-
公开(公告)号：CN116071265A
公开(公告)日：2023-05-05
申请号：CN202310144160.2
申请日：2023-02-21
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T7/00 , G06V10/22 , G06V10/80 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 基于空间自适应自监督学习的图像去噪方法，属于图像复原技术领域。解决了现有自监督图像去噪方法存在对空间相关噪声去噪效果差的问题。本发明包括：步骤一、对噪声图像y进行区域特征提取，获得平坦区域监督图像和纹理区域监督图像步骤二、利用区域判别模块对平坦区域监督图像中每个像素点所在空间位置坐标(,j)处的平坦度自适应系数α(i,j)进行识别，从而确定的平坦度自适应系数矩阵α；步骤三、利用y、以及α对去噪模块进行训练，进行模型参数迭代更新，获得训练后的去噪模块；步骤四、利用训练后的去噪模块对待去噪图像进行去噪。本发明主要用于对相机采集的真实图像进行去噪。
-
公开(公告)号：CN111640061A
公开(公告)日：2020-09-08
申请号：CN202010398858.3
申请日：2020-05-12
Applicant: 哈尔滨工业大学
Abstract: 一种自适应图像超分辨率系统，属于图像复原领域。本发明为解决现有图像超分辨率系统无法根据应用场景和需要进行自适应调整的问题。本发明包括网络深度预测模块、特征提取模块、处理模块、加法器、上采样模块和图像复原模块；通过特征提取模块，用于对原始低分辨率图像进行特征提取获得特征提取图；网络深度预测模块，根据预设的网络深度期望值d*对特征提取图中的所有特征点进行自适应卷积操作，预测出网络深度图；处理模块，用于根据接收的网络深度图对特征提取图进行处理，获得特征提取图中所有特征点的残差特征；加法器，用于将所有特征点的残差特征叠加在特征提取图中的相应特征点上，从而对特征提取图进行调整，获得调整后的特征提取图，通过上采样模块对特征提取图进行放大，再通过图像复原模块进行修复，完成图像的修复。本发明主要用于对低分辨率图像进行复原。
-
公开(公告)号：CN119741223A
公开(公告)日：2025-04-01
申请号：CN202411940160.4
申请日：2024-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于粒度感知图像退化估计的多复原任务统一方法，属于底层视觉图像复原领域，本发明为解决现有多任务方法中使用的基于退化估计的条件引导模块出现不准确的问题。本发明包括方法包括：S1、构建细粒度仿真退化数据集；S2、训练细粒度退化特征提取器；S3、构建多粒度层次化退化空间；S4、构建多粒度混合专家复原模型；S5、基于训练好的退化特征提取器和多粒度混合专家复原模型，训练基于退化估计和粒度估计的混合专家路由网络；S6、训练完毕，输入任意低质图，网络为当前低质图分配最优专家网络进行处理，最终获得当前低质图对应的清晰图。
-
公开(公告)号：CN117788311B
公开(公告)日：2024-08-20
申请号：CN202311823155.0
申请日：2023-12-27
Applicant: 哈尔滨工业大学
IPC: G06T5/50 , G06T5/90 , G06T5/77 , G06N3/0895 , G06T5/60
Abstract: 一种基于包围摄影的自监督自适应的图像复原和增强方法，属于底层视觉重建技术领域。本发明针对现有图像重建模型只能完成单一重建任务并对真实数据重建能力差的问题。包括获取仿真数据集和真实数据集；构建由编码器、光流对齐模块、融合模块和重建模块构成的时间调制循环网络，对时间调制循环网络在仿真数据集上进行预训练，在真实数据集上进行微调训练；T帧多曝光RAW图像进行归一化和伽马变换得到变换图像，再经编码器进行特征提取得到编码特征，再利用光流对齐模块进行对齐得到对齐后特征；再经融合模块和重建模块重建得到重建生成图像；计算时域自监督损失、时域负损失和指数移动平均正则化损失，更新网络参数。本发明用于图像复原和增强。
-
Patent Agency Ranking
公开(公告)号：CN117391969B
公开(公告)日：2024-07-30
申请号：CN202311358237.2
申请日：2023-10-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82
Abstract: 一种基于非理想监督的恶劣天气图像复原系统，属于图像复原领域。本发明针对现有恶劣天气下图像的复原网络利用合成数据集以有监督方式训练或者仅利用真实的退化图像进行无监督的训练，对图像的重建质量差的问题。包括采用一致性标签构造器对同场景下同时段采集的主退化图像和辅助退化图像进行特征提取，获得主退化图像的伪标签；图像复原网络，用于对主退化图像进行重建，得到去退化的初级重建图像；信息分配模块，用于基于伪标签优化项和原始非理想标签优化项对初级重建图像进行约束，得到高质量重建图像；基于伪标签优化项和原始非理想标签优化项更新图像复原网络的网络参数，获得最终图像复原网络。本发明用于恶劣天气图像复原。
-
公开(公告)号：CN115564671B
公开(公告)日：2024-05-03
申请号：CN202211165701.1
申请日：2022-09-23
Applicant: 哈尔滨工业大学
IPC: G06T5/90 , G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/0895 , G06N3/0455
Abstract: 基于长短曝光图像对的自监督图像复原系统，属于图像复原领域。解决了现有利用长短曝光的互补性进行图像复原方法，在模型训练阶段图像复原模型的损失函数的确定依赖于目标图像，存在目标图像获取困难的问题。本发明通过利用短曝光和长曝光图像的互补性进行图像复原，即联合长短曝光图像作为图像复原模型D输入以复原出更好效果的图像。本发明在图像复原模型D训练阶段采用自监督的方式进行参数学习。且自监督的方式进行参数学习的过程中，确定图像复原模型D的损失函数#imgabs0#，并利用损失函数#imgabs1#对图像复原模型D的卷积参数进行更新，实现对图像复原模型D以自监督的方式进行卷积参数学习。本发明主要用于图像复原。
-
公开(公告)号：CN117876262A
公开(公告)日：2024-04-12
申请号：CN202410169725.7
申请日：2024-02-06
Applicant: 哈尔滨工业大学 , 南方医科大学南方医院
IPC: G06T5/73 , G06T5/50 , G06T7/00 , G06T7/33 , G06T9/00 , G06N3/0464 , G06N3/0895
Abstract: 一种手术视频的自监督烟雾去除方法，属于图像复原技术领域。本发明针对腹腔镜手术过程中产生的手术烟雾干扰医生视野的问题。由雾帧编码器、参考帧编码器、对齐模块、融合模块和重建模块搭建视频烟雾去除模型，将高能器械开始工作前的一帧，即烟前帧视作不对齐监督信号，采用包含N帧烟雾帧的烟雾视频序列#imgabs0#和烟前帧Sref对视频烟雾去除模型进行训练，得到训练后视频烟雾去除模型；在实际应用中，训练后视频烟雾去除模型基于真实烟前帧和真实烟雾视频序列得到烟雾去除后视频序列。本发明方法用于烟雾视频中烟雾的去除。
-
公开(公告)号：CN115564671A
公开(公告)日：2023-01-03
申请号：CN202211165701.1
申请日：2022-09-23
Applicant: 哈尔滨工业大学
Abstract: 基于长短曝光图像对的自监督图像复原系统，属于图像复原领域。解决了现有利用长短曝光的互补性进行图像复原方法，在模型训练阶段图像复原模型的损失函数的确定依赖于目标图像，存在目标图像获取困难的问题。本发明通过利用短曝光和长曝光图像的互补性进行图像复原，即联合长短曝光图像作为图像复原模型D输入以复原出更好效果的图像。本发明在图像复原模型D训练阶段采用自监督的方式进行参数学习。且自监督的方式进行参数学习的过程中，确定图像复原模型D的损失函数，并利用损失函数对图像复原模型D的卷积参数进行更新，实现对图像复原模型D以自监督的方式进行卷积参数学习。本发明主要用于图像复原。
-
公开(公告)号：CN114283064A
公开(公告)日：2022-04-05
申请号：CN202111602313.0
申请日：2021-12-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于真实世界双焦距图像的超分辨率自监督学习系统，属于图像复原技术领域。本发明针对使用仿真数据训练的基于参考的图像超分辨率方法在真实场景中不适用的问题。包括：图像退化模块，用于根据低分辨率图像对高分辨率目标图像进行退化处理，获得伪低分辨率图像；低分辨率图像对齐模块，通过偏移估计器估计低分辨率图像与伪低分辨率图像之间的偏移量；根据所述偏移量获得变形后低分辨率图像；参考图像对齐模块，计算参考图像与伪低分辨率图像之间的相似度对参考图像进行变形，获得变形后参考图像；复原模块，用于根据参考图像对变形后低分辨率图像和变形后参考图像进行处理，获得最终的超分辨率图像。本发明用于低分辨率图像的超分辨率。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.03 seconds)
