-
公开(公告)号：CN111640067B
公开(公告)日：2022-08-09
申请号：CN202010523197.2
申请日：2020-06-10
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/04 , G06V10/774 , G06V10/82
Abstract: 本发明提供了图像处理领域的一种基于三通道卷积神经网络的单幅图像超分辨率重建方法，包括如下步骤：步骤S10、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像以及高分辨率图像所对应的低分辨率图像；步骤S20、创建三通道卷积神经网络模型，并利用所述三通道卷积神经网络模型对各高分辨率图像和低分辨率图像进行训练，并生成低分辨率图像与高分辨率图像的映射关系；步骤S30、利用均方误差损失函数对所述映射关系进行优化；步骤S40、基于优化后的所述映射关系，将待重建的低分辨率图像输入所述三通道卷积神经网络模型，输出重建后的高分辨率图像。本发明的优点在于：实现不增加网络深度和模型参数的前提下，极大的提升了重建图像的质量。
-
公开(公告)号：CN114066727A
公开(公告)日：2022-02-18
申请号：CN202110858949.5
申请日：2021-07-28
Applicant: 华侨大学
Abstract: 本发明公开了一种多阶段渐进式图像超分辨率方法，包括：使用多尺度特征提取模块提取待重建的图像特征，并引入通道注意力模块，对不同通道特征赋予权重，从而增强重要通道特征的表现能力；采用残差特征融合机制，充分利用图像上下文特征的关联性，得到第一阶段中的重建图像；使用精细化模块，对第一阶段中得到的重建图像进行优化，从而得到更为精细的重建图像；采用损失函数进行训练，进一步提升模型的超分辨率效果。本发明方法有效提高了图像超分辨率重建的效果，在主观视觉和客观评价指标方面都获得了更好的效果。
-
公开(公告)号：CN104993219A
公开(公告)日：2015-10-21
申请号：CN201510290388.8
申请日：2015-06-01
Applicant: 华侨大学
Abstract: 本发明公开一种增益的4G室内吸顶天线，其结构包括天线罩与底盘，该天线罩与底盘围合形成的空间内安装双锥天线和微带圆盘天线，所述双锥天线是由上锥体、下锥体组成，该上锥体和下锥体之间通过连接螺母、塑料套帽相连，形成垂直化波的辐射；该微带圆盘天线包括采用F4B材料成的2层板型PCB基板，PCB基板由多条支撑棒支承于上锥体和下锥体之间，于该PCB板的正面具有多个勾状连接形成闭合区域的覆铜部分，背面具有多个T字形连接形成闭合区域的覆铜部分，形成水平极化波的辐射，藉由此种设计能有效降低天线驻波比，有效提升天线性能，降低方向图不圆度。
-
公开(公告)号：CN119648117A
公开(公告)日：2025-03-18
申请号：CN202510169101.X
申请日：2025-02-17
Applicant: 华侨大学
IPC: G06Q10/0875 , G06K17/00 , G06K7/10 , G06N3/0464 , G06T7/00 , G06T7/90
Abstract: 本发明公开了一种基于机器视觉的石材版面智能仓储管理方法及系统，涉及图像处理技术领域，方法包括：通过机器视觉检测石材版面的瑕疵并计算异常得分，进行异常排序与评级，获得每个石材版面的瑕疵评级；将RGB图像归一化为正则RGB，并进行伽玛矫正线性化转换至CIELAB颜色空间，计算石材版面的均色LAB；基于瑕疵评级和均色LAB信息录入RFID标签，并据此分类入库；接收用户对石材版面数量、瑕疵评级和均色的要求，筛选出最相似的石材版面反馈给用户；用户可选择接受或拒绝，若拒绝则重新筛选。本申请通过机器视觉检测石材版面的瑕疵和色差，结合RFID标签实现自动化入库、分类管理和精准出库，提高了仓储效率和管理精度。
-
公开(公告)号：CN119444804A
公开(公告)日：2025-02-14
申请号：CN202510037837.1
申请日：2025-01-10
Applicant: 华侨大学
Abstract: 本发明涉及图像处理技术领域，提出了一种基于动态自适应和强化特征的多目标跟踪分割方法及系统，方法包括前处理步骤、外观代价计算步骤、预匹配步骤、运动代价计算步骤、正式匹配步骤、后处理步骤、重复步骤和可视化步骤。该方法通过具有动态自适应的数据关联对目标特征进行细化整合，以及利用基于掩码的注意力机制和基于四三角形变的掩码预测分别强化目标外观特征和运动信息，以能够在保持高跟踪精度的同时，实现快速运算和低成本运行，适用于更广泛的应用场景。
-
Patent Agency Ranking
公开(公告)号：CN119006292A
公开(公告)日：2024-11-22
申请号：CN202411484614.1
申请日：2024-10-23
Applicant: 华侨大学
IPC: G06T3/4076 , G06N3/0455 , G06N3/0464 , G06T3/4046 , G06T5/60 , G06T5/77
Abstract: 本发明公开了一种基于稳定扩散模型的快速人脸图像超分辨率方法及系统，涉及图像超分辨技术领域，方法包括以下步骤：构建基于稳定扩散模型的人脸图像超分辨率模型，包括稳定扩散模型、引导提取模块和引导注入模块，引导提取模块根据输入的人脸低分辨率图像生成视觉引导和文本引导，引导注入模块将视觉引导和文本引导注入到稳定扩散模型，稳定扩散模型基于视觉引导和文本引导生成复原图像作为人脸高分辨率图像；对人脸图像超分辨率模型进行训练；利用训练好的人脸图像超分辨率模型实现快速人脸图像超分辨率。本发明结合视觉引导和文本引导来微调稳定扩散模型，不仅可以大幅提升人脸图像的真实性并保持相当的一致性，并且加快了复原速度。
-
公开(公告)号：CN118314027A
公开(公告)日：2024-07-09
申请号：CN202410426734.X
申请日：2024-04-10
Applicant: 华侨大学
IPC: G06T5/00 , G06T5/70 , G06V10/774
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于扩散后验采样的图像复原方法，包括制作数据集以及确定退化算子；构建基于VIT的扩散模型，采用影响因子机制改良扩散模型中的跳跃连接方式，采用数据集进行训练和测试得到噪声预测模型；利用训练好的噪声预测模型对图像进行预测输出扩散模型反向过程中所需的高斯噪声图；采用基于确定的退化算子并采用近似对数似然的后验采样机制在反向过程对的高斯噪声图进行不断的迭代去噪实现图像复原。本发明能够更好的注重图像的纹理细节，从而保证复原后图像的真实性与一致性，通过采用PSM和引入影响因子机制，DVIT网络能够保持高度真实性的条件下，以保证一致性，并且可以有效的加速采样速度。
-
公开(公告)号：CN118279178A
公开(公告)日：2024-07-02
申请号：CN202410675877.4
申请日：2024-05-29
Applicant: 华侨大学
Abstract: 本发明公开了一种基于扩散生成模型的快速人脸图像复原方法及系统，涉及图像复原领域，方法包括以下步骤：制作数据集与选择预训练模型，以获得预训练扩散生成模型；基于预训练扩散生成模型获得快速人脸图像复原模型；利用快速人脸图像复原模型实现对于失真人脸图像的快速复原；所述基于预训练扩散生成模型获得快速人脸图像复原模型，包括：在预训练扩散生成模型的前向加噪模块中添加普罗米修斯随机微分方程，以及在预训练扩散生成模型的反向去噪模块中添加条件引导投影。本发明不仅可以实现复原图像真实性与一致性的保障，而且能大幅度缩短图像复原所需要的时间。
-
公开(公告)号：CN118229532A
公开(公告)日：2024-06-21
申请号：CN202410626959.X
申请日：2024-05-21
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06T5/60
Abstract: 本发明公开了一种基于复合Transformer的图像超分辨率方法及系统，涉及图像超分辨率领域，方法包括以下步骤：构建基于复合Transformer的图像超分辨率网络；利用基于复合Transformer的图像超分辨率网络实现对于低分辨率图像的超分辨率重建，输出对应的高分辨率图像；所述基于复合Transformer的图像超分辨率网络包括依次连接的浅层特征提取模块、深层特征提取模块和图像重建模块，其中，深层特征提取模块包括若干依次连接的残差组，每个残差组包括残差复合Transformer和整合Transformer，残差复合Transformer包括空间多头注意力和通道组注意力层，整合Transformer包括整合自注意力和卷积前馈网络。本发明通过残差复合Transformer在空间和通道维度上聚合特征；通过整合Transformer减少通道数量而不会丢失空间信息，重建高质量的高分辨率图像。
-
公开(公告)号：CN117218005B
公开(公告)日：2024-03-01
申请号：CN202311476526.2
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T5/73 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 本发明涉及图像超分辨率的技术领域，公开了一种基于全距离特征聚合的单帧图像超分辨率方法及系统，包括以下步骤：利用通道上采样卷积层，将输入的低分辨率图像转换为通道数为C的浅层特征图；对浅层特征图进行短距离、中距离和长距离的特征提取，并聚合成为全距离特征图；利用基于亚像素卷积的通道下采样卷积层，将全距离特征图的通道数由C下采样至输入的低分辨率图像的通道数。本发明提供的超分辨率方法克服了原有经典超分辨率模型提取的特征信息尺度单一的问题，充分利用多尺度特征信息以
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.045 seconds)
