CN113393385B - 基于多尺度融合的无监督去雨方法、***、装置及介质 - Google Patents
基于多尺度融合的无监督去雨方法、***、装置及介质 Download PDFInfo
- Publication number
- CN113393385B CN113393385B CN202110515593.5A CN202110515593A CN113393385B CN 113393385 B CN113393385 B CN 113393385B CN 202110515593 A CN202110515593 A CN 202110515593A CN 113393385 B CN113393385 B CN 113393385B
- Authority
- CN
- China
- Prior art keywords
- image
- rain
- scale
- micro
- clean
- 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 43
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度融合的无监督去雨方法、***、装置及介质,其中方法包括:对带雨图像进行预处理得到多个尺度的微去雨图像;根据微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;对干净图像进行上采样,确定上采样图像;根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定对抗模型的损失函数;将损失函数迭代至最小值,对抗模型收敛,通过该对抗模型可以根据带雨图像得到无雨的干净图像。本申请实施例采用无监督的去雨方法,无需准备大量带雨和无雨的图像对作为训练集,降低了训练集的获取难度,降低了对训练集的依赖性,能够有效提供去雨***的泛化性。本申请可广泛应用于图像处理领域。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种基于多尺度融合的无监督去雨方法、***、装置及介质。
背景技术
计算机视觉***当前已普遍存在于人们的日常生活中,视觉***采集捕捉现实环境的图像或视频,经过特征提取等分析处理手段实现对目标的检测、识别、预判等。对户外视觉***来说,户外视觉***采集的图像常常会受到如雨、雾、雪等天气的影响,而雨是这三者中更为常见的一种。带雨图像会影响图像特征提取的准确度,进而影响后续的检测和识别,因此,需要对带雨图像进行图像增强处理以达到图像去雨的目的。
一般说来,雨图像增强算法可以分成三大类:第一种是采用检测+修补的方式处理,首先检测出雨的位置,再利用周边像素的关联性进行修补,第二种是基于层分离的方式,将雨和背景图当作两种信号,并且给这两种信号添加不同的先验假设进行分离。第三种是近年来比较流行的基于深度学习的方法,多采用有监督的方式进行网络的训练,学习出从有雨到无雨的映射。但是相关技术中,基于深度学习的方法多使用有监督学习算法,在训练时需要大量的有雨和无雨的图像对,对训练集的要求较高,而且训练出的网络可能存在对训练集的依赖性,泛化能力较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请提出基于多尺度融合的无监督去雨方法、***、装置及介质,能有效提高去雨方法的泛化性。
第一方面,本申请实施例提供了一种基于多尺度融合的无监督去雨方法,包括:对带雨图像进行预处理,确定多个尺度的微去雨图像;根据所述微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;对所述干净图像进行上采样,确定上采样图像;根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定所述对抗模型的损失函数;对所述损失函数进行迭代,根据损失函数对所述对抗模型的参数进行更新,直至所述对抗模型收敛。
可选地,所述对带雨图像进行预处理,确定多个尺度的微去雨图像,包括:沿所述带雨图像的主方向作一维高斯卷积,确定初始微去雨图像;对所述初始微去雨图像进行下采样,确定采样结果;沿所述主方向对所述采样结果作一维高斯卷积,确定下一尺度的微去雨图像。
可选地,所述主方向的确定步骤包括:计算所述带雨图像中每个像素点中雨滴的梯度方向;根据所述梯度方向的均值,确定所述带雨图像的主方向。
可选地,所述对抗模型具体包括生成器和判别器;所述生成器用于根据所述微去雨图像,生成与该尺度微去雨图像对应的干净图像;所述判别器用于对所述干净图像进行判定,并输出判定结果。
可选地,所述根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定所述对抗模型的损失函数,包括:
所述对抗模型的损失函数为:
其中,L为所述损失函数,i为所述微去雨图像的尺度序号,为第i+1尺度的上采样图像与第i尺度微去雨图像之间的重构误差,/>为第i尺度对应的生成对抗损失。
可选地,所述生成对抗损失具体为:
其中,E代表数学期望,Di代表所述判别器,Gi代表所述生成器,Ji代表不同尺度的所述微去雨图像,Ic代表所述微去雨图像对应的所述干净图,c代表所述干净图的序号。
可选地,所述生成器包括卷积层、激活层和正则化层。
第二方面,本申请实施例提供了一种基于多尺度融合的无监督去雨***,包括:预处理模块,用于对带雨图像进行预处理,确定多个尺度的微去雨图像;去雨模块,用于根据所述微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;损失函数构造模块,用于对所述干净图像进行上采样,确定上采样图像;并用于根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定所述对抗模型的损失函数;模型训练模块,用于对所述损失函数进行迭代,根据损失函数对所述对抗模型的参数进行更新,直至所述对抗模型收敛。
第三方面,本申请实施例提供了一种装置,包括:至少一个处理器;至少一个存储器,用于存储至少一个程序;当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如第一方面所述的基于多尺度融合的无监督去雨方法。
第四方面,本申请实施例提供了一种计算机存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由所述处理器执行时用于实现如第一方面所述基于多尺度融合的无监督去雨方法。
本申请实施例的有益效果如下:对带雨图像进行预处理得到不同尺度的多个微去雨图像;根据所述微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;将获得的干净图像进行上采样,确定上采样图像;根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定所述对抗模型的损失函数;在不断地迭代训练过程中,将所述损失函数迭代至最小值,所述对抗模型收敛,通过该对抗模型可以根据微去雨图像得到无雨的干净图像。本申请实施例采用无监督的去雨方法,无需准备大量带雨和无雨的图像对作为训练集,与有监督的区域方法相比,本申请提出的区域方法降低了训练集的获取难度,降低了对训练集的依赖性,能够有效提供去雨***的泛化性。本申请可广泛应用于图像处理领域。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请实施例提供的基于多尺度融合的无监督去雨方法的步骤流程图;
图2为本申请实施例提供的带雨图像预处理的步骤流程图;
图3为本申请实施例提供的对抗模型的网络架构示意图;
图4为本申请实施例提供的基于多尺度融合的无监督去雨***的架构示意图;
图5为本申请实施例提供的一种装置。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在***示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于***中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在视觉***的整个流程中,原始数据的质量是非常重要的,原始数据质量差可能会导致提取特征的不准确,进而影响后续的检测和识别。对户外视觉***来说,户外视觉***采集的图像常常会受到雨水的影响,采集到的都是带雨图像。为了提高后期图像检测和分析的准确度,对带雨图像进行图像增强处理是非常重要的。而在雨图像增强算法中,近年来比较流行的是基于深度学习的方法,多采用有监督的方式进行网络的训练,学习出从有雨到无雨的映射。但这种方式需要大量的有雨和无雨的图像对,对训练集的要求较高,并且所训练出的网络可能存在训练集的依赖性,局限性较大。
基于此,本申请实施例提出一种基于多尺度融合的无监督去雨方法、***、装置及介质,采用无监督的方式,通过对抗模型获得干净的去雨图像,本申请实施例无需用到大量有雨和无雨的图像对,有效降低了对训练集的依赖性,对于提高去雨***的泛化性有积极作用。
下面结合附图,对本申请实施例作进一步阐述。
参考图1,图1是本申请实施例提供的基于多尺度融合的无监督去雨方法的步骤流程图,该方法包括但不限于步骤S100-S140:
S100、对带雨图像进行预处理,确定多个尺度的微去雨图像;
具体地,户外视觉***在雨天会获取到大量的带雨图像,对这些带雨图像进行预处理,得到不同尺度的多个微去雨图像。微,表示轻微,微去雨图像并不是完全去雨后的干净图像,只是在带雨图像的基础上作预处理,后续去雨步骤就在微去雨图像的基础上进行。
参照图2,图2为本申请实施例提供的带雨图像预处理的步骤流程图,该方法包括但不限于步骤S101-S103:
S101、沿带雨图像的主方向作一维高斯卷积,确定初始微去雨图像;
具体地,确定带雨图像的主方向,并沿着带雨图像的主方向做一维高斯卷积,得到初始微去雨图像。带雨图像的主方向是指带雨图像中雨滴的主方向,根据带雨图像中每个像素点中雨滴的梯度方向,确定这些雨滴梯度方向的均值,该均值则作为带雨图像的主方向,该主方向也会应用至后续的图像卷积步骤中。
S102、对初始微去雨图像进行下采样,确定采样结果;
具体地,对初始微去雨图像作下采样,图像的尺度降低,得到采样结果。
S103、沿主方向对采样结果作一维高斯卷积,确定下一尺度的微去雨图像;
具体地,沿着上述的主方向对步骤S102获得的采样结果作一维高斯卷积,确定下一个尺度的微去雨图像。
通过步骤S101-S103,本申请实施例通过一维高斯卷积和下采样的交替进行,获得多个不同尺度的微去雨图像。以步骤S101-S103为例,假设由带雨图像卷积得到的初始微去雨图像为J0,则步骤S103获得的微去雨图像则可以用J1来表示,J1为J0下一尺度的图像。以此类推,对J1进行下采样和一维卷积处理,可以得到再下一个尺度的微去雨图像J2,再继续进行下采样和卷积,可以获得用户所需数量的微去雨图像,进行多尺度的图像处理。
S110、根据微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;
具体地,将步骤S100中获得的微去雨图像输入对抗模型中,对抗模型输出不同尺度微去雨图像对应的干净图像,干净图像就是在不同尺度下的无雨图像。
本申请实施例中的对抗模型包括生成器和判别器,生成器用于根据微去雨图像,生成与该尺度微去雨图像对应的干净图像;判别器用于对干净图像进行判定,并输出判定结果。本申请实施例的生成器和判别器可以使用相关技术中的网络架构,本申请实施例不对生成器和判别器的具体构成做具体限制。生成器的目标是生成足够仿真的数据,判别器的目标是判断生成器生成数据的真实性,生成器和判别器在整个对抗模型的损失函数的优化过程中不断调整参数,异步迭代更新,不断提高生成器生成数据的仿真度以及判别器判断数据真伪的准确度。
S120、对干净图像进行上采样,确定上采样图像;
具体地,对不同尺度的干净图像进行上采样,获得多个尺度的上采样图像。
S130、根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定对抗模型的损失函数;
具体地,根据步骤S102和步骤S120可以得知,本申请通过上采样和下采样获得不同尺度的图片,因此,当前尺度的上采样图像可以与上一尺度的干净图像作比较。假设当前干净图像的尺度为i+1,其对应的上采样图像可以与尺度为i的干净图像作比较,在本申请实施例中,在多尺度的网络架构中添加损失函数,约束每一尺度的干净图像上采样后与上一尺度的干净图像的一致性,根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定对抗模型的损失函数。该损失函数的表达式如下所示:
其中,L为损失函数,i为微去雨图像的尺度序号,为第i+1尺度的上采样图像与第i尺度干净图像之间的重构误差,/>为第i尺度对应的生成对抗损失。该生成对抗损失具体为:
其中,E代表数学期望,Di代表判别器,Gi代表生成器,Ji代表不同尺度的微去雨图像,Ic代表微去雨图像对应的干净图,c代表干净图的序号。
S140、对损失函数进行迭代,根据损失函数对对抗模型的参数进行更新,直至对抗模型收敛。
具体地,对损失函数进行不断地迭代,使损失函数最小化,在损失函数迭代过程中,不断调整对抗模型中生成器和判别器的参数,需要说明的是,在本申请实施例中,组成对抗网络的生成器和判别器的参数是异步迭代进行的,判别器和生成器循环迭代,直至损失函数达到最小值,对抗模型收敛。获得收敛完成的对抗模型后,向该模型输入带雨图像,该对抗模型则输出对应的干净无雨图像。
参照图3,图3为本申请实施例提供的对抗模型的网络架构示意图,如图3所示,J为输入的带雨图像,经过一维高斯卷积获得初始微去雨图像J0,由J0开始以此类推获得不同尺度的微去雨图像J1、J2,不同尺度的微去雨图像经过不同尺度的生成器G0、G1等生成不同尺度的干净图像I0、I1等等,这些生成器生成的干净图会被输入不同尺度的判别器D0、D1等等,与真正的无雨图作比较判别,并输出判定结果,当整个网络的损失函数达到最小值,则认为生成器能生成足够仿真的无雨图,对抗网络收敛。
参照图4,图4为本申请实施例提供的基于多尺度融合的无监督去雨***的架构示意图,该***400包括:预处理模块410、去雨模块420、损失函数构造模块430和模型训练模块440。预处理模块用于对带雨图像进行预处理,确定多个尺度的微去雨图像;去雨模块用于根据微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;损失函数构造模块用于对干净图像进行上采样,确定上采样图像;并用于根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定对抗模型的损失函数;模型训练模块用于对损失函数进行迭代,根据损失函数对对抗模型的参数进行更新,直至对抗模型收敛。
参考图5,图5为本申请实施例提供的一种装置,该装置500包括至少一个处理器510,还包括至少一个存储器520,用于存储至少一个程序;图5中以一个处理器及一个存储器为例。
处理器和存储器可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该装置。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。
本申请的另一个实施例还提供了一种装置,该装置可用于执行如上任意实施例中的控制方法,例如,执行以上描述的图1中的方法步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例还公开了一种计算机存储介质,其中存储有处理器可执行的程序,其特征在于,处理器可执行的程序在由处理器执行时用于实现本申请提出的基于多尺度融合的无监督去雨方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于多尺度融合的无监督去雨方法,其特征在于,包括:
对带雨图像进行预处理,确定多个尺度的微去雨图像;
根据所述微去雨图像和对抗模型,确定不同尺度微去雨图像对应的干净图像;
对所述干净图像进行上采样,确定上采样图像;
根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定所述对抗模型的损失函数;
对所述损失函数进行迭代,根据损失函数对所述对抗模型的参数进行更新,直至所述对抗模型收敛;
所述对抗模型具体包括生成器和判别器;
所述生成器用于根据所述微去雨图像,生成与该尺度微去雨图像对应的干净图像;
所述判别器用于对所述干净图像进行判定,并输出判定结果;
其中,所述根据当前尺度上采样图像与上一尺度干净图像之间的重构误差,确定所述对抗模型的损失函数包括:
所述对抗模型的损失函数为:
其中,L为所述损失函数,i为所述微去雨图像的尺度序号,为第i+1尺度的上采样图像与第i尺度微去雨图像之间的重构误差,/>为第i尺度对应的生成对抗损失;
所述生成对抗损失具体为:
其中,E代表数学期望,Di代表所述判别器,Gi代表所述生成器,Ji代表不同尺度的所述微去雨图像,Ic代表所述微去雨图像对应的所述干净图像,c代表所述干净图像的序号。
2.根据权利要求1所述的基于多尺度融合的无监督去雨方法,其特征在于,所述对带雨图像进行预处理,确定多个尺度的微去雨图像,包括:
沿所述带雨图像的主方向作一维高斯卷积,确定初始微去雨图像;
对所述初始微去雨图像进行下采样,确定采样结果;
沿所述主方向对所述采样结果作一维高斯卷积,确定下一尺度的微去雨图像。
3.根据权利要求2所述的基于多尺度融合的无监督去雨方法,其特征在于,所述主方向的确定步骤包括:
计算所述带雨图像中每个像素点中雨滴的梯度方向;
根据所述梯度方向的均值,确定所述带雨图像的主方向。
4.根据权利要求3所述的基于多尺度融合的无监督去雨方法,其特征在于,所述生成器包括卷积层、激活层和正则化层。
5.一种基于多尺度融合的无监督去雨装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-4中任一项所述的基于多尺度融合的无监督去雨方法。
6.一种计算机存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-4任一项所述基于多尺度融合的无监督去雨方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110515593.5A CN113393385B (zh) | 2021-05-12 | 2021-05-12 | 基于多尺度融合的无监督去雨方法、***、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110515593.5A CN113393385B (zh) | 2021-05-12 | 2021-05-12 | 基于多尺度融合的无监督去雨方法、***、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393385A CN113393385A (zh) | 2021-09-14 |
CN113393385B true CN113393385B (zh) | 2024-01-02 |
Family
ID=77617891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110515593.5A Active CN113393385B (zh) | 2021-05-12 | 2021-05-12 | 基于多尺度融合的无监督去雨方法、***、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393385B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681625B (zh) * | 2023-07-04 | 2024-02-02 | 广州工程技术职业学院 | 基于多尺度对比学习的无监督图像去雨方法、装置及终端 |
CN116883275B (zh) * | 2023-07-07 | 2023-12-29 | 广州工程技术职业学院 | 基于边界引导的图像去雨方法、***、装置及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163813A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
CN111340738A (zh) * | 2020-03-24 | 2020-06-26 | 武汉大学 | 一种基于多尺度渐进融合的图像去雨方法 |
CN111860782A (zh) * | 2020-07-15 | 2020-10-30 | 西安交通大学 | 三重多尺度的CycleGAN、眼底荧光造影生成方法、计算机设备及存储介质 |
CN112348762A (zh) * | 2020-11-30 | 2021-02-09 | 上海海事大学 | 一种基于多尺度融合生成对抗网络的单幅图像去雨方法 |
CN112508083A (zh) * | 2020-12-02 | 2021-03-16 | 南京邮电大学 | 基于无监督注意力机制的图像去雨雾方法 |
-
2021
- 2021-05-12 CN CN202110515593.5A patent/CN113393385B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163813A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
CN111340738A (zh) * | 2020-03-24 | 2020-06-26 | 武汉大学 | 一种基于多尺度渐进融合的图像去雨方法 |
AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
CN111860782A (zh) * | 2020-07-15 | 2020-10-30 | 西安交通大学 | 三重多尺度的CycleGAN、眼底荧光造影生成方法、计算机设备及存储介质 |
CN112348762A (zh) * | 2020-11-30 | 2021-02-09 | 上海海事大学 | 一种基于多尺度融合生成对抗网络的单幅图像去雨方法 |
CN112508083A (zh) * | 2020-12-02 | 2021-03-16 | 南京邮电大学 | 基于无监督注意力机制的图像去雨雾方法 |
Non-Patent Citations (3)
Title |
---|
Intelligent Wide-Area Water Quality Monitoring and Analysis System Exploiting Unmanned Surface Vehicles and Ensemble Learning;Huiru Cao et al;《Water》;第12卷(第3期);第1-15页 * |
基于多尺度特征融合的单帧图像去雨生成算法研究;张峥;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200615(第6期);第I138-1062页 * |
恶劣天气条件下的图像复原算法研究;王应龙;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20210115(第1期);第I138-241页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113393385A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Edge-enhanced GAN for remote sensing image superresolution | |
CN110135366B (zh) | 基于多尺度生成对抗网络的遮挡行人重识别方法 | |
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN110210513B (zh) | 数据分类方法、装置及终端设备 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
Wang et al. | Cycle-snspgan: Towards real-world image dehazing via cycle spectral normalized soft likelihood estimation patch gan | |
CN112215119B (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、***、装置及介质 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN115293992B (zh) | 基于无监督权重深度模型的偏振图像去雾方法及装置 | |
CN113052057A (zh) | 一种基于改进卷积神经网络的交通标志识别方法 | |
Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
CN115661611A (zh) | 一种基于改进Yolov5网络的红外小目标检测方法 | |
CN111507184A (zh) | 基于并联空洞卷积和身体结构约束的人体姿态检测方法 | |
CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
CN107729885B (zh) | 一种基于多重残差学习的人脸增强方法 | |
CN115953312A (zh) | 一种基于单幅图像的联合去雾检测方法、装置及存储介质 | |
CN115862119A (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
CN113962332B (zh) | 基于自优化融合反馈的显著目标识别方法 | |
CN116091792A (zh) | 视觉注意力预测模型的构建方法、***、终端及介质 | |
CN115760589A (zh) | 一种用于运动模糊图像的图像优化方法及装置 |
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 |