-
公开(公告)号：CN113658130B
公开(公告)日：2023-07-28
申请号：CN202110935267.X
申请日：2021-08-16
Applicant: 福州大学
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于双重孪生网络的无参考屏幕内容图像质量评估方法。包括：对失真屏幕内容图像数据集中的数据进行预处理，在每幅失真图像的灰度图上提取对应的结构特征图，生成对应结构特征图数据集，并将两个数据集划分为训练集与测试集；设计多头自注意力模块，学习失真图像特征与其对应结构特征之间的特征关联信息；设计支持双源输入的孪生网络，使用所设计的网络学习失真图像的多类失真信息；设计双重孪生的图像质量评估网络，训练所设计的网络得到无参考屏幕内容图像质量评估模型；将测试集中的失真屏幕内容图像和对应的结构特征图输入到训练好的基于双重孪生网络的无参考屏幕内容图像质量评估网络模型中，计算失真图像的质量评估分数。
-
公开(公告)号：CN116402720A
公开(公告)日：2023-07-07
申请号：CN202310396874.2
申请日：2023-04-14
Applicant: 福州大学
IPC: G06T5/00 , G06V10/774 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于反向去雨过程引导的图像雨滴去除方法。包括以下步骤：步骤S1、进行数据预处理，包括数据配对、数据随机裁切、数据增强处理，得到训练数据集；步骤S2、设计多重注意力模块，采用像素注意力、通道注意力和空间注意力提取图像特征；步骤S3、设计基于多重注意力模块的U形编码器解码器网络，用于提取图像不同尺度下的特征；步骤S4、设计图像特征融合模块，该模块融合图像特征和原始图像，得到融合后的恢复图像；步骤S5、设计正向雨滴去除网络和反向雨滴去除网络，利用反向雨滴去除网络引导训练正向雨滴去除网络；步骤S6、将附着雨滴图像输入训练好的正向雨滴去除网络，输出去除雨滴的干净图像。
-
公开(公告)号：CN116310693A
公开(公告)日：2023-06-23
申请号：CN202310356445.2
申请日：2023-04-06
Applicant: 福州大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于边缘特征融合和高阶空间交互的伪装目标检测方法。包括：进行数据预处理，包括数据配对、数据增强处理，得到训练数据集；设计基于边缘特征融合和高阶空间交互的伪装目标检测网络，该网络由边缘感知模块、边缘增强模块、边缘特征融合模块、高阶空间交互模块、上下文聚合模块组成；设计损失函数，指导步骤B所设计网络的参数优化；使用步骤A得到的训练数据集训练步骤B中的基于边缘特征融合和高阶空间交互的伪装目标检测网络，收敛到纳什平衡，得到训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型；将待测图像输入训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型，输出伪装目标的掩码图像。
-
公开(公告)号：CN115908979A
公开(公告)日：2023-04-04
申请号：CN202211503996.9
申请日：2022-11-28
Applicant: 福州大学
IPC: G06V10/774 , G06V10/80 , G06F18/214 , G06F18/25
Abstract: 本发明提出一种融合场景特征和多模态注意力机制的图像美学质量评价方法及系统，包括以下步骤：步骤S1：将美学图像数据集中的数据进行数据预处理，提取得到美学图像所对应评论的文本特征；步骤S2：训练融合场景特征和多模态注意力机制的图像美学评分分布预测模型；所述图像美学评分分布预测模型由融合场景特征和多模态注意力机制的图像美学质量评价网络训练获得，包括层次图像特征融合模块、融合文本特征和图像特征的多模态注意力机制模块；步骤S3：将图像输入到训练好的融合场景特征和多模态注意力机制的图像美学质量评分分布预测模型中，输出对应的图像美学评分分布，最后计算美学评分分布的平均值作为图像美学质量分数。
-
公开(公告)号：CN115731199A
公开(公告)日：2023-03-03
申请号：CN202211486776.X
申请日：2022-11-24
Applicant: 福州大学
IPC: G06T7/00 , G06T5/00 , G06T5/50 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于小波变换的非成对水下图像增强方法。包括：将待训练的非成对的数据进行预处理；设计基于小波变换的水下图像增强网络，对输入图像的低频和高频部分进行分别处理，再对高频部分和低频部分进行结合；搭建循环生成对抗网络框架，与基于小波变换的水下图像质量增强网络结合得到基于小波变换的非成对水下图像增强网络；设计用于训练非成对水下图像增强网络的目标损失函数；使用非成对的图像训练基于小波变换的非成对水下图像增强网络收敛到纳什平衡；将待增强水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像。本发明能对水下图像进行增强，运用非成对水下图像进行模型训练，解决水下图像失真问题。
-
Patent Agency Ranking
公开(公告)号：CN111127435B
公开(公告)日：2022-11-15
申请号：CN201911352653.5
申请日：2019-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于双流卷积神经网络的无参考图像质量评估方法，包括以下步骤：步骤S1：将失真图像数据进行数据预处理，得到待训练的图像对,作为训练数据；步骤S2:构建双流卷积神经网络模型，并根据得到训练数据训练模型，得到训练好的图像质量评估模型；步骤S3:将待测图像进行预处理，并生成待测图像的图像对,并利用训练好的图像质量评估模型预测待测图像的图像对的质量，根据待测图像的图像对的分数计算待测图像的分数。本发明能显著提高无参照图像质量评估的性能。
-
公开(公告)号：CN115205148A
公开(公告)日：2022-10-18
申请号：CN202210831760.1
申请日：2022-07-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于双路径残差网络的图像去模糊方法，包括以下步骤：步骤A、获取模糊图像和干净图像并预处理，得到模糊图像块和对应干净图像块组成的训练图像块数据集；步骤B、基于双路径残差网络构建去模糊网络模型；步骤C、基于训练图像块数据集，根据预设目标损失函数loss，利用反向传播方法计算去模糊网络模型中各参数的梯度，并利用随机梯度下降方法更新参数，最终学习到图像去模糊网络的最优参数，得到最终的去模糊网络模型；步骤D、将待测图像输入到最终的去模糊网络模型中，预测生成去除模糊之后的干净图像。本发明实现去除图像模糊的同时保留更多的图像高频细节，重建出高质量的清晰图像。
-
公开(公告)号：CN114881888A
公开(公告)日：2022-08-09
申请号：CN202210649880.X
申请日：2022-06-10
Applicant: 福州大学
Abstract: 本发明提出一种基于线性稀疏注意力Transformer的视频去摩尔纹方法，训练基于线性稀疏注意力Transformer的视频去摩尔纹网络，以实现在训练完成后对输入的视频去除摩尔纹；所述基于线性稀疏注意力Transformer的视频去摩尔纹网络包括：特征提取模块，用于对视频帧进行特征提取；空间Transformer模块，以使用空间Transformer的空间注意力捕捉单帧图像中存在摩尔纹的位置并进行重点去除；时间Transformer模块，以使用时间Transformer的时间注意力捕捉多帧图像间存在的互补信息，并利用相邻帧的互补信息进行图像恢复；以及，图像重建模块，用于将经过空间Transformer模块和时间Transformer模块的视频帧特征进行解码，恢复成与输入视频尺度相同的去摩尔纹视频帧。
-
公开(公告)号：CN114723630A
公开(公告)日：2022-07-08
申请号：CN202210335774.4
申请日：2022-03-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于空洞双残差多尺度深度网络的图像去模糊方法及系统，该方法包括以下步骤：对原始模糊退化图像和干净图像的训练图像对进行预处理，并组成图像块数据集；构建空洞双残差多尺度深度网络，其采用多尺度编码解码器结构，包括多个空洞双残差模块以及小波重建模块；以图像块数据集为训练数据，根据目标损失函数，利用反向传播方法计算多尺度深度网络中各参数的梯度，并利用随机梯度下降方法更新参数，学习多尺度深度网络的最优参数；将待测图像输入到训练好的空洞双残差多尺度深度网络中，预测生成去除模糊之后的干净图像。该方法及系统有利于提高图像去模糊的性能，去除图像模糊的同时保留更多的图像纹理细节，重建出高质量的清晰图像。
-
公开(公告)号：CN111353964B
公开(公告)日：2022-07-08
申请号：CN202010120862.3
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的结构一致立体图像风格迁移方法，包括以下步骤：S1、对输入的参考图像和立体图像的左、右视图分别进行语义分割，并提取卷积层特征；S2、分别计算参考图像和左、右视图的特征损失函数；S3、在特征损失函数中添加正则化损失函数，引入拉普拉斯惩罚项，防止图像结构失真，生成风格化后的左、右视图；S4、利用两种质量评估算法分别评估风格化后的左、右视图与输入图像的相似度，对比两个相似性度量值，用相似性度量值较高的图像来校正相似度较低的图像，获得最终的结果图像。该方法有利于在对立体图像进行风格迁移的同时保持立体结构一致性，获得风格化后结构一致的立体图像。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.023 seconds)
