-
公开(公告)号：CN118710559B
公开(公告)日：2024-11-29
申请号：CN202411204107.8
申请日：2024-08-30
Abstract: 本申请提供一种高质量的人脸修复方法、装置、设备、存储介质，该方法，包括：获取待修复素材；其中，待修复素材为低质量的待修复图像，或者，待修复素材为低质量的待修复图像和高质量的参考图像，且待修复图像和参考图像对应相同的身份信息；通过预先训练的修复模型，对待修复素材进行修复，得到修复后图像；其中，若待修复素材为低质量的待修复图像，则修复模型基于真实的样本图像和对应的低质量的样本图像训练得到；若待修复素材为低质量的待修复图像和高质量的参考图像，则修复模型基于真实的样本图像、对应的低质量的样本图像和对应的样本身份信息训练得到，本申请提供的方法增强了图像质量。
-
公开(公告)号：CN118710558B
公开(公告)日：2024-11-29
申请号：CN202411204104.4
申请日：2024-08-30
Abstract: 本申请提供一种人脸盲修复方法、装置、设备、存储介质，该方法，获取待修复图像#imgabs0#；对待修复图像#imgabs1#进行正向多步加噪处理，得到第#imgabs2#步的图像#imgabs3#；基于低通滤波器对#imgabs4#进行逆向多步去噪处理，且，每#imgabs5#步去噪处理后均交换去噪处理后图像的低频分量与#imgabs6#的低频分量，得到第#imgabs7#步的图像#imgabs8#；根据#imgabs9#预测第一图像#imgabs10#；对#imgabs11#进行正向多步加噪处理，得到第#imgabs12#步的图像#imgabs13#；基于低通滤波器对#imgabs14#进行逆向多步去噪处理，且每#imgabs15#步去噪处理后均交换去噪处理后图像的低频分量与#imgabs16#的低频分量，得到第#imgabs17#步的图像#imgabs18#；根据当前的#imgabs19#与预设条件的关系，以及#imgabs20#与待修复图像的低频分量之间的均方误差得到修复后图像。
-
公开(公告)号：CN119006282A
公开(公告)日：2024-11-22
申请号：CN202411023473.3
申请日：2024-07-29
IPC: G06T3/4053 , G06T3/4076 , G06T3/4046 , G06T5/70 , G06N3/0464 , G06N3/0455 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本申请提供一种高分辨率图像生成方法、装置、设备、存储介质，该方法，包括：从生成低分辨率图像开始，将低分辨率图像作为当前处理图像，对当前处理图像进行去噪处理，并基于去噪后的图像预测纯净图像；将预测的纯净图像上采样，并添加噪声，得到加噪图像；将加噪图像作为当前处理图像，重复执行对当前处理图像进行去噪处理的步骤及后续步骤，直至重复执行次数达到预设次数；将当前预测的纯净图像确定为高分辨率图像。本申请提供的方法可以生成高质量的高分辨率图像。
-
公开(公告)号：CN118710558A
公开(公告)日：2024-09-27
申请号：CN202411204104.4
申请日：2024-08-30
Abstract: 本申请提供一种人脸盲修复方法、装置、设备、存储介质，该方法，获取待修复图像#imgabs0#；对待修复图像#imgabs1#进行正向多步加噪处理，得到第#imgabs2#步的图像#imgabs3#；基于低通滤波器对#imgabs4#进行逆向多步去噪处理，且，每#imgabs5#步去噪处理后均交换去噪处理后图像的低频分量与#imgabs6#的低频分量，得到第#imgabs7#步的图像#imgabs8#；根据#imgabs9#预测第一图像#imgabs10#；对#imgabs11#进行正向多步加噪处理，得到第#imgabs12#步的图像#imgabs13#；基于低通滤波器对#imgabs14#进行逆向多步去噪处理，且每#imgabs15#步去噪处理后均交换去噪处理后图像的低频分量与#imgabs16#的低频分量，得到第#imgabs17#步的图像#imgabs18#；根据当前的#imgabs19#与预设条件的关系，以及#imgabs20#与待修复图像的低频分量之间的均方误差得到修复后图像。
-
公开(公告)号：CN118710559A
公开(公告)日：2024-09-27
申请号：CN202411204107.8
申请日：2024-08-30
Abstract: 本申请提供一种高质量的人脸修复方法、装置、设备、存储介质，该方法，包括：获取待修复素材；其中，待修复素材为低质量的待修复图像，或者，待修复素材为低质量的待修复图像和高质量的参考图像，且待修复图像和参考图像对应相同的身份信息；通过预先训练的修复模型，对待修复素材进行修复，得到修复后图像；其中，若待修复素材为低质量的待修复图像，则修复模型基于真实的样本图像和对应的低质量的样本图像训练得到；若待修复素材为低质量的待修复图像和高质量的参考图像，则修复模型基于真实的样本图像、对应的低质量的样本图像和对应的样本身份信息训练得到，本申请提供的方法增强了图像质量。
-
Patent Agency Ranking
公开(公告)号：CN119788863A
公开(公告)日：2025-04-08
申请号：CN202411702630.3
申请日：2024-11-26
Applicant: 上海交通大学
IPC: H04N19/147 , H04N19/91 , H04N19/94
Abstract: 本发明提供体积视频压缩的端到端联合优化的可变码率方法和系统，包括：使用三平面特征网格及3D密度网格表征体积视频；学习体积视频残差网格，完成三平面残差建模；利用熵模型学习体积视频的数据分布，估计其压缩后的大小；引入模拟量化误差，控制整体潜在表示的量化误差，使得被压缩后的大小为可变比特率；对三平面残差表述的体积视频进行渲染；利用端到端的渐进式训练方法进行动态神经辐射场的训练，优化表示和压缩；将待压缩的体积视频输入到训练好的动态神经辐射场中，进行三平面残差建模和熵编码，获得可变比特率的码流，实现流式传输。本发明通过单一模型实现了广泛的可变比特率，同时保持优越的率失真性能，以适应不同的需求。
-
公开(公告)号：CN118196230A
公开(公告)日：2024-06-14
申请号：CN202410510838.9
申请日：2024-04-26
Applicant: 上海交通大学
Abstract: 本发明提供一种图像上色方法及系统，其中方法包括：提供一图像上色模型，所述图像上色模型包括：预训练的文本编码器、实例掩码多层感知机、实例拼接多层感知机、预训练的视觉编码器、自注意力模型、视觉文本交叉注意力模型、条件图像引导网络模型、条件交叉注意力模型以及预训练的视觉解码器；提供一训练数据集，所述训练数据集包括：实例文本、实例掩码、彩色图像、整体文本以及黑白图像；利用所述训练数据对所述图像上色模型进行训练，得到训练后的图像上色模型；利用所述训练后的图像上色模型，进行图像上色。本发明使用输入的实例掩码和实例文本，允许使用者自定义图像中每个物体的颜色，改善了颜色绑定的问题。
-
公开(公告)号：CN104601992A
公开(公告)日：2015-05-06
申请号：CN201510007324.2
申请日：2015-01-07
Applicant: 上海交通大学
IPC: H04N19/109 , H04N19/147
Abstract: 本发明提供了一种基于贝叶斯最小风险决策的SKIP模式快速选择方法，具体步骤是：首先采用当前编码单元的SKIP模式的率失真代价作为决策特征，在线统计学习前四帧，针对不同量化参数及不同编码单元深度，通过非参数概率密度估计分别得到最优选为SKIP模式和非SKIP模式时的决策特征的条件概率分布。然后基于在线学习的统计信息，利用贝叶斯风险最小模型对剩余帧的SKIP模式进行提前判决。此方法能够在保证编码性能的情况下，可以快速的进行SKIP模式的判定，从而跳过其它不必要的预测编码模式计算，能够有效的降低HEVC编码器的编码复杂度，有利于实现HEVC编码器的实时应用。
-
公开(公告)号：CN118656507A
公开(公告)日：2024-09-17
申请号：CN202410813965.6
申请日：2024-06-24
Applicant: 上海交通大学
IPC: G06F16/54 , G06F16/58 , G06F16/583 , G06F16/35 , G06F16/33 , G06F18/25 , G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供带噪多模态开放词汇视觉样本分类方法及系统，包括：将视觉样本编码为信息特征；将带噪文本信息编码为信息特征；根据视觉特征与带噪文本特征对视觉样本进行分类；基于预设词库，提出带噪文本的候选文本；根据候选文本与带噪文本的相似度计算单模态权重；根据候选文本特征与带噪文本对应视觉样本信息特征的相似度计算跨模态权重，获得最终权重；根据最终权重选出最优候选文本，并作为新的带噪文本，反复迭代直至收敛。本发明能够增强多模态视觉样本分类方法在噪声环境下的鲁棒性：通过单模态和跨模态信息优势互补，准确地筛选出候选去噪文本；通过反复迭代，优化去噪文本筛选的准确性，实现更精确的带噪多模态开放词汇视觉样本分类。
-
公开(公告)号：CN109462757A
公开(公告)日：2019-03-12
申请号：CN201811567266.9
申请日：2018-12-19
Applicant: 上海交通大学
IPC: H04N19/103
Abstract: 本发明提供了一种样点自适应补偿模式快速选择方法和系统，包括：获取空域相邻编码树单元的样点自适应补偿信息；获取当前编码树单元的编码模式信息；根据所述空域相邻编码树单元的样点自适应补偿信息、所述当前编码树单元的编码模式信息来判断当前编码树单元是否进行样点补偿。本发明采用空域相邻编码树单元的样点自适应补偿信息及当前编码树单元的编码模式信息来判断当前编码树单元是否进行样点补偿，对于x265编码器，本发明能够实现超高清视频序列实时编码，性能与原来非实时编码相比峰值信噪比下降0.04dB。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.05 seconds)
