CN113034381A - 一种基于空洞化的核预测网络的单图像去噪方法和装置 - Google Patents
一种基于空洞化的核预测网络的单图像去噪方法和装置 Download PDFInfo
- Publication number
- CN113034381A CN113034381A CN202110184461.9A CN202110184461A CN113034381A CN 113034381 A CN113034381 A CN 113034381A CN 202110184461 A CN202110184461 A CN 202110184461A CN 113034381 A CN113034381 A CN 113034381A
- Authority
- CN
- China
- Prior art keywords
- prediction
- kernel
- image
- convolution
- noise
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000006835 compression Effects 0.000 claims abstract description 16
- 238000007906 compression Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 19
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 239000011800 void material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007792 addition Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明公开了一种基于空洞化的核预测网络的单图像去噪方法和装置，包括：构建包含特征提取模块、特征压缩模块、核预测模块以及图像重建模块的基于空洞化的核预测网络；对空洞化的核预测网络进行参数优化后备用；应用时，将噪声图像输入至参数优化后的基于空洞化的核预测网络，利用特征提取单元从噪声图像中提取高级特征图，利用特征压缩模块将高级特征图压缩成压缩特征图，利用核预测模块根据高级特征图提取预测卷积核，利用图像重建模块基于预测卷积核和压缩特征图获得预测图后与噪声图像融合，得到去噪后图像。通过为单图像去噪问题引入核预测网络，并使用空洞卷积、多核通道融合、压缩特征图等技巧实现单图像去噪任务，大大提升了去噪效果。
Description
技术领域
本发明涉及计算机科学图像处理领域，尤其涉及一种基于空洞化的核预测网络的单图像去噪方法和装置。
背景技术
图像去噪是图像处理领域的一大基础问题，近年来深度学习网络的快速发展为去噪算法提供了一种高效的解决方案。但是传统卷积网络在全图像素上使用相同的卷积核，如申请公布号为CN109658348A公开的基于深度学习的联合噪声估计和图像去噪方法，没有充分利用像素区域之间存在的特征差异。
尽管已有一些较新的研究在尝试引入注意力机制来强调这一局部差异性，如申请公布号为CN111260591A公开的一种基于注意力机制的图像自适应去噪方法，但是现有深度学习网络往往仍无法较好地保持精细的图像细节。
核预测网络(Kernel Prediction Network)作为一种能为每个像素预测其特有卷积核的深度学习网络，充分评估了每个像素特有的邻域特征。但是该方法目前尚未在单图像去噪问题上得到较好应用，其主要难点在于在仅有的一张参考图像中提取到足够的信息用于逐像素的核预测。
发明内容
鉴于上述，本发明的目的就是提供一种基于空洞化的核预测网络的单图像去噪方法和装置。该方法和装置为单图像去噪问题引入核预测网络，并通过使用空洞卷积、多核通道融合、压缩特征图等技巧，使得核预测网络更好地胜任单图像去噪任务，大大提升了去噪效果。
为实现上述发明目的，本发明提供以下技术方案：
第一方面，一种基于空洞化的核预测网络的单图像去噪方法，包括以下步骤：
构建包含特征提取模块、特征压缩模块、核预测模块以及图像重建模块的基于空洞化的核预测网络，其中，核预测模块包括至少3个不同空洞步长且用于产生分支预测卷积核的空洞分支、和用于融合所有分支预测卷积核的核融合操作以得到预测卷积核；
对空洞化的核预测网络进行参数优化后备用；
应用时，将噪声图像输入至参数优化后的基于空洞化的核预测网络，利用特征提取单元从噪声图像中提取高级特征图，利用特征压缩模块将高级特征图压缩成压缩特征图，利用核预测模块根据高级特征图提取预测卷积核，利用图像重建模块基于预测卷积核和压缩特征图获得预测图后与噪声图像融合，得到去噪后图像。
优选地，所述特征提取模块包括若干卷积层和若干残差模块(residual block)，用于从噪声图像中提取包含多个通道的高级特征图(high-level feature map)，其中，残差块按照残差学习策略设计，为特征提取模块堆叠网络深度的主要单元，包括卷积层、线性整流函数(ReLU)和点加操作。
优选地，所述特征压缩模块包括至少一个卷积层，用于对高级特征图进行压缩，得到与噪声图像通道数相同的压缩特征图，例如对于灰度图像而言压缩特征图为单通道，对彩色图像而言压缩特征图为三通道。
优选地，所述核预测模块包括3个不同空洞步长(dilation stride)(例如1，2，3)的空洞分支，每个空洞分支用于产生各自的分支预测卷积核，还包括核融合操作，用于融合所有分支预测卷积核得到预测卷积核。
优选地，每个空洞分支包括若干个空洞残差块(dilated residual block)和至少一个卷积层，用于从高级特征图中提取分支预测卷积核，所述空洞残差块包括空洞卷积层(dilated convolution)、线性整流函数和点加操作。
优选地，所述核融合操作包括将所有分支预测卷积核在通道维度上拼接后，再利用卷积层压缩通道数得到最终的预测卷积核。
优选地，所述图像重建模块包括逐像素卷积操作、至少一个卷积层以及点加操作，逐像素卷积操作用于将输入的预测卷积核作用于压缩特征图以得到预测图，卷积层用于将预测图转换成噪声残差图像，点加操作用于将噪声残差图像和噪声图像融合得到去噪后图像。
优选地，在对空洞化的核预测网络进行参数优化时，将包含有固定噪声水平的干净图像与噪声图像的训练样本对输入至空洞化的核预测网络中，采用均方差误差损失函数作为损失函数，进行端到端的网络训练。
优选地，训练样本对的构建过程为：选取干净图像，生成固定噪声水平的噪声，并将噪声添加到干净图像上获得噪声图像，该噪声图像和干净图像构成训练样本对；单次训练只涉及一个噪声水平。
第二方面，一种基于空洞化的核预测网络的单图像去噪装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述基于空洞化的核预测网络的单图像去噪方法。
与现有技术相比，本发明实施例提供的基于空洞化的核预测网络的单图像去噪方法和装置具有的有益效果至少包括：
(1)通过构建核预测模块来评估各像素邻域信息，为每个像素生成其特有的预测卷积核，这一特性提高了网络对各像素差异的敏感性，从而在去噪过程中保留更精细的图像细节；
(2)为核预测模块引入了空洞卷积，大大增加了感受野(receptive field)，使得网络可以检视更大的像素邻域，为卷积核的预测提供更多的信息。由于获得了足够的邻域信息，该设计同时使得预测的卷积核可以保持较小尺寸，从而减少相关计算量；
(3)设计了三路并行的空洞分支结构和核融合策略。不同空洞步长的分支提供了不同粒度的邻域特征感知，而三个分支的融合使得最终的预测卷积核更加准确；
(4)设计了压缩特征图来替代原始图像，生成的预测卷积核作用于压缩特征图而非原始图像。由于与核预测模块复用了前置的特征提取模块，该设计仅为网络增加了极少量的额外参数。而由于压缩特征图可以在网络训练过程中进行学习调整，它将更匹配最终的预测卷积核。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供利用基于空洞化的核预测网络进行单图像去噪方法的流程图；
图2(a)和图2(b)是本发明实施例提供的残差块与空洞残差块的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1是本发明实施例提供利用基于空洞化的核预测网络进行单图像去噪方法的流程图。参见图1，该单图像去噪方法包括以下过程：
准备训练数据集。原始训练图像取自BSD300。选取一张干净的原始图像，生成选定噪声水平的高斯噪声，且单次训练只生成固定噪声水平的高斯噪声，并将噪声添加到原始图像上，得到的噪声图像与原始图像就得到了一对训练样本。通过裁剪图像块的方法大大增加训练样本数量，并辅以多尺寸变换、随机旋转、随机镜像等数据增强方法。
搭建基于空洞化的核预测网络。如图1所示，基于空洞化的核预测网络包括特征提取模块、特征压缩模块、核预测模块以及图像重建模块，其中，特征提取模块包括若干卷积层和若干残差模块，特征压缩模块包括若干卷积层，核预测模块包括3个不同空洞步长的空洞分支和核融合操作，每个空洞分支包括若干个空洞残差块和卷积层，图像重建模块包括逐像素卷积操作、卷积层以及点加操作。
输入的噪声图像经由特征提取模块特征提取后得到高级特征图，该高级特征图同时输入至特征压缩模块和核预测模块中；特征压缩模块利用卷积层对高级特征图进行通道压缩处理后得到单通道的压缩特征图，对应输入的单通道灰度图像；核预测模块通道利用三个空洞分支根据高级特征图生成各自的分支预测卷积核后，经过核融合操作对三个分支预测卷积核融合得到最终的预测卷积核。图像重建模块中，预测卷积核通过逐像素卷积作用于压缩特征图得到预测图后，预测图经过一层卷积层得到噪声残差图像，并与原始输入噪声图像结合得到去噪后图像。由于特征提取模块中的残差块与核预测模块中的空洞残差块结构相对复杂，在图2中予以细节展示，本实施例中，残差块与空洞残差块的数量分别为9个和2个，即对应图2中的n1和n2。
本发明的空洞化的核预测网络可进行端到端的训练。训练时选定的损失函数为均方差误差损失函数。为了提高训练效率和防止训练过拟合，采用的优化器是Adam优化器，初始学习率设置为0.0001，且每30个epoch衰减到原值的十分之一。训练时采用的mini-batch尺寸大小为32。将训练好的模型参数保存下来，即可供后续去噪使用。
应用时，将噪声图像输入至参数优化后的基于空洞化的核预测网络，利用特征提取单元从噪声图像中提取高级特征图，利用特征压缩模块将高级特征图压缩成压缩特征图，利用核预测模块根据高级特征图提取预测卷积核，利用图像重建模块基于预测卷积核和压缩特征图获得预测图后与噪声图像融合，得到去噪后图像。
实施例还提供了一种基于空洞化的核预测网络的单图像去噪装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述基于空洞化的核预测网络的单图像去噪方法。
实际应用中，计算机存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现基于空洞化的核预测网络的单图像去噪方法步骤。
经过本发明提供的单图像去噪方法处理得到的结果和现有方法相比，具有比较好的PSNR指标结果，且主观去噪效果更好。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于空洞化的核预测网络的单图像去噪方法，其特征在于，包括以下步骤：
构建包含特征提取模块、特征压缩模块、核预测模块以及图像重建模块的基于空洞化的核预测网络，其中，核预测模块包括至少3个不同空洞步长且用于产生分支预测卷积核的空洞分支、和用于融合所有分支预测卷积核的核融合操作以得到预测卷积核；
对空洞化的核预测网络进行参数优化后备用；
应用时，将噪声图像输入至参数优化后的基于空洞化的核预测网络，利用特征提取单元从噪声图像中提取高级特征图，利用特征压缩模块将高级特征图压缩成压缩特征图，利用核预测模块根据高级特征图提取预测卷积核，利用图像重建模块基于预测卷积核和压缩特征图获得预测图后与噪声图像融合，得到去噪后图像。
2.如权利要求1所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，所述特征提取模块包括若干卷积层和若干残差模块，用于从噪声图像中提取包含多个通道的高级特征图，所述残差模块包括卷积层、线性整流函数和点加操作。
3.如权利要求1所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，所述特征压缩模块包括至少一个卷积层，用于对高级特征图进行压缩，得到与噪声图像通道数相同的压缩特征图。
4.如权利要求1所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，所述核预测模块包括3个不同空洞步长的空洞分支，每个空洞分支用于产生各自的分支预测卷积核，还包括核融合操作，用于融合所有分支预测卷积核得到预测卷积核。
5.如权利要求1或4所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，每个空洞分支包括若干个空洞残差块和至少一个卷积层，用于从高级特征图中提取分支预测卷积核，所述空洞残差块包括空洞卷积层、线性整流函数和点加操作。
6.如权利要求1或4所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，所述核融合操作包括将所有分支预测卷积核在通道维度上拼接后，再利用卷积层压缩通道数得到最终的预测卷积核。
7.如权利要求1所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，所述图像重建模块包括逐像素卷积操作、至少一个卷积层以及点加操作，逐像素卷积操作用于将输入的预测卷积核作用于压缩特征图以得到预测图，卷积层用于将预测图转换成噪声残差图像，点加操作用于将噪声残差图像和噪声图像融合得到去噪后图像。
8.如权利要求1所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，在对空洞化的核预测网络进行参数优化时，将包含有固定噪声水平的干净图像与噪声图像的训练样本对输入至空洞化的核预测网络中，采用均方差误差损失函数作为损失函数，进行端到端的网络训练。
9.如权利要求8所述的基于空洞化的核预测网络的单图像去噪方法，其特征在于，训练样本对的构建过程为：选取干净图像，生成固定噪声水平的噪声，并将噪声添加到干净图像上获得噪声图像，该噪声图像和干净图像构成训练样本对；单次训练只涉及一个噪声水平。
10.一种基于空洞化的核预测网络的单图像去噪装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现权利要求1～9任一项所述的基于空洞化的核预测网络的单图像去噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110184461.9A CN113034381B (zh) | 2021-02-08 | 2021-02-08 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110184461.9A CN113034381B (zh) | 2021-02-08 | 2021-02-08 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113034381A true CN113034381A (zh) | 2021-06-25 |
| CN113034381B CN113034381B (zh) | 2022-06-21 |
Family
ID=76460908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110184461.9A Active CN113034381B (zh) | 2021-02-08 | 2021-02-08 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034381B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685072A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
| CN110113593A (zh) * | 2019-06-11 | 2019-08-09 | 南开大学 | 基于卷积神经网络的宽基线多视点视频合成方法 |
| CN110913218A (zh) * | 2019-11-29 | 2020-03-24 | 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 |
| CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
| CN111402128A (zh) * | 2020-02-21 | 2020-07-10 | 华南理工大学 | 一种基于多尺度金字塔网络的图像超分辨率重建方法 |
| CN111667445A (zh) * | 2020-05-29 | 2020-09-15 | 湖北工业大学 | 一种基于Attention多特征融合的图像压缩感知重建方法 |
-
2021
- 2021-02-08 CN CN202110184461.9A patent/CN113034381B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685072A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
| CN110113593A (zh) * | 2019-06-11 | 2019-08-09 | 南开大学 | 基于卷积神经网络的宽基线多视点视频合成方法 |
| CN110913218A (zh) * | 2019-11-29 | 2020-03-24 | 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 |
| CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
| CN111402128A (zh) * | 2020-02-21 | 2020-07-10 | 华南理工大学 | 一种基于多尺度金字塔网络的图像超分辨率重建方法 |
| CN111667445A (zh) * | 2020-05-29 | 2020-09-15 | 湖北工业大学 | 一种基于Attention多特征融合的图像压缩感知重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| EL HELOU, M.,ET.AL: "Blind universal Bayesian image denoising with Gaussian noise level learning", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| MARINČ, T.,ET.AL: "Multi-kernel prediction networks for denoising of burst images", 《IN 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP) 》 * |
| 孙忠凡等: "基于空间元学习的放大任意倍的超分辨率重建方法", 《计算机应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113034381B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11250595B2 (en) | Tiled image compression using neural networks | |
| CN109101975B (zh) | 基于全卷积神经网络的图像语义分割方法 | |
| CN107689034B (zh) | 一种去噪方法及装置 | |
| US20220261965A1 (en) | Training method of image processing model, image processing method, apparatus, and device | |
| CN110580704A (zh) | 基于卷积神经网络的et细胞图像自动分割方法及*** | |
| CN113989129A (zh) | 基于门控和上下文注意力机制的图像修复方法 | |
| CN113014927A (zh) | 图像压缩方法和图像压缩装置 | |
| CN110675339A (zh) | 基于边缘修复和内容修复的图像修复方法及*** | |
| US11948281B2 (en) | Guided up-sampling for image inpainting | |
| CN111192211A (zh) | 一种基于单个深度神经网络的多噪声类型盲去噪方法 | |
| CN112330761B (zh) | 基于混合精度训练的深度ect图像增强方法 | |
| CN113487618A (zh) | 人像分割方法、装置、电子设备及存储介质 | |
| CN116681584A (zh) | 一种多级扩散图像超分辨算法 | |
| CN114373104A (zh) | 一种基于动态聚合的三维点云语义分割方法及*** | |
| CN116778165A (zh) | 基于多尺度自适应语义分割的遥感影像灾害检测方法 | |
| Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
| CN111524060B (zh) | 一种实时人像背景虚化的***、方法、存储介质和设备 | |
| CN113034381B (zh) | 一种基于空洞化的核预测网络的单图像去噪方法和装置 | |
| CN117651144A (zh) | 基于深度学习的建筑物点云压缩方法及*** | |
| CN110472732B (zh) | 基于优化特征提取装置的图像特征提取*** | |
| CN116823610A (zh) | 一种基于深度学习的水下图像超分辨率生成方法和*** | |
| CN115941966A (zh) | 一种视频压缩方法及电子设备 | |
| CN116051850A (zh) | 神经网络目标检测方法、装置、介质和嵌入式电子设备 | |
| Jin et al. | HyA-GAN: remote sensing image cloud removal based on hybrid attention generation adversarial network | |
| CN112529064A (zh) | 一种高效的实时语义分割方法 |
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 |