CN112907479B - 基于注意力机制的残差单幅图像去雨方法 - Google Patents
基于注意力机制的残差单幅图像去雨方法 Download PDFInfo
- Publication number
- CN112907479B CN112907479B CN202110244785.7A CN202110244785A CN112907479B CN 112907479 B CN112907479 B CN 112907479B CN 202110244785 A CN202110244785 A CN 202110244785A CN 112907479 B CN112907479 B CN 112907479B
- Authority
- CN
- China
- Prior art keywords
- image
- rain
- neural network
- attention
- network model
- 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 30
- 230000007246 mechanism Effects 0.000 title claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model 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
- G06T5/73—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
- 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]
-
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于注意力机制的残差单幅图像去雨方法,主要解决现有单幅图像去雨技术存在局限性、处理效果不理想的问题。其方案包括:1)对输入图像进行预处理,得到预处理后图像;2)构建包括残差网络模块和编解码器网络模块的注意力残差神经网络模型;3)将预处理后图像输入注意力残差神经网络模型进行训练,利用损失函数对注意力残差神经网络模型进行约束,然后反向传播进行参数更新,得到训练好的去雨神经网络模型;4)将待处理的有雨图像输入去雨神经网络模型中进行图像处理,得到无雨清晰图像。本发明能够有效去除单幅含雨图像中的雨纹,得到清晰图像;同时,对于原图中的背景信息实现充分保留。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于注意力机制的残差单幅图像去雨方法,可用于单幅图像的清晰化处理。
背景技术
视觉作为人类最重要的感知***之一,是我们获得知识的主要来源。随着图片和视频在互联网时代传播越来越丰富,图像成为了我们生活的重要组成部分。因此,计算机视觉在当今时代的背景下是一门非常重要学科,它是我们生活中各领域的一个重要组成部分,如制造业,军事工业和各种智能***领域。
在恶劣天气的环境下,人们拍摄到的图片或者视频中常常会因为雨、雪、雾而受到干扰、变得模糊。获取到的图片或视频信息有不同程度上的损坏,甚至图片的主体也会受到严重的干扰。变化多端的天气主要包括雨雪,烟雾和沙尘。相对于烟雾和沙尘,雨水是一种更加无序的图片噪声,它时刻变化而且还会随着雨势的大小对图片造成不同影响。例如小雨会造成图片某些区域有亮白色的雨线,而大雨则会对整张图像产生遮挡或严重模糊的影响。所以,针对雨水的去除工作是图像去噪、图像修复领域中难度较高的一项工作。
雨水属于动态天气——由于它的组成颗粒相对较大,相机可以很容易地捕捉到它。由于在户外视觉***中引入了非预期的视觉伪影,会对后续的图像匹配等计算机视觉任务产生不利影响。雨滴通常会在图像上产生密集的条纹,这些条纹具有不可预测性,如方向、降雨强度、不均匀的降雨密度等。因此,由这些密集条纹引起的复杂像素变化和附加梯度会掩盖图像中传递的有利信息,阻碍可靠特征的有效检测。
然而,雨水作为我们生活中最为常见的自然现象,发生频率非常高,特别在南方梅雨季节,会有连续的降雨发生。由此可见,对于图像去雨的研究非常具有现实意义。
近年来,图像去雨任务关注度极高,总的来说图像去雨的任务可大致可分为两类:1)基于视频的方法和2)基于单幅图像的方法。
陈军在其申请的专利“一种基于多尺度混合指数模型的视频去雨方法”(申请号:CN201910298090.X,公开号:CN110070506A)中公开了一种基于多尺度混合指数模型的视频去雨方法。通过建立单一尺度下的雨视频统计模型,对其优化获取去雨视频,再进一步对各个尺度的去雨视频采用金字塔分解重构,加和平均得到最终结果;针对静止摄像机所拍摄的视频,采用该方法可以有效去除雨水条纹,然而,对于由移动摄像机所拍摄的视频,该方法具有很大局限性,并不适用。
丁兴号在其申请的专利“基于卷积神经网络的单幅图像去雨方法”(申请号:CN201610592134.6,公开号:CN106204499A)中公开了一种基于卷积神经网络的单幅图像去雨方法,该方法通过screen blend model对干净的清晰图像人工加雨,建立图像库;接着从图像库中取出有雨无雨图像块对,将其作为训练样本进行网络训练;最后对单幅有雨图像重叠地取块,输入训练好的去雨滤波***中,获取相应的无雨图像块并加权平均,得到无雨图像。该方法的不足之处在于设计的卷积神经网络结构过于简单,并不能达到较好的去除效果。
发明内容
本发明目的在于针对上述现有技术的不足,提出一种基于注意力机制的残差单幅图像去雨方法,用于提高单幅图像去雨的性能;首先,对输入图像进行预处理,然后将预处理后的图像输入构建好的注意力残差神经网络模型进行训练;通过损失函数对注意力残差神经网络模型进行约束,然后,反向传播进行参数更新,得到训练好的去雨神经网络模型;将有雨图像输入训练好的去雨神经网络模型中,得到无雨清晰图像。本发明能够有效去除单幅含雨图像中的雨纹,得到清晰图像;同时,对于原图中的背景信息实现充分保留。
本发明实现上述目的具体步骤如下:
(1)对输入图像进行预处理,得到预处理后有雨图像;
(2)搭建注意力残差神经网络模型:
(2.1)采用卷积层、短跳跃连接组成的卷积残差块以及长跳跃连接构成残差网络模块,用于对预处理后有雨图像进行图像特征提取;
(2.2)构建编解码网络模块:
(2.2.1)由下采样和通道注意力模块SE_Block组成编码器网络,由上采样和通道注意力模块SE_Block组成解码器网络;
(2.2.2)编码器网络最底层的输出特征经过通道注意力模块SE_Block和卷积层处理后进入解码器网络中,其他层级上解码器网络与编码器网络对应层级的输出特征信息通过跳跃连接方式进行叠加融合,构成编解码网络模块;
(2.3)残差网络模块的输出连接编解码网络模块中编码器网络的输入,编解码网络模块中解码器网络的输出为雨纹信息;
(2.4)将步骤(1)得到的预处理后有雨图像与编解码网络模块输出的雨纹信息进行做差处理,输出去雨后无雨图像,完成注意力残差神经网络模型的搭建。
(3)采用预处理后有雨图像对注意力残差神经网络模型进行训练,并利用损失函数对其进行约束,然后采用反向传播进行参数更新,获得去雨神经网络模型;
(4)将待处理的有雨图像作为去雨神经网络模型的输入,利用去雨神经网络模型对图像进行去雨处理,输出去雨后干净图像。
本发明与现有技术相比具有以下优点:
第一、本发明的网络模型采用残差网络的结构,使得网络加深,避免了深度神经网络的退化问题,从而能够提取到更加丰富的图像特征信息,且网络训练过程简单;
第二、由于本发明引入了注意力机制,从而减小了背景信息的干扰,使得模型更加关注图像中雨纹的细节信息,同时实施起来较为简单,去雨效果好。
附图说明
图1为本发明方法的实现流程图;
图2为本发明的残差网络模块示意图;
图3为本发明的卷积残差块示意图;
图4为本发明方法的深度学习模型示意图;
图5为本发明的通道注意力模块SE_Block示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明做进一步的描述。
实施例1:
参照附图1,本发明提出的一种基于注意力机制的残差单幅图像去雨方法,包括如下步骤:
步骤1:对输入图像进行预处理,得到预处理后有雨图像;
预处理具体为:将输入图像的像素值归一化为[0,1]、像素大小裁剪为256*256*3。
步骤2:搭建注意力残差神经网络模型;
(2.1)采用卷积层、短跳跃连接组成的卷积残差块以及长跳跃连接构成残差网络模块,用于对预处理后有雨图像进行图像特征提取;
如图2所示,本实施例优选1个卷积层、5个由短跳跃连接组成的卷积残差块以及一个长跳跃连接构成残差网络模块,用于对预处理后有雨图像进行图像特征提取;上述卷积残差块的结构如图3所示,卷积计算公式如下:
xL+1=xL+F(xL+WL),
其中,xL+1为第L+1层卷积层的卷积结果,xL为第L层卷积层的卷积结果,WL为第L层卷积层的权重,F(xL+WL)表示残差部分。
(2.2)构建编解码网络模块:
(2.2.1)由下采样和通道注意力模块SE_Block组成编码器网络,由上采样和通道注意力模块SE_Block组成解码器网络;本实施例优选3次下采样和3个通道注意力模块SE_Block组成编码器网络,用于逐级提取图像特征中的雨纹特征;3次上采样和3个通道注意力模块SE_Block组成解码器网络;用于将编码器网络提取的雨纹特征逐级融合,得到融合后雨纹信息;所述上采样具体由一个大小为3x3、步长为2的卷积层组成;所述下采样具体由一个大小为3x3、步长为2的转置卷积层组成;所述通道注意力模块SE_Block由全局池化层、完全连接层、ReLU激活层、完全连接层以及Sigmoid层组成。
(2.2.2)编码器网络最底层的输出特征经过一个通道注意力模块SE_Block和三个卷积层处理后进入解码器网络中,其他层级上解码器网络与编码器网络对应层级的输出特征信息通过跳跃连接方式进行叠加融合,构成编解码网络模块;
(2.3)残差网络模块的输出连接编解码网络模块中编码器网络的输入,编解码网络模块中解码器网络的输出为雨纹信息;
(2.4)将步骤(1)得到的预处理后有雨图像与编解码网络模块输出的雨纹信息进行做差处理,输出去雨后无雨图像,完成注意力残差神经网络模型的搭建。
步骤3:采用步骤1得到的预处理后有雨图像对步骤2搭建的注意力残差神经网络模型进行训练,并利用损失函数对其进行约束,然后采用反向传播进行参数更新,获得训练好的注意力残差神经网络模型,即去雨神经网络模型;
上述损失函数的表达式为:
Loss=LossSmooth_L1+λLossSSIM,
其中LossSmooth_L1表示光滑平均绝对误差损失函数,表达式如下:
其中,yi表示输入的第i张无雨图像,xi表示输入的第i张有雨图像,f(xi)表示第i张有雨图像经过注意力残差神经网络模型处理后的输出;
LossSSIM表示结构相似性损失函数,表达式如下:
LossSSIM=1-SSIM(Y,F(x)),
其中,Y和x分别表示输入的无雨图像和有雨图像,F(x)表示输入的有雨图像x经过注意力残差神经网络模型处理后的输出;
SSIM表示结构相似性,表达式如下:
SSIM=[g(Y,F(x))]α·[c(Y,F(x))]β·[s(Y,F(x))]γ,
其中,g、c和s分别表示亮度、对比度和结构,α、β和γ分别表示亮度系数、对比度系数和结构系数。
步骤4:将待处理的有雨图像作为步骤3中训练好的网络模型的输入,利用去雨神经网络模型对图像进行去雨处理,输出去雨后干净图像。
实施例2:
参照图4,本发明方法的深度学习模型示意图;
本发明基于注意力机制的残差单幅图像去雨方法同实施例1,其中步骤2中构建的注意力残差神经网络模型,对图像的处理过程具体如下:
4.1,输入有雨图像,经过第一个卷积层处理,输出特征F1,通道数为32,输出特征F1经过5个由短跳跃连接组成的卷积残差块处理输出特征F2,通道数为32;
4.2,输出特征F1与输出特征F2经过长跳跃连接,输出特征F3;
4.3,输出特征F3经过通道注意力模块SE_Block处理,输出特征F4;
4.4,输出特征F4经过下采样卷积层进行第一次下采样处理,输出特征F5,特征通道数为64;
4.5,输出特征F5经过通道注意力模块SE_Block处理,输出特征F6;
4.6,输出特征F6经过下采样卷积层进行第二次下采样处理,输出特征F7,特征通道数为128;
4.7,输出特征F7经过通道注意力模块SE_Block处理,输出特征F8;
4.6,输出特征F8经过下采样卷积层进行第三次下采样处理,输出特征F9,特征通道数为256;
4.8,输出特征F9经过通道注意力模块SE_Block处理,输出特征F10;
4.9,输出特征F10经过三个卷积层处理后,输出特征F11;
4.10,输出特征F11经过通道注意力模块SE_Block处理,输出特征F12;
4.11,输出特征F12经过上采样卷积层进行第一次上采样处理,输出特征F13,特征通道数为128;
4.12,将输出特征F7、输出特征F13进行通道连接,经过第五个卷积层处理输出特征F14;
4.13,输出特征F14经过通道注意力模块SE_Block输出特征F15;
4.14,输出特征F15经过上采样卷积层进行第二次上采样处理,输出特征F16,特征通道数为64;
4.15,将输出特征F5、输出特征F16进行通道连接,经过第六个卷积层处理输出特征F17;
4.16,输出特征F17经过通道注意力模块SE_Block输出特征F18;
4.17,输出特征F18经过上采样卷积层进行第三次上采样处理,输出特征F19,特征通道数为32;
4.18,将输出特征F3、输出特征F19进行通道连接,经过第七个卷积层处理输出特征F20;
4.19,将输出特征F20,经过第八个卷积层处理输出特征F21,特征通道数为3;
4.20,步骤4.1的输入图像即所述有雨图像减去输出特征F21,最终输出去雨后清晰图像。
实施例3:
基于注意力机制的残差单幅图像去雨方法同实施例1-2,步骤(2.2.1)所述的通道注意力模块SE_Block,如图5所示;图像特征经过通道注意力模块SE_Block处理的具体步骤包括:
5.1,输入图像的图像特征依次经过全局池化层、完全连接层、ReLU激活层、完全连接层和Sigmoid层后,输出每个通道权重;
5.2,将步骤5.1输出的每个通道权重与步骤5.1的输入图像特征逐通道相乘,输出经过处理的图像特征。
本发明利用残差网络与编解码网络结构提取更加明细的图像特征,充分获得有雨图像的雨纹信息,采用注意力机制进一步得到更多有雨图像中雨纹的细节信息,从而能够有效获取干净的无雨清晰图像,为后续高级别计算机视觉任务提供了更多便利。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于注意力机制的残差单幅图像去雨方法,其特征在于,包括以下具体步骤:
(1)对输入图像进行预处理,得到预处理后有雨图像;
(2)搭建注意力残差神经网络模型:
(2.1)采用卷积层、短跳跃连接组成的卷积残差块以及长跳跃连接构成残差网络模块,用于对预处理后有雨图像进行图像特征提取;
(2.2)构建编解码网络模块:
(2.2.1)由下采样和通道注意力模块SE_Block组成编码器网络,由上采样和通道注意力模块SE_Block组成解码器网络;
(2.2.2)编码器网络最底层的输出特征经过通道注意力模块SE_Block和卷积层处理后进入解码器网络中,其他层级上解码器网络与编码器网络对应层级的输出特征信息通过跳跃连接方式进行叠加融合,构成编解码网络模块;
(2.3)残差网络模块的输出连接编解码网络模块中编码器网络的输入,编解码网络模块中解码器网络的输出为雨纹信息;
(2.4)将步骤(1)得到的预处理后有雨图像与编解码网络模块输出的雨纹信息进行做差处理,输出去雨后无雨图像,完成注意力残差神经网络模型的搭建;
(3)采用预处理后有雨图像对注意力残差神经网络模型进行训练,并利用损失函数对其进行约束,然后采用反向传播进行参数更新,获得去雨神经网络模型;
所述损失函数具体为:
Loss=LossSmooth_L1+λLossSSIM,
其中LossSmooth_L1表示光滑平均绝对误差损失函数,表达式如下:
其中,yi表示输入的第i张无雨图像,xi表示输入的第i张有雨图像,f(xi)表示第i张有雨图像经过注意力残差神经网络模型处理后的输出;
LossSSIM表示结构相似性损失函数,表达式如下:
LossSSIM=1-SSIM(Y,F(x)),
其中,Y和x分别表示输入的无雨图像和有雨图像,F(x)表示输入的有雨图像x经过注意力残差神经网络模型处理后的输出;
SSIM表示结构相似性,表达式如下:
SSIM=[g(Y,F(x))]α·[c(Y,F(x))]β·[s(Y,F(x))]γ,
其中,g、c和s分别表示亮度、对比度和结构,α、β和γ分别表示亮度系数、对比度系数和结构系数;
(4)将待处理的有雨图像作为去雨神经网络模型的输入,利用去雨神经网络模型对图像进行去雨处理,输出去雨后干净图像。
2.根据权利要求1所述的方法,其特征在于:步骤(1)中预处理具体为:将输入图像的像素值归一化为[0,1]、像素大小裁剪为256*256*3。
3.根据权利要求1所述的方法,其特征在于:步骤(2.1)中的残差网络模块,采用1个卷积层、5个由短跳跃连接组成的卷积残差块以及1个长跳跃连接构成。
4.根据权利要求3所述的方法,其特征在于:所述卷积残差块公式如下:
xL+1=xL+F(xL+WL),
其中,xL+1为第L+1层卷积层的卷积结果,xL为第L层卷积层的卷积结果,WL为第L层卷积层的权重,F(xL+WL)表示残差部分。
5.根据权利要求1所述的方法,其特征在于:步骤(2.2.1)中编码器网络由3次下采样和3个通道注意力模块SE_Block组成,用于逐级提取图像特征中的雨纹特征;解码器网络由3次上采样和3个通道注意力模块SE_Block组成,用于将编码器网络提取的雨纹特征逐级融合,得到雨纹信息。
6.根据权利要求5所述的方法,其特征在于:所述上采样具体由一个大小为3x3、步长为2的卷积层组成;所述下采样具体由一个大小为3x3、步长为2的转置卷积层组成;
所述通道注意力模块SE_Block由全局池化层、完全连接层、ReLU激活层、完全连接层以及Sigmoid层组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110244785.7A CN112907479B (zh) | 2021-03-05 | 2021-03-05 | 基于注意力机制的残差单幅图像去雨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110244785.7A CN112907479B (zh) | 2021-03-05 | 2021-03-05 | 基于注意力机制的残差单幅图像去雨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907479A CN112907479A (zh) | 2021-06-04 |
CN112907479B true CN112907479B (zh) | 2023-04-18 |
Family
ID=76107761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110244785.7A Active CN112907479B (zh) | 2021-03-05 | 2021-03-05 | 基于注意力机制的残差单幅图像去雨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907479B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436101B (zh) * | 2021-06-28 | 2023-11-10 | 杭州电子科技大学 | 基于高效通道注意力机制的龙格库塔模块去雨的方法 |
CN113450278B (zh) * | 2021-06-30 | 2022-02-18 | 中国矿业大学 | 一种基于跨域协同学习的图像去雨方法 |
CN113450288B (zh) * | 2021-08-04 | 2022-09-06 | 广东工业大学 | 基于深度卷积神经网络单图像去雨方法、***和存储介质 |
CN113673590B (zh) * | 2021-08-13 | 2022-12-23 | 广东工业大学 | 基于多尺度沙漏密集连接网络的去雨方法、***和介质 |
CN113658074B (zh) * | 2021-08-16 | 2023-07-28 | 福州大学 | 基于lab颜色空间多尺度融合网络的单幅图像雨滴去除方法 |
CN113706420B (zh) * | 2021-10-20 | 2022-02-18 | 常州微亿智造科技有限公司 | 工业检测中的雨线去除装置、雨线去除方法 |
CN114387436B (zh) * | 2021-12-28 | 2022-10-25 | 北京安德医智科技有限公司 | 壁冠状动脉检测方法及装置、电子设备和存储介质 |
CN114998138B (zh) * | 2022-06-01 | 2024-05-28 | 北京理工大学 | 一种基于注意力机制的高动态范围图像去伪影方法 |
CN115345801B (zh) * | 2022-10-18 | 2023-03-24 | 中科方寸知微(南京)科技有限公司 | 一种基于图像去噪思想的图像压缩及滤镜去除方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
CN112070690A (zh) * | 2020-08-25 | 2020-12-11 | 西安理工大学 | 基于卷积神经网络双分支注意力生成的单幅图像去雨方法 |
-
2021
- 2021-03-05 CN CN202110244785.7A patent/CN112907479B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
CN112070690A (zh) * | 2020-08-25 | 2020-12-11 | 西安理工大学 | 基于卷积神经网络双分支注意力生成的单幅图像去雨方法 |
Non-Patent Citations (4)
Title |
---|
Removing rain from single images via a deep detail network;Xueyang Fu et al.;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;第1715-1723页 * |
Residual Squeeze-and-Excitation Network for Fast Image Deraining;Jun Fu et al.;《arXiv[eess.IV]》;20200601;第1-7页 * |
基于深度学习的非局部注意力增强网络图像去雨算法研究;盖杉 等;《电子学报》;20201015;第48卷(第10期);第1899-1908页 * |
注意力残差网络的单图像去雨方法研究;徐爱生 等;《小型微型计算机***》;20200529;第41卷(第6期);第1281-1285页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112907479A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907479B (zh) | 基于注意力机制的残差单幅图像去雨方法 | |
CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
CN110009580B (zh) | 基于图片块雨滴密集度的单张图片双向去雨方法 | |
CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
CN110378849B (zh) | 基于深度残差网络的图像去雾去雨方法 | |
CN109993804A (zh) | 一种基于条件生成对抗网络的道路场景去雾方法 | |
CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾*** | |
CN110544213A (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
CN112508960A (zh) | 一种基于改进注意力机制的低精度图像语义分割方法 | |
CN111626960A (zh) | 图像去雾方法、终端及计算机存储介质 | |
CN111553856B (zh) | 基于深度估计辅助的图像去雾方法 | |
CN110766640B (zh) | 一种基于深度语义分割的图像去雾方法 | |
Yan et al. | MMP-net: a multi-scale feature multiple parallel fusion network for single image haze removal | |
Qian et al. | CIASM-Net: a novel convolutional neural network for dehazing image | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
Pham et al. | Low-light image enhancement for autonomous driving systems using DriveRetinex-Net | |
CN111598793A (zh) | 一种用于输电线路图像去雾的方法、***及存储介质 | |
CN111161159A (zh) | 一种基于先验知识与深度学习结合的图像去雾方法和装置 | |
CN113947538A (zh) | 一种多尺度高效卷积自注意力单幅图像除雨方法 | |
CN107301625A (zh) | 基于亮度融合网络的图像去雾算法 | |
CN117058019A (zh) | 一种基于金字塔增强网络的低光照下目标检测方法 | |
Hua et al. | Iterative residual network for image dehazing | |
Wu et al. | MSDB-based CNN architecture for image dehazing in driverless cars | |
Fang et al. | UGNet: Underexposed Images Enhancement Network based on Global Illumination Estimation |
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 |