-
公开(公告)号：CN118135112A
公开(公告)日：2024-06-04
申请号：CN202410358728.5
申请日：2024-03-27
Applicant: 大连海事大学
IPC: G06T17/00 , G06V10/80 , G06V10/774 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于多模态数据融合特征学习的单视图三维模型重建方法及系统，构建单视图三维模型重建网络结构，包括：提取二维图像中的重建物体对应的三维全局特征的第一分支、提取二维图像中的重建物体对应的三维空间点局部特征的第二分支以及对最小尺度的表面细节特征进行拉普拉斯约束的第三分支；将第一分支和第二分支分别与提取到的输入点特征进行连接，并经过多层感知机得到对应的全局SDF值与空间局部SDF值；将全局SDF值、空间局部SDF值与第三分支融合相加，输出重建三维物体的最终SDF值；利用训练好的网络对给定的单视角图像进行三维模型重建。本发明提出一种三分支的网络结构，能够对单视角的图像物体的结构完整与表面细节起到一定的提升作用。
-
公开(公告)号：CN115115540A
公开(公告)日：2022-09-27
申请号：CN202210646447.0
申请日：2022-06-08
Applicant: 大连海事大学
Abstract: 本发明公开了基于光照信息引导的无监督低光图像增强方法及装置，涉及低光图像增强技术领域，方法包括：收集训练数据集和测试数据集；构建基于光照信息引导的低光增强模型，并将训练数据集中的图像输入到低光增强模型中进行训练；基于光照信息引导的低光增强模型为包括生成器和判别器的生成式对抗网络；生成器包括光照估计模块和增强网络，光照估计模块生成单通道的光照信息图，用以指导所述增强网络的学习；增强网络以U‑net作为网络的基本块，在U‑net网络的不同层添加光照信息图指导；将测试数据集中的图像输入到训练好的低光增强模型中，得到增强后的正常光图像。本发明增强了模型的普适性；同时为模型的局部和全局信息融合建立了纽带。
-
公开(公告)号：CN116152100B
公开(公告)日：2025-05-16
申请号：CN202310112492.2
申请日：2023-02-14
Applicant: 大连海事大学
Abstract: 本发明提供了基于多尺度特征分析和尺度选择的点云去噪方法、装置及存储介质，构建基于多尺度特征分析和尺度选择的点云去噪网络模型；点云去噪网络模型以从原始噪声点云选取的多个不同尺度的局部邻域作为输入；对各个尺度下的点云数据进行局部特征提取和增强，将不同尺度下的特征信息串联起来通过专家机制模块进行权重信息回归，通过得到的权重信息进行最佳逆位移的选取；将训练集输入到构建好的点云去噪网络模型中进行训练，优化去噪网络模型；将测试集输入至训练后生成的去噪网络模型中进行去噪，输出去噪后的点云数据。本发明通过多尺度特征分析和尺度选择的方式，能够更好地保留尖锐细节特征，解决了单一尺度下忽略局部几何特征的局限性。
-
公开(公告)号：CN118967892A
公开(公告)日：2024-11-15
申请号：CN202411005113.0
申请日：2024-07-25
Applicant: 大连海事大学
IPC: G06T13/40 , G06T17/20 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供一种基于单视图和文本驱动的三维数字人体序列生成方法，构建利用单视图和运动文本生成可驱动的三维数字人体模型，由双分支结构融合构成，包括：分支一：处理输入的单视图，获取带有纹理的穿衣人体网格；分支二：处理输入的描述运动的文本，获取文本运动序列的SMPL参数；对齐带有纹理的穿衣人体网格与SMPL网格，得到含有运动序列参数的网格；生成基于单视图构建的，利用运动文本可驱动的三维数字人体模型；所述利用运动文本驱动三维数字人体模型，具体为：通过输入运动文本改变SMPL参数，实现模型的可驱动。实现了快速准确地重建出穿衣三维数字人体模型。
-
公开(公告)号：CN114913083B
公开(公告)日：2025-02-11
申请号：CN202210430466.X
申请日：2022-04-22
Applicant: 大连海事大学
IPC: G06T5/60 , G06T5/90 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种基于上下文分解特征融合的水下图像增强方法，涉及水下图像增强技术领域，包括：获取失真的水下图像，形成训练集和测试集；构建基于上下文分解特征融合的水下图像增强网络模型；其中，所述水下图像增强网络模型在特征融合时采用上下文分解特征融合的方式；将训练集输入到构建好的所述水下图像增强网络模型中进行训练；将测试集图像输入到训练好的所述水下图像增强网络模型中，输出图像增强之后的高质量水下图像。本发明通过上下文特征信息融合的方式，扩展了图像处理上特征融合的方式，也为模型的局部和全局分析建立了纽带，改善了水下图像增强的效果，避免了如细节丢失、颜色不饱和、伪影等不利影响的出现。
-
Patent Agency Ranking
公开(公告)号：CN115115540B
公开(公告)日：2024-10-29
申请号：CN202210646447.0
申请日：2022-06-08
Applicant: 大连海事大学
IPC: G06T5/92 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T5/50 , G06V10/77 , G06V10/80 , G06T5/60
Abstract: 本发明公开了基于光照信息引导的无监督低光图像增强方法及装置，涉及低光图像增强技术领域，方法包括：收集训练数据集和测试数据集；构建基于光照信息引导的低光增强模型，并将训练数据集中的图像输入到低光增强模型中进行训练；基于光照信息引导的低光增强模型为包括生成器和判别器的生成式对抗网络；生成器包括光照估计模块和增强网络，光照估计模块生成单通道的光照信息图，用以指导所述增强网络的学习；增强网络以U‑net作为网络的基本块，在U‑net网络的不同层添加光照信息图指导；将测试数据集中的图像输入到训练好的低光增强模型中，得到增强后的正常光图像。本发明增强了模型的普适性；同时为模型的局部和全局信息融合建立了纽带。
-
公开(公告)号：CN114913083A
公开(公告)日：2022-08-16
申请号：CN202210430466.X
申请日：2022-04-22
Applicant: 大连海事大学
Abstract: 本发明提供了一种基于上下文分解特征融合的水下图像增强方法，涉及水下图像增强技术领域，包括：获取失真的水下图像，形成训练集和测试集；构建基于上下文分解特征融合的水下图像增强网络模型；其中，所述水下图像增强网络模型在特征融合时采用上下文分解特征融合的方式；将训练集输入到构建好的所述水下图像增强网络模型中进行训练；将测试集图像输入到训练好的所述水下图像增强网络模型中，输出图像增强之后的高质量水下图像。本发明通过上下文特征信息融合的方式，扩展了图像处理上特征融合的方式，也为模型的局部和全局分析建立了纽带，改善了水下图像增强的效果，避免了如细节丢失、颜色不饱和、伪影等不利影响的出现。
-
公开(公告)号：CN108734182B
公开(公告)日：2022-04-05
申请号：CN201810604352.6
申请日：2018-06-13
Applicant: 大连海事大学
IPC: G06V10/40 , G06V10/776 , G06K9/62
Abstract: 本发明公开了一种基于小数据样本学习的兴趣特征识别检测方法，包括：S1‑1建立特征空间：在三维模型上进行兴趣特征的定义与描述；S1‑2建立度量空间：利用自适应偏微分方程引导的扩散方法和子模优化方法进行小数据样本驱动的兴趣特征分析和提取；S1‑3利用S1‑2的结果进行三维模型上的兴趣特征识别和检测。通过设计灵活方便的兴趣特征定义方式，拓展了传统三维模型上特征的形式，为模型的局部和全局分析与描述建立了纽带。通过将兴趣特征检测转化为全局图上的扩散，减小了特征分析所需的成本与代价，可推动相关的三维模型处理与应用。
-
公开(公告)号：CN116152100A
公开(公告)日：2023-05-23
申请号：CN202310112492.2
申请日：2023-02-14
Applicant: 大连海事大学
Abstract: 本发明提供了基于多尺度特征分析和尺度选择的点云去噪方法、装置及存储介质，构建基于多尺度特征分析和尺度选择的点云去噪网络模型；点云去噪网络模型以从原始噪声点云选取的多个不同尺度的局部邻域作为输入；对各个尺度下的点云数据进行局部特征提取和增强，将不同尺度下的特征信息串联起来通过专家机制模块进行权重信息回归，通过得到的权重信息进行最佳逆位移的选取；将训练集输入到构建好的点云去噪网络模型中进行训练，优化去噪网络模型；将测试集输入至训练后生成的去噪网络模型中进行去噪，输出去噪后的点云数据。本发明通过多尺度特征分析和尺度选择的方式，能够更好地保留尖锐细节特征，解决了单一尺度下忽略局部几何特征的局限性。
-
公开(公告)号：CN108734182A
公开(公告)日：2018-11-02
申请号：CN201810604352.6
申请日：2018-06-13
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于小数据样本学习的兴趣特征识别检测方法，包括：S1-1建立特征空间：在三维模型上进行兴趣特征的定义与描述；S1-2建立度量空间：利用自适应偏微分方程引导的扩散方法和子模优化方法进行小数据样本驱动的兴趣特征分析和提取；S1-3利用S1-2的结果进行三维模型上的兴趣特征识别和检测。通过设计灵活方便的兴趣特征定义方式，拓展了传统三维模型上特征的形式，为模型的局部和全局分析与描述建立了纽带。通过将兴趣特征检测转化为全局图上的扩散，减小了特征分析所需的成本与代价，可推动相关的三维模型处理与应用。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.023 seconds)
