CN113409216A - 一种基于频带自适应修复模型的图像修复方法 - Google Patents

一种基于频带自适应修复模型的图像修复方法 Download PDF

Info

Publication number
CN113409216A
CN113409216A CN202110707809.8A CN202110707809A CN113409216A CN 113409216 A CN113409216 A CN 113409216A CN 202110707809 A CN202110707809 A CN 202110707809A CN 113409216 A CN113409216 A CN 113409216A
Authority
CN
China
Prior art keywords
image
frequency
band
frequency sub
sub
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.)
Pending
Application number
CN202110707809.8A
Other languages
English (en)
Inventor
王瑾
王琛
朱青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110707809.8A priority Critical patent/CN113409216A/zh
Publication of CN113409216A publication Critical patent/CN113409216A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种基于频带自适应修复模型的图像修复方法，用于解决现有技术不能同时重建受损图像的合理结构和精细纹理的问题。本发明在生成对抗网络模型的基础上，以编码器‑解码器网络结构作为生成器的基线网络。为了从已知区域提取深层信息，通过离散小波变换(DWT)将受损图像特征分解为低频子带和高频子带，然后将多频子带通过卷积网络提取特征。最后通过小波逆变换实现对各个水平子带图像的重建，补全缺失区域信息生成图像。将低频信息与高频信息分开处理的思想，有利于针对性地处理图像的结构和纹理信息。本发明生成的图像结构更清晰，纹理更精细，修复后的图像更真实无明显边界。

Description

一种基于频带自适应修复模型的图像修复方法
技术领域：
本发明涉及计算机图像处理领域，具体涉及一种基于频带自适应修复模型的图像修复方法。
背景技术：
图像修复是多媒体应用和计算机视觉中的一项基本任务，其目标是为缺失的区域生成替代的全局语义结构和局部细节纹理，并最终产生视觉逼真的结果。它在图像编辑、复原和合成等多媒体领域得到了广泛的应用。传统的基于图像块的图像修复方法是从已知区域搜索并复制最匹配的图像块到缺失的区域。这种传统的图像修复方法对静态纹理的处理效果较好，但对人脸等复杂或非重复结构的纹理处理效果有限，不适用于高层语义信息的捕获。
近年来，基于学***等地对待和处理输入图像的结构和纹理信息，因此常常会出现边界过光滑或纹理现象。
为了解决这一问题，Liu等人提出了两段式网络，在第一阶段中恢复缺失区域的粗略结构，并在第二阶段利用第一阶段的重构信息生成最终结果。然而，第二阶段网络很大程度上依赖于第一阶段网络重构结构的正确性，两段式训练也带来了额外的计算负担。同时，输入图像中低频特征和高频特征的数据分布表现完全不同。如果不区分地计算不同频率的特征分布，可能会误导结构的重建或纹理的生成。
综上，现有的图像修复算法往往不能同时重建合理的结构和精细的纹理，具有局限性。
发明内容
为了解决现有技术不能同时重建受损图像的合理结构和精细纹理的问题，本发明提供了一种基于频带自适应修复模型的图像修复方法，该方法生成的图像结构更清晰，纹理更精细，修复后的图像更真实无明显边界。
本发明的基于频带自适应修复模型的图像修复方法，在生成对抗网络模型的基础上，以编码器-解码器网络结构作为生成器的基线网络。为了从已知区域提取深层信息，我们通过离散小波变换(DWT)将特征分解为低频子带和高频子带，然后将多频子带通过卷积网络提取特征。最后通过小波逆变换实现对各个水平子带图像的重建，补全缺失区域信息生成图像。将低频信息与高频信息分开处理的思想，有利于针对性地处理图像的结构和纹理信息。
以下按照训练和实测两阶段进行相信说明：
训练阶段的步骤如下：
步骤一：通过离散小波变换DWT将受损图像分解为低频子带和高频子带；
步骤二：将步骤一得到的低频子带直接输入到低频特征编码器中，高频子带在通道方向进行拼接并输入到高频特征编码器中，最终将高频编码器和低频编码器中提取到的特征在通道方向级联在一起得到图像的多频子带特征表示；
步骤三：将步骤二编码器提取到的多频子带特征表示输入到解码器中得到生成图像的多频子带特征表示，最后经过逆离散小波变换得到修复完成的图像；
步骤四：将步骤三的生成图像输入判别器网络中，通过整体损失函数迭代地调整生成器参数，直至损失函数收敛，生成器参数达到最优值停止训练；
每个步骤的具体操作如下：
步骤一的具体操作：
针对受损图像x，采用离散小波变换将图像分为多频子带，本发明中我们使用的是Haar小波变换，利用4个卷积滤波器，其中包括低频滤波器
Figure BDA0003131905160000031
和3个高通滤波器
Figure BDA0003131905160000032
和
Figure BDA0003131905160000033
在卷积步长为2情况下迭代地将图像分解为4个多频子带图像xsub＝{xLL,xHL，xLH，xHH}：
Figure BDA0003131905160000034
式中，
Figure BDA0003131905160000035
为卷积操作，↓2代表因子为2的标准降采样算子，{·}为concatenation操作。
低频子带：xL＝xLL，高频子带：xH＝{xHL，xLH，xHH}。
步骤二的具体操作：
由于低频子带频率变换缓慢，在低频子带特征提取中，本模型使用第一、二卷积块、第一、二、三残差卷积块、第三卷积块、第四残差卷积块组成的编码器进行特征提取；相反高频子带频率变换快，本模型使用第一、二、三、四、五残差卷积块、第一卷积块、第六残差卷积块组成的编码器进行特征提取，采用不同的编码器结构有利于高低频子带特征的提取。
步骤三的具体操作：
所述解码器由六个串联的嵌有注意力模块的残差卷积块组成，嵌有注意力模块嵌在每一个残差卷积块后面，对于每一个嵌有注意力模块的残差卷积块，x′sub表示残差卷积块的输出，注意力模块的工作过程为：
首先生成注意力矩阵M：
Figure BDA0003131905160000041
其中，σ代表sigmoid激活函数，ki(i＝1,2)表示不同的卷积运算，滤波器大小为1×1；
然后，通过注意力矩阵M与残差卷积块的输出x′sub的矩阵乘法得到加权后的特征表示x″sub，整体注意力模型表示如下：
x″sub＝M*x′sub (2)
其中，*表示对应元素相乘。
步骤四所述的整体损失函数的构建:
整个网络的训练过程可以写成：
Iout＝IDWT[Ggen(xL,xH)] (3)
其中，Iout表示网络的修复结果，IDWT[·]表示逆离散小波变换，xL,xH表示受损图像的高、低频子带，Ggen表示生成网络。
首先,重建损失函数被定义为预测结果Iout和真实图像Igt之间的L1距离：
Lr＝‖Iout-Igt‖1 (4)
为了使判别器中真实图像的特征和重构图像的的特征更接近，我们使用了对抗性约束，对抗性损失函数Ladv定义如下：
Figure BDA0003131905160000042
式中，
Figure BDA0003131905160000043
表示分布函数的期望值，pdata(Igt)表示真实样本分布，prec(Iout)表示生成图像分布，D表示判别器，G即Ggen。
最后，为了保持生成图像和真实图像的内容和风格一致性，我们利用ImageNet预先训练的VGG-16网络来提取高层特征空间，纹理损失Lt的定义如下：
Lt＝‖Gram{Φ(Iout)}-Gram{Φ(Igt)}‖2+λ‖Φ(Iout)-Φ(Igt)‖2 (6)
其中，Φ表示利用ImageNet预先训练的VGG-16网络提取的特征表示，Gram表示格拉姆矩阵运算。
考虑到重建损失、对抗损失和纹理损失，定义生成网络的总体损失函数为:
Ltotal＝λrLr+λadvLadv+λtLt (7)
其中，λr、λadv、λt表示权重系数。
实测阶段我们只是用生成网络来得到修复完成的图像，步骤如下：
步骤一：通过离散小波变换DWT将受损图像分解为低频子带和高频子带；
步骤二：将步骤一得到的低频子带直接输入到低频特征编码器中，高频子带在通道方向进行拼接并输入到高频特征编码器中，最终将高频编码器和低频编码器中提取到的特征在通道方向级联在一起得到图像的多频子带特征表示；
步骤三：将步骤二编码器提取到的多频子带特征表示输入到解码器中，经过几个嵌入注意力模块的残差卷积操作得到生成图像的多频子带特征表示，最后经过逆离散小波变换得到修复完成的图像，此时得到的图像真实感强，纹理清晰。
与现有的技术相比，本发明通过分频处理，将特征分解为高频和低频子带，分别在高频子带和低频子带区域进行深度信息的提取和传输。这种将低频信息与高频信息分开处理的思想，有利于针对性地处理图像的结构和纹理信息，其有益的效果是：我们的模型不仅可以合成清晰的图像结构，而且还可以在缺失区域生成精细的纹理，明显优于最先进的方法。
附图说明：
图1基于频带自适应修复模型的技术框架图；
图2在数据集上的修复结果示例图；
图3与不同算法的视觉结果比较；
具体实施方式：
为了能够更清楚地描述本发明的技术内容，下面结合具体实例来进一步的描述：
在图1基于频带自适应修复模型的图像修复技术框架图中，首先使用离散小波变换将受损图像分为高频子带和低频子带，采取不同的卷积块分别对高低频子带进行深层特征提取，再将提取到的高低频子带进行拼接输入解码器，在解码器部分，采用残差块和卷积块相结合的结构进行特征恢复，并利用注意力机制进一步提取和传递重点特征，得到最终的修复结果的多频表示，经过逆小波变换之后得到修复完成的图像。
以下按照训练和实测两阶段进行相信说明：
训练阶段的步骤如下：
步骤一：通过离散小波变换DWT将受损图像分解为低频子带和高频子带；
步骤二：将步骤一得到的低频子带直接输入到低频特征编码器中，高频子带在通道方向进行拼接并输入到高频特征编码器中，最终将高频编码器和低频编码器中提取到的特征在通道方向级联在一起得到图像的多频子带特征表示；
步骤三：将步骤二编码器提取到的多频子带特征表示输入到解码器中得到生成图像的多频子带特征表示，最后经过逆离散小波变换得到修复完成的图像；
步骤四：将步骤三的生成图像输入判别器网络中，通过整体损失函数迭代地调整生成器参数，直至损失函数收敛，生成器参数达到最优值停止训练；
每个步骤的具体操作如下：
步骤一的具体操作：
针对受损图像x，采用离散小波变换将图像分为多频子带，本发明中我们使用的是Haar小波变换，利用4个卷积滤波器，其中包括低频滤波器
Figure BDA0003131905160000071
和3个高通滤波器
Figure BDA0003131905160000072
和
Figure BDA0003131905160000073
在卷积步长为2情况下迭代地将图像分解为4个多频子带图像xsub＝{xLL,xHL，xLH，xHH}：
Figure BDA0003131905160000074
式中，
Figure BDA0003131905160000075
为卷积操作，↓2代表因子为2的标准降采样算子，{·}为concatenation操作。
低频子带：xL＝xLL，高频子带：xH＝{xHL，xLH，xHH}。
步骤二的具体操作：
由于低频子带频率变换缓慢，在低频子带特征提取中，本模型使用第一、二卷积块、第一、二、三残差卷积块、第三卷积块、第四残差卷积块组成的编码器进行特征提取；相反高频子带频率变换快，本模型使用第一、二、三、四、五残差卷积块、第一卷积块、第六残差卷积块组成的编码器进行特征提取，采用不同的编码器结构有利于高低频子带特征的提取。
步骤三的具体操作：
所述解码器由六个串联的嵌有注意力模块的残差卷积块组成，嵌有注意力模块嵌在每一个残差卷积块后面，对于每一个嵌有注意力模块的残差卷积块，x′sub表示残差卷积块的输出，注意力模块的工作过程为：
首先生成注意力矩阵M：
Figure BDA0003131905160000081
其中，σ代表sigmoid激活函数，ki(i＝1,2)表示不同的卷积运算，滤波器大小为1×1；
然后，通过注意力矩阵M与残差卷积块的输出x′sub的矩阵乘法得到加权后的特征表示x″sub，整体注意力模型表示如下：
x″sub＝M*x′sub (2)
其中，*表示对应元素相乘。
步骤四所述的整体损失函数的构建:
整个网络的训练过程可以写成：
Iout＝IDWT[Ggen(xL,xH)] (3)
其中，Iout表示网络的修复结果，IDWT[·]表示逆离散小波变换，xL,xH表示受损图像的高、低频子带，Ggen表示生成网络。
首先,重建损失函数被定义为预测结果Iout和真实图像Igt之间的L1距离：
Lr＝‖Iout-Igt‖1 (4)
为了使判别器中真实图像的特征和重构图像的的特征更接近，我们使用了对抗性约束，对抗性损失函数Ladv定义如下：
Figure BDA0003131905160000082
式中，
Figure BDA0003131905160000083
表示分布函数的期望值，pdata(Igt)表示真实样本分布，prec(Iout)表示生成图像分布，D表示判别器，G即Ggen。
最后，为了保持生成图像和真实图像的内容和风格一致性，我们利用ImageNet预先训练的VGG-16网络来提取高层特征空间，纹理损失Lt的定义如下：
Lt＝‖Gram{Φ(Iout)}-Gram{Φ(Igt)}‖2+λ‖Φ(Iout)-Φ(Igt)‖2 (6)
其中，Φ表示利用ImageNet预先训练的VGG-16网络提取的特征表示，Gram表示格拉姆矩阵运算。
考虑到重建损失、对抗损失和纹理损失，定义生成网络的总体损失函数为:
Ltotal＝λrLr+λadvLadv+λtLt (7)
其中，λr、λadv、λt表示权重系数。
实测阶段我们只是用生成网络来得到修复完成的图像，步骤如下：
步骤一：通过离散小波变换DWT将受损图像分解为低频子带和高频子带；
步骤二：将步骤一得到的低频子带直接输入到低频特征编码器中，高频子带在通道方向进行拼接并输入到高频特征编码器中，最终将高频编码器和低频编码器中提取到的特征在通道方向级联在一起得到图像的多频子带特征表示；
步骤三：将步骤二编码器提取到的多频子带特征表示输入到解码器中，经过几个嵌入注意力模块的残差卷积操作得到生成图像的多频子带特征表示，最后经过逆离散小波变换得到修复完成的图像，此时得到的图像真实感强，纹理清晰。
本发明的示例结果如图2所示，其中(a)表示输入图像、(b)表示本发明修复结果(c)表示Ground Truth图像。
图像质量评价：
如图3为本发明与Context Encoder、Contextual Attention、PICNet在中心区域的修复图像上的视觉结果比较。其中Context Encoder(CE)产生了扭曲的结构和模糊的结果。Contextual Attention(CA)呈现扭曲的结构。PICNet旨在产生多种多样的可信的图像，但有时也会产生重复的和结构扭曲的图像。与这些方法相比，本发明能更好地处理这些问题，产生更直观、更真实的结果。我们还使用通用的评价指标进行了定量比较。表1表明我们的方法达到了最好的性能。
表1不同算法的客观质量比较
Figure BDA0003131905160000101

Claims (5)

1.一种基于频带自适应修复模型的图像修复方法，在生成对抗网络模型的基础上，以编码器-解码器网络结构作为生成器的基线网络，其特征在于包括训练阶段和预测修复阶段，
训练阶段包括以下步骤：
步骤一：通过离散小波变换DWT将受损图像分解为低频子带和高频子带；
步骤二：将步骤一得到的低频子带直接输入到低频特征编码器中，高频子带在通道方向进行拼接并输入到高频特征编码器中，最终将高频编码器和低频编码器中提取到的特征在通道方向级联在一起得到图像的多频子带特征表示；
步骤三：将步骤二编码器提取到的多频子带特征表示输入到解码器中得到生成图像的多频子带特征表示，最后经过逆离散小波变换得到修复完成的图像，即预测结果Iout；
步骤四：将步骤三的生成图像输入判别器网络中，通过整体损失函数迭代地调整生成器参数，直至损失函数收敛，生成器参数达到最优值停止训练；
预测修复阶段包括以下步骤：
步骤一：通过离散小波变换DWT将受损图像分解为低频子带和高频子带；
步骤二：将步骤一得到的低频子带直接输入到低频特征编码器中，高频子带在通道方向进行拼接并输入到高频特征编码器中，最终将高频编码器和低频编码器中提取到的特征在通道方向级联在一起得到图像的多频子带特征表示；
步骤三：将步骤二编码器提取到的多频子带特征表示输入到解码器中，经过几个嵌入注意力模块的残差卷积操作得到生成图像的多频子带特征表示，最后经过逆离散小波变换得到修复完成的图像，此时得到的图像真实感强，纹理清晰。
2.根据权利要求1所述的一种基于频带自适应修复模型的图像修复方法，其特征在于：
训练阶段步骤一的具体操作如下，
针对受损图像x，采用离散小波变换将图像分为多频子带，具体使用的是Haar小波变换，利用4个卷积滤波器，其中包括低频滤波器
Figure FDA0003131905150000021
和3个高通滤波器
Figure FDA0003131905150000022
和
Figure FDA0003131905150000023
在卷积步长为2情况下迭代地将图像分解为4个多频子带图像xsub＝{xLL,xHL，xLH，xHH}：
Figure FDA0003131905150000024
式中，
Figure FDA0003131905150000025
为卷积操作，↓2代表因子为2的标准降采样算子，{·}为concatenation操作；
低频子带：xL＝xLL，高频子带：xH＝{xHL，xLH，xHH}。
3.根据权利要求1所述的一种基于频带自适应修复模型的图像修复方法，其特征在于：
训练阶段步骤二中的低频特征编码器依次由第一、二卷积块、第一、二、三残差卷积块、第三卷积块、第四残差卷积块组成；高频特征编码器依次由第一、二、三、四、五残差卷积块、第一卷积块、第六残差卷积块组成，采用不同的编码器结构有利于高低频子带特征的提取。
4.根据权利要求1所述的一种基于频带自适应修复模型的图像修复方法，其特征在于：
所述解码器由六个串联的嵌有注意力模块的残差卷积块组成，嵌有注意力模块嵌在每一个残差卷积块后面，对于每一个嵌有注意力模块的残差卷积块，x′sub表示残差卷积块的输出，注意力模块的工作过程为：
首先生成注意力矩阵M：
Figure FDA0003131905150000031
其中，σ代表sigmoid激活函数，ki(i＝1，2)表示不同的卷积运算，滤波器大小为1×1；
然后，通过注意力矩阵M与残差卷积块的输出x′sub的矩阵乘法得到加权后的特征表示x″sub，整体注意力模型表示如下：
x″sub＝M*x′sub (2)
其中，*表示对应元素相乘。
5.根据权利要求1所述的一种基于频带自适应修复模型的图像修复方法，其特征在于：
步骤四所述的整体损失函数构建如下：
首先，构建重建损失函数，重建损失函数被定义为预测结果Iout和真实图像Igt之间的L1距离：
Lr＝||Iout-Igt||1 (4)
其中，
Iout＝IDWT[Ggen(xL，xH)] (3)
其中，Iout表示网络的修复结果，IDWT[·]表示逆离散小波变换，xL，xH表示受损图像的高、低频子带，Ggen表示生成网络，
构建对抗性损失函数Ladv，用于使判别器中真实图像的特征和重构图像的特征更接近，对抗性损失函数Ladv定义如下：
Figure FDA0003131905150000032
式中，
Figure FDA0003131905150000033
表示分布函数的期望值，pdata(Igt)表示真实样本分布，prec(Iout)表示生成图像分布，D表示判别器，G即Ggen；
构建纹理损失Lt，用于保持生成图像和真实图像的内容和风格一致性，纹理损失Lt的定义如下：
Lt＝||Gram{Φ(Iout)}-Gram{Φ(Igt)}||2+λ||Φ(Iout)-Φ(Igt)||2 (6)
其中，Φ表示利用ImageNet预先训练的VGG-16网络来提取高层特征空间，Gram表示格拉姆矩阵运算。
最后构建生成网络的总体损失函数，具体如下：
Ltotal＝λrLr+λadvLadv+λtLt (7)
其中，λr、λadv、λt表示权重系数。
CN202110707809.8A 2021-06-24 2021-06-24 一种基于频带自适应修复模型的图像修复方法 Pending CN113409216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110707809.8A CN113409216A (zh) 2021-06-24 2021-06-24 一种基于频带自适应修复模型的图像修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110707809.8A CN113409216A (zh) 2021-06-24 2021-06-24 一种基于频带自适应修复模型的图像修复方法

Publications (1)

Publication Number Publication Date
CN113409216A true CN113409216A (zh) 2021-09-17

Family

ID=77683159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110707809.8A Pending CN113409216A (zh) 2021-06-24 2021-06-24 一种基于频带自适应修复模型的图像修复方法

Country Status (1)

Country Link
CN (1) CN113409216A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808123A (zh) * 2021-09-27 2021-12-17 杭州跨视科技有限公司 一种基于机器视觉的药液袋动态检测方法
WO2023197219A1 (en) * 2022-04-13 2023-10-19 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Cnn-based post-processing filter for video compression with multi-scale feature representation

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443775A (zh) * 2019-06-20 2019-11-12 吉林大学 基于卷积神经网络的离散小波变换域多聚焦图像融合方法
CN111047541A (zh) * 2019-12-30 2020-04-21 北京工业大学 一种基于小波变换注意力模型的图像修复方法
CN111275640A (zh) * 2020-01-17 2020-06-12 天津大学 一种融合二维离散小波变换和生成对抗网络的图像增强方法
US20210183022A1 (en) * 2018-11-29 2021-06-17 Tencent Technology (Shenzhen) Company Limited Image inpainting method and apparatus, computer device, and storage medium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210183022A1 (en) * 2018-11-29 2021-06-17 Tencent Technology (Shenzhen) Company Limited Image inpainting method and apparatus, computer device, and storage medium
CN110443775A (zh) * 2019-06-20 2019-11-12 吉林大学 基于卷积神经网络的离散小波变换域多聚焦图像融合方法
CN111047541A (zh) * 2019-12-30 2020-04-21 北京工业大学 一种基于小波变换注意力模型的图像修复方法
CN111275640A (zh) * 2020-01-17 2020-06-12 天津大学 一种融合二维离散小波变换和生成对抗网络的图像增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖锋等: "结合感知注意力机制的生成式对抗网络图像修复", 《西安工业大学学报》, vol. 41, no. 2, 25 April 2021 (2021-04-25), pages 198 - 205 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808123A (zh) * 2021-09-27 2021-12-17 杭州跨视科技有限公司 一种基于机器视觉的药液袋动态检测方法
CN113808123B (zh) * 2021-09-27 2024-03-29 杭州跨视科技有限公司 一种基于机器视觉的药液袋动态检测方法
WO2023197219A1 (en) * 2022-04-13 2023-10-19 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Cnn-based post-processing filter for video compression with multi-scale feature representation

Similar Documents

Publication Publication Date Title
CN111047541B (zh) 一种基于小波变换注意力模型的图像修复方法
Yoo et al. Photorealistic style transfer via wavelet transforms
CN110276726B (zh) 一种基于多通道网络先验信息引导的图像去模糊方法
CN103810755B (zh) 基于结构聚类稀疏表示的压缩感知光谱图像重建方法
CN103279933B (zh) 一种基于双层模型的单幅图像超分辨率重建方法
CN113409216A (zh) 一种基于频带自适应修复模型的图像修复方法
CN112686817B (zh) 一种基于不确定性估计的图像补全方法
CN105590296B (zh) 一种基于双字典学习的单帧图像超分辨率复原方法
Du et al. Blind image denoising via dynamic dual learning
TW202217742A (zh) 影像品質提昇方法及使用該方法的影像處理裝置
Agrawal et al. Image resolution enhancement using lifting wavelet and stationary wavelet transform
Li et al. Detail-enhanced image inpainting based on discrete wavelet transforms
CN106056640B (zh) 基于形态成分分解结合压缩感知的图像压缩方法
CN117726540A (zh) 一种增强门控Transformer的图像去噪方法
Cetinkaya et al. Image denoising using deep convolutional autoencoder with feature pyramids
CN115131226B (zh) 一种基于小波张量低秩正则化的图像复原方法
Wang Single image super-resolution with u-net generative adversarial networks
CN114331853B (zh) 基于目标向量更新模块的单幅图像复原迭代框架
You et al. Indigo: An inn-guided probabilistic diffusion algorithm for inverse problems
Adeyemi et al. Sparse representations of images using overcomplete complex wavelets
Yin et al. Deep Convolutional Dictionary Learning Denoising Method Based on Distributed Image Patches
CN113409217A (zh) 一种基于多频子带概率推理模型的图像修复方法
CN117274064B (zh) 一种图像超分辨率方法
Huang et al. DF3Net: Dual frequency feature fusion network with hierarchical transformer for image inpainting
Fatimah et al. Multiscale modeling using signal adapted filter bank

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