图像可以包括用于区分图中目标区域和图中其他区域的二值图像。二值图像是每个像素点只有两个可能值的数字图像。当像素点M[i,j]=0时,表示第i行第j个像素值为图像中被去除区域的像素。当像素点M[i,k]=1时,表示第i行第k个像素值为图像中需要保留区域的像素。由于掩膜图像是每个像素点只有两个可能值的数字图像,因此各像素点可以用黑色或者白色表示。例如,如图2所示图像即可以认为是掩膜图像,其中黑色像素点所组成区域为需要被去除的图像内容所在区域,白色像素点所组成区域为图像中需要保留的图像内容所在区域。
将第一图像输入神经网络是为了得到待修复图像中各像素点之间的有效上下文信息,以及排除掉干扰信息。第一图像可以包括去除目标区域的待修复图像,去除目标区域的待修复图像的灰度图,或去除目标区域的待修复图像的特征图。例如,如图3所示图像即可以认为是第一图像。
神经网络可以采用现有技术中能够对图像进行处理的任意网络结构。编码网络可以采用现有技术中能够运用卷积运算对图像进行特征提取的任意网络结构。例如,神经网络可以采用卷积神经网络、U-Net(U型网络)卷积神经网络等。编码网络可以理解为是本申请实施例的神经网络中的一部分网络结构。
S20:利用编码网络的各卷积层逐层对第一图像进行下采样。其中,利用至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核。
利用编码网络的各卷积层逐层对第一图像进行下采样,可以理解为第一图像输入编码网络后,第一层卷积层利用卷积运算对第一图像进行特征提取后,将得到的第一图像的特征图输入第二层卷积层,第二层卷积层利用卷积运算对输入的第一图像的特征图进行特征提取后,将得到的新的第一图像的特征图输入第三层卷积层,以此类推,直至最后一层卷积层利用卷积运算对上一层输入的第一图像的特征图进行特征提取后,编码网络对第一图像的下采样结束。编码网络中卷积层的层数可以根据需要进行调整,编码网络的结构也可以根据需要进行调整。其中,每层卷积层中可以包含有若干层网络结构,也即是说,每一层卷积层对第一图像进行的卷积运算可以理解为是由多层网络结构共同实现的。
利用本层中的掩膜图像确定本层中第一图像卷积核的卷积层,可以是编码网络中的任一层卷积层,可以是编码网络中的全部卷积层,也可以是编码网络中的部分卷积层。利用掩膜图像确定出的第一图像的每个卷积窗口的卷积核可能不同。卷积核不同可以理解为每个卷积核中的矩阵值不同,或每个卷积核的矩阵大小不同。
在利用本层中的掩膜图像确定本层中第一图像卷积核的卷积层为首层卷积层时,输入本层的掩膜图像为最初输入编码网络的掩膜图像。输入本层的第一图像为最初输入编码网络的第一图像。在利用本层中的掩膜图像确定本层中第一图像卷积核的卷积层非首层卷积层时,输入本层的掩膜图像可以包括上一层卷积层通过卷积运算后所输出的掩膜图像。输入本层的第一图像可以包括上一层卷积层通过卷积运算后所输出的第一图像。
需要说明的是,为了便于描述,将上一层卷积层对第一图像卷积运算后输入到下一层卷积层中的特征图,统一称为第一图像。但应当理解的是,输入每一层卷积层中的第一图像由于经过不同的卷积运算,因此输入每一层卷积层中的第一图像的特征向量所表示的维度不同。也即是说,应当理解的是虽然输入每一层卷积层的第一图像的名称相同,但实质上每个第一图像中所包含的特征向量是不同的。以及,为了便于描述,将上一层卷积层对掩膜图像卷积运算后输入到下一层卷积层中的特征图,统一称为掩膜图像。但应当理解的是,输入每一层卷积层中的掩膜图像由于经过不同的卷积运算,因此输入每一层卷积层中的掩膜图像的特征向量所表示的维度不同。也即是说,应当理解的是虽然输入每一层卷积层的掩膜图像的名称相同,但实质上每个掩膜图像中所包含的特征向量是不同的。
S30:利用编码网络将对第一图像进行下采样得到的第二图像输入神经网络的解码网络(Decoder)。
解码网络可以采用现有技术中能够运用反卷积运算对图像进行特征提取和图像修复的任意网络结构。解码网络可以理解为是本申请实施例的神经网络中的一部分网络结构。
第二图像可以理解为编码网络的最后一层卷积层所输出的第一图像的特征图。
S40:利用解码网络(Decoder)的各反卷积层逐层对第二图像进行上采样,并输出对目标区域进行填补后的图像。
利用解码网络的各反卷积层逐层对第二图像进行上采样,可以理解为第二图像输入解码网络后,第一层反卷积层对第二图像进行特征提取后,将得到的第二图像的特征图输入第二次反卷积层,第二层反卷积层对输入的第二图像的特征图进行特征提取后,将得到的新的第二图像的特征图输入第三层反卷积层,以此类推,直至最后一层反卷积层利用卷积运算对上一层输入的第二图像的特征图进行特征提取后,解码网络对第二图像的上采样结束。解码网络中返卷积层的层数可以根据需要进行调整,解码网络的结构也可以根据需要进行调整。其中,每层反卷积层中可以包含有若干层网络结构,也即是说,每一层反卷积层对第二图像进行的体征提取可以理解为是由多层网络结构共同实现的。
需要说明的是,本申请各实施例所描述的卷积层的上一层卷积层、卷积层的下一层卷积层、反卷积层的上一层反卷积层以及反卷积层的下一层反卷积层,是根据数据传输走向所定义的。
对目标区域进行填补后的图像,可以理解为在目标区域中填补合理的图像内容使其与周围图像的色彩、纹理和内容能够自然融合。例如,图4所示图像即为相对于图3所示图像的填补后的图像,也即是说将图3中确实的建筑物区域进行了填补修复。
在现有图像处理技术中,模型在对特征图进行卷积运算时,每个卷积窗口的卷积核完全一样(卷积核的矩阵值和卷积核大小完全一致),这种操作方式是不利于提取更好的特征的,因为每个卷积窗口由于部分缺失区域的存在,其有效像素部分在各个卷积窗口各不相同。例如,如图5所示,假设白色区域代表缺失掉的需要修复的部分,黑色线框代表不同的卷积窗口,我们可以发现不同卷积窗口,有效像素的区域与形状各不相同。用一个共享的固定的卷积核对每个窗口求卷积,将不能很好地区分对待不同卷积窗口的有效像素的分布与形状各不相同这样的事实。
而根据本申请的技术方案可以有效解决上述现有技术缺陷中每个卷积窗口的卷积核完全一样的问题。本申请实施例通过掩膜图像确定同一层中第一图像进行卷积时每个卷积窗口的卷积核,因此能够利用动态计算的卷积核更好地自适应不同卷积窗口中有效像素的特征提取,提高了特征提取的敏感度,从而使得最终对图像缺失区域的填补修复更加合理。
在一种实施方式中,如图6所示,利用至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核,包括:
S21:利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图,其中,i≥1。
当i=1时,输入第一层的卷积层中的掩膜图像可以是初始输入编码网络中的掩膜图像。当i>1时,输入该卷积层中的掩膜图像可以是i-1层的卷积层所输入的掩膜图像,且该掩膜图像为i-1层的卷积层进行下采样后所得到的掩膜图像的特征图。
S22:利用第i层的卷积层对第一特征图进行卷积运算,得到卷积核张量,卷积核张量用于确定对输入本层的第一图像进行卷积运算时对应每个卷积窗口的卷积核。
在本实施中,每个卷积窗口的卷积核都由掩膜图像中对应区域的特征通过卷积运算自适应生成。通过自适应的卷积核生成的机制,特征提取的网络能够对图片不同的局部区域进行动态卷积,这种方式可以适应于各个卷积窗口有效像素的分布与形状各不相同的特点。
在一个示例中,神经网络采用U型网络结构的动态卷积网络,该动态卷积网络的整体框架图如图7所示。Encoder(编码网络)输入掩膜(mask)图像以及第一图像,Decoder(解码网络)输出修复后图像。Encoder的网络深度为L层,掩膜图像与第一图像均经过L层卷积网络提取特征,随着网络深度的增强,掩膜图像与第一图像的特征图(feature map)的大小逐步通过下采样减小。在第l个卷积层中包含一个MADF模块(Mask-Aware DynamicFiltering,缺失区域敏感动态卷积)。MADF模块主要作用是根据第l-1层的掩膜图像的特征ml-1学习得到对第l-1层的图像特征el-1进行卷积时每一个卷积窗口的卷积核,并用该卷积核对第l-1层的图像特征el-1进行卷积操作。
具体的,假设第l-1层的掩膜图像第l-1层的第一图像其中,ml-1是第l-1层输出的掩膜图像,el-1是第l-1层输出的第一图像,H是局部卷积窗口的高度,W是局部卷积窗口的宽度,C是特征通道数。将第l-1层的掩膜图像和第一图像输入第l个卷积层后,第l个卷积层的MADF模块首先通过一个卷积核为kxk,步长(stride)为s的卷积层将/>变换到/>其中,H′×W′表示第l-1层输出的第一图像的局部卷积窗口个数。然后对ml进行1x1卷积运算,得到一个卷积核张量Θl∈RH′×W′×D,/>第l个卷积层对第l-1层的第一图像进行卷积运算时,H′×W′个卷积窗口的卷积核分别从Θl的对应位置获取即可。通过第l个卷积层对第l-1层的第一图像el-1进行卷积运算后得到的新的第一图像el被输入下一层卷积层,通过第l个卷积层对第l-1层的掩膜图像进行卷积运算后得到的ml不仅用于卷积核张量的生成,还被作为新的掩膜图像输入到下一层卷积层。
在一个应用示例中,如图8所示,第l层的卷积层的MADF模块利用第一卷积层(conv)对第l-1层的卷积层输入的ml-1进行卷积运算,然后将卷积运算后得到的特征图ml输送至第一ReLU(rectified linear unit,线性整流函数)进行处理,将处理后的特征图ml作为新的掩膜图像输入到下一层卷积层。并将处理后的特征图ml通过第二卷积层(conv)进行1x1卷积运算得到卷积核张量Θl。MADF模块将卷积核张量Θl和第l-1层的卷积层输入的第一图像el-1一同输入第三卷积层(conv),第三卷积层利用从卷积核张量Θl中确定的对第一图像el-1进行卷积运算时每个卷积窗口的卷积核,对第一图像el-1进行卷积运算,得到特征图el。将特征图el输入BN(Batch Normalization,批归一化)进行处理,将处理后的特征图el输入第二ReLU进行处理,并将处理后的特征图el作为新的第一图像输入下一层卷积层。
需要说明的是,MADF模块可以设置在编码网络的至少一个卷积层中,可以设置在编码网络的每一个卷积层中,也可以设置在编码网络的部分卷积层中。
在一种实施方式中,如图9所示,利用编码网络的各卷积层逐层对第一图像进行下采样,包括:
S23:利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,并将卷积运算后得到的掩膜图像输入下一层卷积层,其中,i≥1。
S24:利用第i层的卷积层对输入本层的第一图像进行卷积运算,并将卷积运算后得到的第一图像输入下一层卷积层。
当i=1时,输入第一层的卷积层中的掩膜图像可以是初始输入编码网络中的掩膜图像。当i=1时,输入第一层的卷积层中的第一图像可以是初始输入编码网络中的第一图像。
当i>1时,输入该卷积层中的掩膜图像可以是i-1层的卷积层所输入的掩膜图像,且该掩膜图像为i-1层的卷积层进行下采样后所得到的掩膜图像的特征图。当i>1时,输入该卷积层中的掩膜图像可以是i-1层的卷积层所输入的第一图像,且该第一图像为i-1层的卷积层进行下采样后所得到的第一图像的特征图。
当编码网络包括L层卷积层,且i=L时,第L层卷积层对输入的第一图像进行卷积运算后,将得到的第二图像输入到解码网路中。
在本实施例中,各层卷积层对第一图像和掩膜图像进行下采样,可以使得输入到下一层卷积层中的第一图像和掩膜图像的特征图中具有更高维度的特征向量。
在一种实施方式中,利用至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核,包括:
利用每个卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核。
在本实施例中,各个卷积层由于均通过掩膜图像确定同一层中第一图像进行卷积时每个卷积窗口的卷积核,因此能够利用动态计算的卷积核更好地自适应不同卷积窗口中有效像素的特征提取,提高了每层卷积层中第一图像的特征提取的敏感度。从而使得编码网络最终基于第一图像得到的第二图像能够包含更敏感的特征向量,从而使得解码网路最终能够输出对图像缺失区域的填补修复更加合理的图像。
在一个应用示例中,编码网络包括三层卷积层。利用每个卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核,包括:
利用第一层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图。第一层的卷积层将第一特征图作为新的掩膜图像输入第二层卷积层,以及第一层的卷积层对第一特征图进行卷积运算,得到卷积核张量。第一层的卷积层利用卷积核张量对输入本层的第一图像进行卷积运算,得到第一图像的特征图,并将得到的第一图像的特征图作为新的第一图像输入第二层卷积层。
利用第二层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图。第二层的卷积层将第一特征图作为新的掩膜图像输入第三层卷积层,以及第二层的卷积层对第一特征图进行卷积运算,得到卷积核张量。第二层的卷积层利用卷积核张量对输入本层的第一图像进行卷积运算,得到第一图像的特征图,并将得到的第一图像的特征图作为新的第一图像输入第三层卷积层。
利用第三层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图。第三层的卷积层对第一特征图进行卷积运算,得到卷积核张量。第三层的卷积层利用卷积核张量对输入本层的第一图像进行卷积运算,得到第一图像的特征图,并将得到的第一图像的特征图作为第二图像输入解码网络。
在一种实施方式中,如图10所示,图像处理的方法还包括:
S50:利用第i层的卷积层对卷积运算后得到的第一图像进行卷积运算,得到第二特征图。其中,i≥1。
S60:将第二特征图输入到解码网络的第i层的反卷积层中。
第i层的卷积层和第i层的反卷积层可以理解为相对应的网络层结构。
在本实施例中,通过将卷积层得到的第二特征图输入对应的反卷积层,因此可以使得反卷积层利用更多的特征进行上采样,提高特征提取的准确度和敏感度。
在一个应用示例中,编码网络的至少一个卷积层可以执行上述步骤S50和S60。或,编码网络的每个卷积层均可以执行上述步骤S50和S60。或,编码网络的部分卷积层可以执行上述步骤S50和S60。
在一个示例中,如图8所示,将第l个卷积层卷积运算后得到的新的第一图像el输入第三卷积层(conv)进行卷积运算,然后将卷积运算后得到的特征图ul输送至第三ReLU(rectified linear unit,线性整流函数)进行处理,得到第二特征图ul。将第二特征图ul输入到解码网络的第l层的反卷积层中。
在一种实施方式中,利用解码网络的各反卷积层逐层对第二图像进行上采样,并输出对目标区域进行填补后的图像,包括:
各反卷积层对输入本层的第二图像利用反卷积层(DConv)进行运算,将运算后得到的特征图输入BN进行处理,然后将处理后得到的特征图输入LReLU(Leaky rectifiedlinear unit,渗漏整流单元)进行处理,并将处理后得到的第二图像的特征图作为新的第二图像输入下一反卷积层。
在一个应用示例中,如图7、图8所示,利用解码网络的各反卷积层逐层对第二图像进行上采样,并输出对目标区域进行填补后的图像,包括:
第l层反卷积层基于第l层卷积层输入的第二特征图以及第l+1层反卷积层输入的第二图像生成新的第二图像rl。
第l层反卷积层将第二图像rl输入第l-1层反卷积层的Rl模块,Rl模块对输入的第二图像rl利用反卷积层(DConv)进行运算,将运算后得到的特征图输入BN进行处理,然后将处理后得到的特征图输入LReLU(Leaky rectified linear unit,渗漏整流单元)进行处理,并将处理后得到的特征图与第l-1层的卷积层输入的第二特征图ul-1进行拼接(concat)操作,并对拼接操作得到的特征图输入卷积层(Conv)进行卷积运算,然后再输入LReLU进行处理,并将处理后得到的特征图作为新的第二图像输入l-1反卷积层。
需要说明的是,本实施例可使用解码网络的各反卷积层。本申请实施例的解码网络对编码网络输入的第二图像的上采样过程可以参考现有技术中的上采样过程。
根据本申请的实施例,如图11所示,本申请提供了一种图像处理的装置,包括:
第一输入模块10,用于基于去除目标区域的待修复图像,生成掩膜图像和第一图像。
下采样模块20,用于利用编码网络的各卷积层逐层对第一图像进行下采样。其中,利用至少一层卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核。
第二输入模块30,利用编码网络将对第一图像进行下采样得到的第二图像输入神经网络的解码网络。
上采样模块40,用于利用解码网络的各反卷积层逐层对第二图像进行上采样,并输出对目标区域进行填补后的图像。
在一种实施方式中,下采样模块20包括:
第一卷积子模块,用于利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图。
第二卷积子模块,用于利用第i层的卷积层对第一特征图进行卷积运算,得到卷积核张量,卷积核张量用于确定对输入本层的第一图像进行卷积运算时对应每个卷积窗口的卷积核。
在一种实施方式中,下采样模块20包括:
第一输入子模块,用于利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,并将卷积运算后得到的掩膜图像输入下一层卷积层。
第二输入子模块,用于利用第i层的卷积层对输入本层的第一图像进行卷积运算,并将卷积运算后得到的第一图像输入下一层卷积层。
在一种实施方式中,下采样模块包括:
第三卷积子模块,用于利用每个卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核。
在一种实施方式中,图像处理的装置还包括:
卷积模块,用于利用第i层的卷积层对卷积运算后得到的第一图像进行卷积运算,得到第二特征图。
发送模块,用于将第二特征图输入到解码网络的第i层的反卷积层中。
本申请上述图像处理装置的功能可以参考上述图像处理方法的各实施例。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图12所示,是根据本申请实施例的图像处理的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示,该电子设备包括:一个或多个处理器1201、存储器1202,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图12中以一个处理器1201为例。
存储器1202即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的图像处理的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图像处理的方法。
存储器1202作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图像处理的方法对应的程序指令/模块(例如,附图10所示的第一输入模块10、下采样模块20、第二输入模块30和上采样模块40)。处理器1201通过运行存储在存储器1202中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像处理的方法。
存储器1202可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据图像处理的电子设备的使用所创建的数据等。此外,存储器1202可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1202可选包括相对于处理器1201远程设置的存储器,这些远程存储器可以通过网络连接至图像处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像处理的方法的电子设备还可以包括:输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接,图12中以通过总线连接为例。
输入装置1203可接收输入的数字或字符信息,以及产生与图像处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1204可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例在图像特征提取的过程中,每个卷积层的卷积核都是由掩膜图像的特征学习生成的,对于不同的局部卷积窗口,卷积核都能进行动态的自适应调整,且各个不同的卷积窗口都不仅仅限于权重因子的不同,本实施例中的第一图像的卷积核生成方式灵活性与自由度都更加高。动态卷积的卷积核都是根据缺失区域的掩膜图像通过网络学习得到,在缺失区域敏感性方面也具有很好的灵活性与自由度,针对图像修复这一任务,这种动态卷积网络能够更好地自适应不同局部图片块的有效像素从而提取图片特征。本申请实施例将图片修复任务中的缺失区域敏感性从传统方法调节卷积输出的加权因子扩展到更加灵活与自由的动态卷积核生成。动态卷积核生成算法能规避传统卷积网络将一套相同的卷积核作用于图片上任何一个卷积窗口带来的弊端,同时,相比基于手工策略或者基于网络学习的卷积输出调权的方法具有更好的自适应性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (11)
1.一种图像处理的方法,包括:
将掩膜图像和第一图像输入神经网络的编码网络,所述掩膜图像和所述第一图像基于去除目标区域的待修复图像所生成;其中,所述掩膜图像包括用于区分图中目标区域和图中其他区域的二值图像;所述第一图像包括去除目标区域的待修复图像、去除目标区域的待修复图像的灰度图或去除目标区域的待修复图像的特征图;
利用所述编码网络的各卷积层逐层对所述第一图像进行下采样;其中,利用至少一层所述卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核;
利用所述编码网络将对所述第一图像进行下采样得到的第二图像输入所述神经网络的解码网络;
利用所述解码网络的各反卷积层逐层对所述第二图像进行上采样,并输出对所述目标区域进行填补后的图像;
其中,所述利用至少一层所述卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核,包括:
利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图;
利用所述第i层的卷积层对所述第一特征图进行卷积运算,得到卷积核张量,所述卷积核张量用于确定对输入本层的第一图像进行卷积运算时对应每个卷积窗口的卷积核。
2.根据权利要求1所述的方法,其中,所述利用所述编码网络的各卷积层逐层对所述第一图像进行下采样,包括:
利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,并将卷积运算后得到的掩膜图像输入下一层所述卷积层;
利用所述第i层的卷积层对输入本层的第一图像进行卷积运算,并将卷积运算后得到的第一图像输入下一层所述卷积层。
3.根据权利要求2所述的方法,其中,所述利用至少一层所述卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核,包括:
利用每个所述卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核。
4.根据权利要求2所述的方法,还包括:
利用所述第i层的卷积层对所述卷积运算后得到的第一图像进行卷积运算,得到第二特征图;
将所述第二特征图输入到所述解码网络的第i层的反卷积层中。
5.根据权利要求1所述的方法,其中,所述神经网络为U-Net卷积神经网络。
6.一种图像处理的装置,包括:
第一输入模块,用于将掩膜图像和第一图像输入神经网络的编码网络,所述掩膜图像和所述第一图像基于去除目标区域的待修复图像所生成;其中,所述掩膜图像包括用于区分图中目标区域和图中其他区域的二值图像;所述第一图像包括去除目标区域的待修复图像、去除目标区域的待修复图像的灰度图或去除目标区域的待修复图像的特征图;
下采样模块,用于利用所述编码网络的各卷积层逐层对所述第一图像进行下采样;其中,利用至少一层所述卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核;
第二输入模块,利用所述编码网络将对所述第一图像进行下采样得到的第二图像输入所述神经网络的解码网络;
上采样模块,用于利用所述解码网络的各反卷积层逐层对所述第二图像进行上采样,并输出对所述目标区域进行填补后的图像;
其中,所述下采样模块包括:
第一卷积子模块,用于利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,得到第一特征图;
第二卷积子模块,用于利用所述第i层的卷积层对所述第一特征图进行卷积运算,得到卷积核张量,所述卷积核张量用于确定对输入本层的第一图像进行卷积运算时对应每个卷积窗口的卷积核。
7.根据权利要求6所述的装置,其中,所述下采样模块包括:
第一输入子模块,用于利用第i层的卷积层对输入本层的掩膜图像进行卷积运算,并将卷积运算后得到的掩膜图像输入下一层所述卷积层;
第二输入子模块,用于利用所述第i层的卷积层对输入本层的第一图像进行卷积运算,并将卷积运算后得到的第一图像输入下一层所述卷积层。
8.根据权利要求7所述的装置,其中,所述下采样模块包括:
第三卷积子模块,用于利用每个所述卷积层通过输入本层的掩膜图像确定输入本层的第一图像进行卷积时每个卷积窗口的卷积核。
9.根据权利要求7所述的装置,还包括:
卷积模块,用于利用所述第i层的卷积层对所述卷积运算后得到的第一图像进行卷积运算,得到第二特征图;
发送模块,用于将所述第二特征图输入到所述解码网络的第i层的反卷积层中。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599313.9A CN111754439B (zh) | 2020-06-28 | 2020-06-28 | 图像处理的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599313.9A CN111754439B (zh) | 2020-06-28 | 2020-06-28 | 图像处理的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754439A CN111754439A (zh) | 2020-10-09 |
CN111754439B true CN111754439B (zh) | 2024-01-12 |
Family
ID=72677845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599313.9A Active CN111754439B (zh) | 2020-06-28 | 2020-06-28 | 图像处理的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754439B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308837A (zh) * | 2020-10-30 | 2021-02-02 | 京东方科技集团股份有限公司 | 一种图像处理方法及装置、电子设备和可读存储介质 |
CN112862909A (zh) * | 2021-02-05 | 2021-05-28 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备以及存储介质 |
CN113888415B (zh) * | 2021-09-07 | 2023-04-07 | 北京三快在线科技有限公司 | 一种模型训练以及图像修复方法及装置 |
CN113920313B (zh) * | 2021-09-29 | 2022-09-09 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114723044B (zh) * | 2022-04-07 | 2023-04-25 | 杭州知存智能科技有限公司 | 用于存内计算芯片的误差补偿方法、装置、芯片、设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801230A (zh) * | 2018-12-21 | 2019-05-24 | 河海大学 | 一种基于新编码器结构的图像修复方法 |
CN110399849A (zh) * | 2019-07-30 | 2019-11-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、处理器、电子设备及存储介质 |
CN110648294A (zh) * | 2019-09-19 | 2020-01-03 | 北京百度网讯科技有限公司 | 图像修复方法、装置及电子设备 |
CN110830806A (zh) * | 2019-11-29 | 2020-02-21 | 合肥图鸭信息科技有限公司 | 一种视频帧预测方法、装置及终端设备 |
CN110909701A (zh) * | 2019-11-28 | 2020-03-24 | 北京百度网讯科技有限公司 | 行人特征的提取方法、装置、设备及介质 |
CN111292272A (zh) * | 2020-03-04 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、介质以及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493347B (zh) * | 2017-09-12 | 2021-03-23 | 深圳科亚医疗科技有限公司 | 在图像中对稀疏分布的对象进行分割的方法和*** |
-
2020
- 2020-06-28 CN CN202010599313.9A patent/CN111754439B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801230A (zh) * | 2018-12-21 | 2019-05-24 | 河海大学 | 一种基于新编码器结构的图像修复方法 |
CN110399849A (zh) * | 2019-07-30 | 2019-11-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、处理器、电子设备及存储介质 |
CN110648294A (zh) * | 2019-09-19 | 2020-01-03 | 北京百度网讯科技有限公司 | 图像修复方法、装置及电子设备 |
CN110909701A (zh) * | 2019-11-28 | 2020-03-24 | 北京百度网讯科技有限公司 | 行人特征的提取方法、装置、设备及介质 |
CN110830806A (zh) * | 2019-11-29 | 2020-02-21 | 合肥图鸭信息科技有限公司 | 一种视频帧预测方法、装置及终端设备 |
CN111292272A (zh) * | 2020-03-04 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、介质以及电子设备 |
Non-Patent Citations (2)
Title |
---|
一种改进的Criminisi新算法的图像复原技术;陈美玲等;现代信息科技;43-48 * |
基于深度卷积神经网络的图像重建算法;于波;方业全;刘闽;董君陶;;计算机***应用(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754439A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754439B (zh) | 图像处理的方法、装置、设备以及存储介质 | |
Ma et al. | Toward fast, flexible, and robust low-light image enhancement | |
CN110197229B (zh) | 图像处理模型的训练方法、装置及存储介质 | |
CN112785674A (zh) | 纹理贴图的生成方法、渲染方法、装置、设备及存储介质 | |
CN111524166B (zh) | 视频帧的处理方法和装置 | |
CN113850833A (zh) | 使用降低分辨率的神经网络和先前帧的掩模的视频帧分割 | |
CN111768466B (zh) | 图像填充方法、装置、设备及存储介质 | |
CN112967381B (zh) | 三维重建方法、设备和介质 | |
CN111340905B (zh) | 图像风格化方法、装置、设备和介质 | |
CN111242874B (zh) | 图像修复的方法、装置、电子设备和存储介质 | |
CN113012068B (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
CN112541876A (zh) | 卫星图像处理方法、网络训练方法、相关装置及电子设备 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112714263A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN116757962A (zh) | 一种图像去噪方法、装置 | |
CN111861940A (zh) | 一种基于条件连续调节的图像调色增强方法 | |
CN116309158A (zh) | 网络模型的训练方法、三维重建方法、装置、设备和介质 | |
CN113205464B (zh) | 图像去模糊模型的生成方法、图像去模糊方法和电子设备 | |
CN112053362B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN113284156A (zh) | 实时无绿幕抠图方法、电子设备和存储介质 | |
CN114549556A (zh) | 一种图像分割的方法、相关装置、设备以及存储介质 | |
CN113902639A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Du et al. | Image super-resolution and deblurring using generative adversarial network | |
Sufian et al. | Denoising The wireless channel corrupted images using machine learning | |
JP2020064557A (ja) | 画像処理装置、画像処理システム、撮像装置、画像処理方法、および、プログラム |
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 |