公开(公告)号：CN119580333A

公开(公告)日：2025-03-07

申请号：CN202510127478.9

申请日：2025-01-27

Applicant: 中国科学院自动化研究所

Inventor： 王博 ,  赵鹏鹏 ,  王有文 ,  张欣怡 ,  罗冠 ,  胡卫明

IPC: G06V40/16 ,  G06V10/10 ,  G06V10/80 ,  G06V10/54

Abstract: 本公开关于人脸图像鉴伪模型的训练方法、人脸图像鉴伪方法和装置，包括：提取训练样本图像中多个类型的指定特征；将多个类型的指定特征进行拼接；将指定拼接特征分别输入多个特征提取模块；利用每个特征提取模块输出的模型提取特征进行融合；将融合特征输入全连接层以预测训练样本图像的真伪；基于真实类别标签、预测结果和融合特征，计算损失；通过根据损失调整每个特征提取模块的参数。这样，通过预先从不同角度设计有针对性的指定特征，可以实现提高特征提取的全面性和丰富性。另外，还可以通过综合不同特征提取模块的优势来提高特征表示的鲁棒性和多样性，从而可以更好地应对复杂和多变的鉴伪场景。

公开(公告)号：CN119722460A

公开(公告)日：2025-03-28

申请号：CN202510183438.6

申请日：2025-02-19

Applicant: 中国科学院自动化研究所

Inventor： 王博 ,  袁江 ,  张欣怡 ,  赵鹏鹏 ,  王有文 ,  胡卫明

IPC: G06T3/4053 ,  G06T3/4046 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/096

Abstract: 本公开提供了一种盲图像超分辨率模型的训练方法、盲图像超分辨率方法、电子设备、存储介质和程序产品，盲图像超分辨率模型包括用于确定盲图像的退化特征的退化特征估计器、用于根据退化特征修正盲图像的图像特征的图像特征修正模块、用于基于修正后的图像特征重建高清图像的图像重建模块，训练方法包括：采用基于退化先验约束的对比学习方法，对待训练的退化特征估计器进行第一阶段训练，得到第一退化特征估计器；对包含第一退化特征估计器的盲图像超分辨率模型进行第二阶段训练，得到教师模型；将教师模型作为学习对象，采用蒸馏学习方法进行第三阶段训练，得到最终的盲图像超分辨率模型。该方法可以得到一个低复杂度模型，适用于低算力设备。

公开(公告)号：CN118780985B

公开(公告)日：2024-12-13

申请号：CN202411259633.4

申请日：2024-09-10

Applicant: 中国科学院自动化研究所

Inventor： 王博 ,  罗冠 ,  王有文 ,  赵鹏鹏 ,  李兵 ,  胡卫明

IPC: G06T3/4053 ,  G06T3/4046 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种图像重建方法、模型训练方法、装置、设备、介质及产品，可以应用于图像超分辨率重建领域。图像重建方法包括：对存在质量损失的退化图像进行特征提取，得到表征图像底层细节的底层图像特征和表征图像退化信息的隐式退化特征；利用隐式退化特征调节器分别对隐式退化特征进行通道级和空间级的扩展；将扩展后的隐式退化特征融入到底层图像特征中，分别得到融合了图像退化信息的通道图像特征和空间图像特征；将通道图像特征和空间图像特征进行特征融合并引入底层图像特征，以对退化图像的高频细节进行恢复；将进行细节恢复后得到的图像特征输入图像超分辨率模块中，输出重建的目标图像，其中，目标图像的分辨率高于退化图像。

公开(公告)号：CN119580333B

公开(公告)日：2025-05-02

申请号：CN202510127478.9

申请日：2025-01-27

Applicant: 中国科学院自动化研究所

Inventor： 王博 ,  赵鹏鹏 ,  王有文 ,  张欣怡 ,  罗冠 ,  胡卫明

IPC: G06V40/16 ,  G06V10/10 ,  G06V10/80 ,  G06V10/54

Abstract: 本公开关于人脸图像鉴伪模型的训练方法、人脸图像鉴伪方法和装置，包括：提取训练样本图像中多个类型的指定特征；将多个类型的指定特征进行拼接；将指定拼接特征分别输入多个特征提取模块；利用每个特征提取模块输出的模型提取特征进行融合；将融合特征输入全连接层以预测训练样本图像的真伪；基于真实类别标签、预测结果和融合特征，计算损失；通过根据损失调整每个特征提取模块的参数。这样，通过预先从不同角度设计有针对性的指定特征，可以实现提高特征提取的全面性和丰富性。另外，还可以通过综合不同特征提取模块的优势来提高特征表示的鲁棒性和多样性，从而可以更好地应对复杂和多变的鉴伪场景。

公开(公告)号：CN118780985A

公开(公告)日：2024-10-15

申请号：CN202411259633.4

申请日：2024-09-10

Applicant: 中国科学院自动化研究所

Inventor： 王博 ,  罗冠 ,  王有文 ,  赵鹏鹏 ,  李兵 ,  胡卫明

IPC: G06T3/4053 ,  G06T3/4046 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种图像重建方法、模型训练方法、装置、设备、介质及产品，可以应用于图像超分辨率重建领域。图像重建方法包括：对存在质量损失的退化图像进行特征提取，得到表征图像底层细节的底层图像特征和表征图像退化信息的隐式退化特征；利用隐式退化特征调节器分别对隐式退化特征进行通道级和空间级的扩展；将扩展后的隐式退化特征融入到底层图像特征中，分别得到融合了图像退化信息的通道图像特征和空间图像特征；将通道图像特征和空间图像特征进行特征融合并引入底层图像特征，以对退化图像的高频细节进行恢复；将进行细节恢复后得到的图像特征输入图像超分辨率模块中，输出重建的目标图像，其中，目标图像的分辨率高于退化图像。