CN114820389A - 一种基于无监督解耦表征的人脸图像去模糊方法 - Google Patents
一种基于无监督解耦表征的人脸图像去模糊方法 Download PDFInfo
- Publication number
- CN114820389A CN114820389A CN202210714947.3A CN202210714947A CN114820389A CN 114820389 A CN114820389 A CN 114820389A CN 202210714947 A CN202210714947 A CN 202210714947A CN 114820389 A CN114820389 A CN 114820389A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- domain
- deblurring
- encoder
- 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 57
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 71
- 238000012512 characterization method Methods 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000012546 transfer Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于无监督解耦表征的人脸图像去模糊方法,属于计算机视觉中的低质量图像复原技术领域。所述方法包括:获取由清晰图像及模糊图像构成的训练集;其中,所述图像为人脸图像;构建基于生成对抗网络的去模糊生成网络,确定其总的目标函数;其中,通过所述去模糊生成网络解耦语义内容信息和域内特性,所述去模糊生成网络包括:内容域编码器、特征域编码器、特征域生成器、特征域鉴别器;利用得到的训练集和总的目标函数,训练所述去模糊生成网络;将待处理的模糊图像作为输入,利用训练好的所述去模糊生成网络生成清晰的人脸图像。采用本发明,能够解决其他无监督方法在训练过程中出现的域转移和解耦不一致的问题。
Description
技术领域
本发明涉及计算机视觉中的低质量图像复原技术领域,特别是指一种基于无监督解耦表征的人脸图像去模糊方法。
背景技术
随着智能手机等电子设备的普及,人脸图片已经成为日常生活中最受欢迎的图片类型之一。拍摄过程中相机的抖动或者人物的行走都会造成模糊的产生。这不仅会降低人脸图像的视觉质量,而且模糊造成的失真会在诸多计算机视觉任务上产生负面影响。为了能够从这些模糊图像中获取关键的信息,需要进行去模糊处理。
由于图像模糊本身的不确定性,需要一定的假设或先验知识以约束解空间,利用最大后验概率估计获得的去模糊图像。目前最常使用的先验知识包括梯度统计、稀疏表达、暗通道先验等。然而这些方法需要大量的时间成本和计算效率,并且去模糊效果并不理想。近些年来,深度卷积网络和生成对抗网络日益广泛地应用到图像处理领域,从低分辨率对应估计高分辨率图像到现在对模糊图像的处理,得到了越来越多研究者的重视。与传统的方法相比,深度学习的方法在保留纹理细节和生成逼真图像方面具有更大的优势。大多数现有深度学习的方法需要成对的训练数据,这种训练方式一定程度上限制了这些方法在真实多媒体数字设备应用的通用性、可扩展性和实用性。另外,强健的监督可能会导致过拟合的训练模型,使得模型在真实拍摄图片的去模糊效果下降。
解耦表征为解决以上问题提供了很好的思路。解耦表征旨在在非成对数据的条件下,编码一组能表征数据独特性和独立性的生成因素,学习数据的条理化和可解释性。人脸去模糊任务也可以被视为解耦表征技术的一个分支。Lu等人提出了一种运动去模糊的端到端无监督解耦神经网络,其运用内容编码器和模糊风格编码器分别处理不同的语义特征,将解耦后得到的内容信息和模糊特征作为生成器的输入,在对抗损失和循环一致性损失的作用下达到去模糊效果。但现有无监督解耦方法在训练过程中会出现域转移和解耦不一致的问题,无法得到令人满意的去模糊效果。
发明内容
本发明实施例提供了基于无监督解耦表征的人脸图像去模糊方法,能够解决其他无监督方法在训练过程中出现的域转移和解耦不一致的问题。所述技术方案如下:
一方面,提供了一种基于无监督解耦表征的人脸图像去模糊方法,包括:
获取由清晰图像及模糊图像构成的训练集;其中,所述图像为人脸图像;
构建基于生成对抗网络的去模糊生成网络,确定其总的目标函数;其中,通过所述去模糊生成网络解耦语义内容信息和域内特性,所述去模糊生成网络包括:内容域编码器、特征域编码器、特征域生成器、特征域鉴别器;
利用得到的训练集和总的目标函数,训练所述去模糊生成网络;
将待处理的模糊图像作为输入,利用训练好的所述去模糊生成网络生成清晰的人脸图像。
进一步地,所述获取由清晰图像及模糊图像构成的训练集包括:
获取清晰图像并对其进行裁剪及模糊化处理,得到模糊图像;
对裁剪得到的清晰图像和模糊图像进行图像增强处理;
进一步地,所述构建基于生成对抗网络的去模糊生成网络包括:
构建Half-IN残差卷积模块和IN残差卷积模块;
根据构建的所述内容域编码器、特征域编码器、特征域生成
器和特征域鉴别器,构建去模糊生成网络,所述去模糊生成网络包括:
解耦阶段网络和重建阶段网络,其中,所述解耦阶段网络包括:内容域编码器和
特征域编码器构成的去模糊的卷积编码网络以及特征域生成器构成
的去模糊的卷积解码网络。
进一步地,所述Half-IN残差卷积模块由第一卷积分支和第一残差分支并联组成;
进一步地,所述IN残差卷积模块由第二卷积分支和第二残差分支并联组成;
进一步地,所述去模糊生成网络的工作流程包括解耦阶段和重建阶段:
其中,表示散度目标函数,表示重建目标函数,表示重建目标函数
的权重,表示生成对抗的目标函数,表示语义内容监督函数,表示语义内
容监督函数的权重,表示特征表征监督函数,表示特征表征监督函数的权重,表示循环一致性的目标函数,表示循环一致性的目标函数的权重。
其中,表示清晰特征生成对抗函数,表示模糊特征生成对抗函数;表示清晰特征鉴别器判定输入为真实清晰图像的概率,表示清晰鉴别器
特征判定输入为真实清晰图像的概率,表示模糊特征鉴别器判定输入为真实
模糊图像的概率,表示模糊特征鉴别器判定输入为真实模糊图像的概率;
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于无监督解耦表征的人脸图像去模糊方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,获取由清晰图像及模糊图像构成的训练集;其中,所述图像为人脸图像;构建基于生成对抗网络的去模糊生成网络,确定其总的目标函数;其中,通过所述去模糊生成网络解耦语义内容信息和域内特性,所述去模糊生成网络包括:内容域编码器、特征域编码器、特征域生成器、特征域鉴别器;利用得到的训练集和总的目标函数,训练所述去模糊生成网络;将待处理的模糊图像作为输入,利用训练好的所述去模糊生成网络生成清晰的人脸图像。这样,能够解决其他无监督方法在训练过程中出现的域转移和解耦不一致的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于无监督解耦表征的人脸图像去模糊方法的流程示意图;
图2为本发明实施例提供的残差卷积模块的结构示意图;
图3为本发明实施例提供的基于无监督解耦表征的人脸图像去模糊方法的框架示意图;
图4为本发明实施例提供的内容域编码器的结构示意图;
图5为本发明实施例提供的特征域编码器的结构示意图;
图6为本发明实施例提供的特征域生成器的结构示意图;
图7为本发明实施例提供的特征域鉴别器的结构示意图。
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,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种基于无监督解耦表征的人脸图像去模糊方法,包括:
S101,获取由清晰图像及模糊图像构成的训练集;其中,所述图像为人脸图像;具体可以包括以下步骤:
A1,获取清晰图像并对其进行裁剪及模糊化处理,得到模糊图像;
本实施例中,获取清晰的人脸图像并将其裁剪成分辨率为 大
小,接着使用模糊方法(例如,使用文献Deblurgan: Blind motion deblurring using
conditional adversarial networks[C]//Proceedings of the IEEE conference on
computer vision and pattern recognition. 2018: 8183-8192.中的模糊方法)获得模
糊的人脸图像,其中,模糊方法的参数设置除最大运动轨迹为30外,其他参数与Deblurgan
中保持一致。
A2,对裁剪得到的清晰图像和模糊图像进行图像增强处理;
本实施例中,所述图像增强处理包括:随机水平旋转和数据归一化。
S102,构建基于生成对抗网络的去模糊生成网络,确定其总的目标函数;其中,通过所述去模糊生成网络解耦语义内容信息和域内特性,所述去模糊生成网络包括:内容域编码器、特征域编码器、特征域生成器、特征域鉴别器;
本实施例中,构建基于生成对抗网络的去模糊生成网络,具体可以包括以下步骤:
B1,构建Half-IN残差卷积模块和IN残差卷积模块;
如图2(a)所示,Half-IN残差卷积模块由一个卷积分支和一个残差分支并联组成;
所述第一卷积分支由的卷积层-IN层和ID层的卷积层-LeakyReLU函数组
成,其中,-表示连接;记卷积分支的操作为;残差分支为的卷积层,记残差分支的
操作为。
如图2(b)所示,IN残差卷积模块也由一个卷积分支和一个残差分支并联组成;IN
残差卷积模块与Half-IN残差卷积模块不同之处在于IN残差卷积模块的卷积分支仅由的卷积层-IN层-LeakyReLU函数组成,记该卷积分支的操作为。则对通道数为
的输入特征,Half-IN残差卷积模块的输出和IN残差卷积模块的输出分别表示为:
如图3和4所示,两个内容域编码器的结构一致,都由的卷积层后接Half-IN
残差卷积模块和共享权重卷积层构成,内容域编码器的具体层包括:两个步长为1的
卷积层,五个下采样步长为1的Half-IN残差卷积模块,两个的共享权重卷积层。
如图5(a)所示,清晰特征编码器由多个卷积层后接自适应池化层和1个卷积层组
成;清晰特征编码器具体层包括:一个步长为1的卷积层,四个步长为2的卷积
层后接一个自适应池化层,自适应池化层后接一个步长为1的卷积层。
如图5(b)所示,模糊特征编码器由的卷积层、IN残差卷积模块和线性层组
成,模糊特征编码器具体层包括:2个步长为1的卷积层,四个步长为2的下采样IN残差
卷积模块,后接两个输出通道为8的线性层(即:全连接层)。
如图6所示,清晰特征生成器和模糊特征生成器都由IN残差卷积模块后接转置卷积层构成。两者结构一致,具体为:两个共享步长为1的IN残差卷积模块, 三个步长为1的IN残差卷积模块,两个步长为2的转置卷积层。
如图7(a)、(b)所示,清晰特征鉴别器和模糊特征鉴别器的结构一致,具体为:一个自适应池化层,后接四个步长为2的IN残差卷积模块,最后接一个卷积层。
B6,根据构建的所述内容域编码器、特征域编码器、特征域生
成器和特征域鉴别器,构建去模糊生成网络,所述去模糊生成网络包
括:解耦阶段网络和重建阶段网络,其中,所述解耦阶段网络包括:内容域编码器
和特征域编码器构成的去模糊的卷积编码网络以及特征域生成器构
成的去模糊的卷积解码网络。
本实施例中,所述去模糊生成网络的工作流程包括解耦阶段和重建阶段:
其中,和分别表示清晰图像和模糊图像;和分别表示清晰图像的语义
内容信息和模糊图像的语义内容信息;和分别表示清晰图像的清晰特征表征和
模糊图像的模糊特征表征;此时语义内容信息和的大小为,特征表
征的大小为,其中表示语义内容信息的维度,由最后一个共享权重卷积层的特
征通道数决定;
在重建阶段,重复使用内容域编码器、特征域编码器和特征
域生成器构成重建阶段网络,所述重建阶段网络包括:内容域编码器
和特征域编码器构成的重建阶段的卷积编码网络以及特征域生成器
构成的重建阶段的卷积解码网络;这样,可以使用内容域编码器、特征域编码器对解耦阶段输出的人脸图像(和高和宽尺寸均为进行处理,得到语义内容信息和特征表征为:
本实施例中,确定去模糊生成网络总的目标函数,具体可以包括以下步骤;
C1,构建散度目标函数。通过减小语义内容信息与标准正态分布
(其中z表示随机变量,表示概率密度函数,表示随机变量z服从均值
为0,方差为1的正态分布)的散度值来拉近清晰图像与模糊图像的语义内容信息分布。将内
容域编码器最后一个共享权重卷积层的输出接2个并联的自适应池化层和输出通道为256
的线性层,分别记这两个自适应池化层和输出通道为256的线性层为和,对于输入语
义内容信息,和的输出分别为语义内容信息的均值和方差:
C4,构建特征域自监督的目标函数。目标函数的第一部分为语义内容监督函数,目的是为了确保解耦阶段内容域编码器输出的语义内容信息与重建阶段
相应内容域编码器输出的语义内容信息保持一致,第一部分的语义内容监督函
数为:
C5,构建循环一致性的目标函数。目标函数作用在清晰域和模糊域,目
的是为了确保输入的人脸图片对在经历解耦阶段和重建阶段两个阶段后能够重新
恢复,一方面能够实现更好的解耦表征,另一方面在一定程度上防止域偏移并且减少训练
过程中解耦不一致情况产生的概率,目标函数为:
其中, 其中,表示散度目标函数,表示重建目标函数,表示重建目
标函数的权重,表示生成对抗的目标函数,表示语义内容监督函数,表示
语义内容监督函数的权重,表示特征表征监督函数,表示特征表征监督函数的
权重,表示循环一致性的目标函数,表示循环一致性的目标函数的权重,其中,
权重的取值分别为: 。
S103,利用得到的训练集和总的目标函数,训练所述去模糊生成网络;
本实施例中,利用得到的训练集和总的目标函数,训练所述去模糊生成网络,得到
权重文件。在测试过程中,按照步骤A1- A3,获取模糊图像测试集,仅使用模糊图像测试集作为输入,通过模糊内容编码器从模糊图像中提取语义内容信息,使用训练过
程中得到的清晰特征代替清晰特征编码器。语义内容信息和清晰特征作为清
晰特征生成器的输入,最终得到去模糊图像。
S104,将待处理的模糊图像作为输入,利用训练好的所述去模糊生成网络生成清晰的人脸图像。
本发明实施例所述的基于无监督解耦表征的人脸图像去模糊方法,至少具有以下有益效果:
1)本实施例所提出的基于生成对抗网络的去模糊生成网络,能够解耦语义内容信息和域内特性,利用所述去模糊生成网络和其相应的目标函数能够解决其他无监督方法在训练过程中出现的域转移和解耦不一致的问题,例如,人脸图像全局明亮变化、存在局部模糊现象等;
2)清晰特征编码器的存在补偿了因模糊导致人脸图像全局清晰特征的损失,进一步丰富了人脸的细节和纹理信息;
3)本实施例基于无监督解耦表征的方法,使用非成对人脸图像训练去模糊生成网络,使得去模糊生成网络在非成对图像集的条件下能够处理图像去模糊任务,解决了训练集对网络的局限性;
4)通过本实施例提供的基于无监督解耦表征的人脸图像去模糊方法不仅能够生成高质量的去模糊人脸图像,还能同时处理多种模糊类型,例如高斯模糊和运动模糊,特别适用于低质量图像中模糊的消除;
5)测试过程中仅需要模糊图像作为输入,简化了测试流程。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于无监督解耦表征的人脸图像去模糊方法,其特征在于,包括:
获取由清晰图像及模糊图像构成的训练集;其中,所述图像为人脸图像;
构建基于生成对抗网络的去模糊生成网络,确定其总的目标函数;其中,通过所述去模糊生成网络解耦语义内容信息和域内特性,所述去模糊生成网络包括:内容域编码器、特征域编码器、特征域生成器、特征域鉴别器;
利用得到的训练集和总的目标函数,训练所述去模糊生成网络;
将待处理的模糊图像作为输入,利用训练好的所述去模糊生成网络生成清晰的人脸图像。
3.根据权利要求1所述的基于无监督解耦表征的人脸图像去模糊方法,其特征在于,所述构建基于生成对抗网络的去模糊生成网络包括:
构建Half-IN残差卷积模块和IN残差卷积模块;
7.根据权利要求6所述的基于无监督解耦表征的人脸图像去模糊方法,其特征在于,所
述在解耦阶段,对于输入的非成对人脸图像,使用内容域编码器、特征域
编码器和特征域生成器,输出人脸结构一致,但更加真实的清晰图像和模糊图像包括:
8.根据权利要求7所述的基于无监督解耦表征的人脸图像去模糊方法,其特征在于,所
述在重建阶段,对于解耦阶段输出的人脸图像,使用内容域编码器、
特征域编码器和特征域生成器,输出与输入图像相同的重建
图像包括:
其中,表示清晰特征生成对抗函数,表示模糊特征生成对抗函数;
表示清晰特征鉴别器判定输入为真实清晰图像的概率,表示清晰鉴别器特征判
定输入为真实清晰图像的概率,表示模糊特征鉴别器判定输入为真实模糊图
像的概率,表示模糊特征鉴别器判定输入为真实模糊图像的概率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714947.3A CN114820389B (zh) | 2022-06-23 | 2022-06-23 | 一种基于无监督解耦表征的人脸图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714947.3A CN114820389B (zh) | 2022-06-23 | 2022-06-23 | 一种基于无监督解耦表征的人脸图像去模糊方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820389A true CN114820389A (zh) | 2022-07-29 |
CN114820389B CN114820389B (zh) | 2022-09-23 |
Family
ID=82520500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714947.3A Active CN114820389B (zh) | 2022-06-23 | 2022-06-23 | 一种基于无监督解耦表征的人脸图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820389B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645287A (zh) * | 2023-05-22 | 2023-08-25 | 北京科技大学 | 一种基于扩散模型的图像去模糊方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019214381A1 (zh) * | 2018-05-09 | 2019-11-14 | 腾讯科技(深圳)有限公司 | 一种视频去模糊方法、装置、存储介质和电子装置 |
CN112446436A (zh) * | 2020-12-11 | 2021-03-05 | 浙江大学 | 基于生成对抗网络的抗模糊无人驾驶车辆多目标跟踪方法 |
CN112508817A (zh) * | 2020-12-16 | 2021-03-16 | 西北工业大学 | 一种基于循环生成对抗网络的图像运动盲去模糊方法 |
CN112634163A (zh) * | 2020-12-29 | 2021-04-09 | 南京大学 | 基于改进型循环生成对抗网络去图像运动模糊方法 |
CN112669240A (zh) * | 2021-01-22 | 2021-04-16 | 深圳市格灵人工智能与机器人研究院有限公司 | 高清图像修复方法、装置、电子设备和存储介质 |
-
2022
- 2022-06-23 CN CN202210714947.3A patent/CN114820389B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019214381A1 (zh) * | 2018-05-09 | 2019-11-14 | 腾讯科技(深圳)有限公司 | 一种视频去模糊方法、装置、存储介质和电子装置 |
CN112446436A (zh) * | 2020-12-11 | 2021-03-05 | 浙江大学 | 基于生成对抗网络的抗模糊无人驾驶车辆多目标跟踪方法 |
CN112508817A (zh) * | 2020-12-16 | 2021-03-16 | 西北工业大学 | 一种基于循环生成对抗网络的图像运动盲去模糊方法 |
CN112634163A (zh) * | 2020-12-29 | 2021-04-09 | 南京大学 | 基于改进型循环生成对抗网络去图像运动模糊方法 |
CN112669240A (zh) * | 2021-01-22 | 2021-04-16 | 深圳市格灵人工智能与机器人研究院有限公司 | 高清图像修复方法、装置、电子设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
BOYU LU ETC.: "Unsupervised Domain-Specific Deblurring via Disentangled Representations", 《CVPR2019》 * |
JUNG UN YUN ETC.: "Joint Face Super-Resolution and Deblurring Using Generative Adversarial Network", 《IEEE》 * |
李烨等: "面向图像复原的残差密集生成对抗网络新方法", 《小型微型计算机***》 * |
缪弘等: "基于深度卷积神经网络的视觉SLAM去模糊***", 《中兴通讯技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645287A (zh) * | 2023-05-22 | 2023-08-25 | 北京科技大学 | 一种基于扩散模型的图像去模糊方法 |
CN116645287B (zh) * | 2023-05-22 | 2024-03-29 | 北京科技大学 | 一种基于扩散模型的图像去模糊方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114820389B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及*** | |
Sun et al. | Lightweight image super-resolution via weighted multi-scale residual network | |
CN111242846B (zh) | 基于非局部增强网络的细粒度尺度图像超分辨率方法 | |
CN112884671B (zh) | 一种基于无监督生成对抗网络的模糊图像复原方法 | |
CN112541877B (zh) | 基于条件生成对抗网络的去模糊方法、***、设备及介质 | |
CN110782399A (zh) | 一种基于多任务cnn的图像去模糊方法 | |
CN112541864A (zh) | 一种基于多尺度生成式对抗网络模型的图像修复方法 | |
CN112288632B (zh) | 基于精简esrgan的单图像超分辨率方法及*** | |
CN109949222B (zh) | 基于语义图的图像超分辨率重建方法 | |
CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
CN116681584A (zh) | 一种多级扩散图像超分辨算法 | |
CN113066034A (zh) | 人脸图像的修复方法与装置、修复模型、介质和设备 | |
Huang et al. | A customized convolutional neural network with low model complexity for JPEG steganalysis | |
Tomosada et al. | GAN-based image deblurring using DCT loss with customized datasets | |
CN114820389B (zh) | 一种基于无监督解耦表征的人脸图像去模糊方法 | |
Esmaeilzehi et al. | UPDResNN: A deep light-weight image upsampling and deblurring residual neural network | |
Lim et al. | Deep spectral-spatial network for single image deblurring | |
CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
CN113902647B (zh) | 一种基于双闭环网络的图像去模糊方法 | |
Xiao et al. | A dive into sam prior in image restoration | |
CN117893409A (zh) | 基于光照条件约束扩散模型的人脸超分辨率重建方法及*** | |
CN116862795A (zh) | 一种基于逐像素退化预测网络的多级去运动模糊方法 | |
CN117011130A (zh) | 图像超分辨率的方法、装置、设备、介质及程序产品 |
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 |