-
公开(公告)号：CN117391969A
公开(公告)日：2024-01-12
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：CN116071265B
公开(公告)日：2023-08-08
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：CN118555381A
公开(公告)日：2024-08-27
申请号：CN202410408138.9
申请日：2024-04-07
Applicant: 哈尔滨工业大学
IPC: H04N13/279 , H04N13/236 , H04M1/02
Abstract: 智能手机的双摄连续变焦方法及系统，解决了如何基于三维重建技术实现双目相机的连续数字变焦的问题，属于图像复原领域。本发明建立双摄平滑变焦3D模型，利用只能手机拍摄的超广角与广角图片对进行，通过在相机的内参，外参和相机编码上插值，部署虚拟相机，利用优化后的双摄平滑变焦3D模型合成连续变焦的图像序列，利用这些图像序列作为插帧模型训练数据集，最终利用该模型实现在数字变焦的过程中空间、颜色和畸变程度的连续平滑切换。
-
公开(公告)号：CN117788311A
公开(公告)日：2024-03-29
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。
-
公开(公告)号：CN117274083A
公开(公告)日：2023-12-22
申请号：CN202311201250.7
申请日：2023-09-18
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 一种基于多曝光图像的自监督高动态范围图像重建方法，属于底层视觉技术领域。本发明针对现有用于高动态范围图像重建的神经网络模型训练过程中的目标图像不易获取，影响图像重建效果的问题。它针对目标图像不易获取的问题，在模型训练阶段采用自监督的方式进行参数学习；本发明在两个互补成分的监督下学习重建网络，这两个互补成分可以从多曝光图像中构建，并分别关注高动态范围图像的颜色与结构信息；其中，颜色分量从对齐后的多曝光图像中估计，结构分量由在颜色分量与参考图像监督下的结构注意网络生成；在测试阶段，重建网络可以直接用于合成高动态范围图像。本发明用于高动态范围图像的重建。
-
Patent Agency Ranking
公开(公告)号：CN111640061B
公开(公告)日：2021-05-07
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：CN119722944A
公开(公告)日：2025-03-28
申请号：CN202411799153.7
申请日：2024-12-09
Applicant: 哈尔滨工业大学
Abstract: 基于4D高斯泼溅的单目模糊视频重建方法，属于图像复原和三维重建领域。解决了现有的单目模糊视频重建方法在处理物体运动模糊时，存在产生视频视觉质量低和渲染结果实时性差的问题。本发明构造4DGS模型，通过模拟相机运动模糊和物体运动模糊的物理形成过程，合成模糊图像，以便与真实模糊图像计算损失实现对所构建的4DGS模型的训练，并利用训练后的4DGS模型实现视频重建。本发明主要用于实现4D场景重建。
-
公开(公告)号：CN114283064B
公开(公告)日：2024-09-06
申请号：CN202111602313.0
申请日：2021-12-24
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/0895 , G06N3/048
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。
-
公开(公告)号：CN117274083B
公开(公告)日：2024-07-26
申请号：CN202311201250.7
申请日：2023-09-18
Applicant: 哈尔滨工业大学
IPC: G06T5/90 , G06T5/60 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 一种基于多曝光图像的自监督高动态范围图像重建方法，属于底层视觉技术领域。本发明针对现有用于高动态范围图像重建的神经网络模型训练过程中的目标图像不易获取，影响图像重建效果的问题。它针对目标图像不易获取的问题，在模型训练阶段采用自监督的方式进行参数学习；本发明在两个互补成分的监督下学习重建网络，这两个互补成分可以从多曝光图像中构建，并分别关注高动态范围图像的颜色与结构信息；其中，颜色分量从对齐后的多曝光图像中估计，结构分量由在颜色分量与参考图像监督下的结构注意网络生成；在测试阶段，重建网络可以直接用于合成高动态范围图像。本发明用于高动态范围图像的重建。
-
公开(公告)号：CN116757932A
公开(公告)日：2023-09-15
申请号：CN202310735103.1
申请日：2023-06-20
Applicant: 哈尔滨工业大学
IPC: G06T3/40 , G06N3/0464 , G06V10/42 , G06V10/80
Abstract: 一种基于循环神经网络的多帧图像超分辨率方法，属于图像复原技术领域。本发明针对现有低分辨率图像采用单张图像复原，复原结果细节不足的问题。包括：设置循环神经网络作为超分辨率模型的基本架构，并对循环神经网络进行训练，得到多帧图像超分辨率网络；所述循环神经网络包括N个分支，其中第1分支包括第1编码器、第1融合模块和第1上采样模块，其余N‑1个分支均包括第i编码器、第i‑1对齐模块、第i融合模块和第i上采样模块；N为正整数；i＝2，3，4，……，N；通过第N分支输出高分辨率图像；循环神经网络在训练过程中根据损失函数#imgabs0#修改网络参数。本发明方法基于同一场景的多张输入低分辨率图像进行低分辨率图像的复原。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.036 seconds)
