-
公开(公告)号：CN118038222B
公开(公告)日：2024-10-25
申请号：CN202410081793.8
申请日：2024-01-19
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于二次图像分解与注意力机制的图像融合模型及方法，模型具体包括：特征提取编码器模块，用以将原图像进行二次分解，提取原图像不同尺度的特征信息；全局语义支路模块，用以防止深层密集残差网络对所述原图像的语义信息的丢失；双元素卷积注意力模块，用以对不同尺度的所述特征信息分配权重；融合策略模块，用以最大程度地保留通过特征编码层提取的原图像信息；解码器模块，用以对融合后的特征图进行复原，并重建为像素域图像。利用特征提取编码器对原图像进行二次图像分解以提取不同尺度的特征信息，然后利用双元素注意力为不同尺度的特征信息分配权重、并引入全局语义支路，最终得到的融合图像对比度较高。
-
Patent Agency Ranking
公开(公告)号：CN117670727A
公开(公告)日：2024-03-08
申请号：CN202410129316.4
申请日：2024-01-31
Applicant: 南京邮电大学
IPC: G06T5/73 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供一种基于残差密集U形网络的图像去模糊模型及方法，包括：应用于第一阶段的梯度残差密集混合U形子网络，用于粗略获取模糊图像的多分辨率特征，并提取模糊图像边缘信息；应用于第二、三、四阶段的梯度残差密集多尺度卷积注意力U形子网络，用于获得更加精细的模糊图像的多分辨率特征；同时引入特征监督注意力模块连接两个阶段并进行特征融合。本发明的基于残差密集网络的图像去模糊模型及方法使网络训练更加稳定，能够极大地减少特征图信息的丢失，进而实现模糊图像复原的效果。
-
公开(公告)号：CN117670727B
公开(公告)日：2024-05-14
申请号：CN202410129316.4
申请日：2024-01-31
Applicant: 南京邮电大学
IPC: G06T5/73 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供一种基于残差密集U形网络的图像去模糊模型及方法，包括：应用于第一阶段的梯度残差密集混合U形子网络，用于粗略获取模糊图像的多分辨率特征，并提取模糊图像边缘信息；应用于第二、三、四阶段的梯度残差密集多尺度卷积注意力U形子网络，用于获得更加精细的模糊图像的多分辨率特征；同时引入特征监督注意力模块连接两个阶段并进行特征融合。本发明的基于残差密集网络的图像去模糊模型及方法使网络训练更加稳定，能够极大地减少特征图信息的丢失，进而实现模糊图像复原的效果。
-
公开(公告)号：CN116523800B
公开(公告)日：2023-09-22
申请号：CN202310796816.9
申请日：2023-07-03
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于残差密集网络与注意力机制的图像降噪模型及方法，属于人工智能技术领域，图像降噪模型包括：膨胀模块用以扩展原始噪声图像的图像通道，以获得比像素域更精细的图像特征；残差密集U型子网络用于获取不同分辨率的特征信息；双元素卷积通道注意力模块用于实现多尺度特征融合，降低低频信息损失，以得到理想的降噪效果；重构模块用于对扩展后的特征图像进行复原，使其重建为像素域图像。本发明通过残差密集子网络作为主干网络用来获取不同分辨率的特征信息，同时引入全局残差与局部残差、层归一化，防止梯度在反向传播过程中消失或爆炸，使网络训练更加稳定，最终使网络能够极大地减少特征图信息的丢失。
-
公开(公告)号：CN118038222A
公开(公告)日：2024-05-14
申请号：CN202410081793.8
申请日：2024-01-19
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于二次图像分解与注意力机制的图像融合模型及方法，模型具体包括：特征提取编码器模块，用以将原图像进行二次分解，提取原图像不同尺度的特征信息；全局语义支路模块，用以防止深层密集残差网络对所述原图像的语义信息的丢失；双元素卷积注意力模块，用以对不同尺度的所述特征信息分配权重；融合策略模块，用以最大程度地保留通过特征编码层提取的原图像信息；解码器模块，用以对融合后的特征图进行复原，并重建为像素域图像。利用特征提取编码器对原图像进行二次图像分解以提取不同尺度的特征信息，然后利用双元素注意力为不同尺度的特征信息分配权重、并引入全局语义支路，最终得到的融合图像对比度较高。
-
公开(公告)号：CN116523800A
公开(公告)日：2023-08-01
申请号：CN202310796816.9
申请日：2023-07-03
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于残差密集网络与注意力机制的图像降噪模型及方法，属于人工智能技术领域，图像降噪模型包括：膨胀模块用以扩展原始噪声图像的图像通道，以获得比像素域更精细的图像特征；残差密集U型子网络用于获取不同分辨率的特征信息；双元素卷积通道注意力模块用于实现多尺度特征融合，降低低频信息损失，以得到理想的降噪效果；重构模块用于对扩展后的特征图像进行复原，使其重建为像素域图像。本发明通过残差密集子网络作为主干网络用来获取不同分辨率的特征信息，同时引入全局残差与局部残差、层归一化，防止梯度在反向传播过程中消失或爆炸，使网络训练更加稳定，最终使网络能够极大地减少特征图信息的丢失。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
