公开(公告)号：CN112734649A

公开(公告)日：2021-04-30

申请号：CN202110012919.2

申请日：2021-01-06

Applicant: 暨南大学

Inventor： 李展 ,  陈彦全 ,  陈曦 ,  汤皓箐 ,  温梓博 ,  钟子意 ,  康志清 ,  甄洛生

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于轻量级神经网络的图像退化方法，包括以下步骤：获取数据集并进行预处理，得到输入图像；构建轻量级神经网络图像退化模型；将输入图像输入到轻量级神经网络图像退化模型得到退化图像，计算得到内容损失函数；将输入图像和退化图像通过神经网络模型提取特征值，进而计算感知损失函数；结合得到损失函数，根据损失函数训练该模型，得到训练后的轻量级神经网络图像退化模型；输入待退化的图像得到最终的退化图像；本发明提出了包括残差块的神经网络模型，在避免生成伪造纹理信息的同时减少了网络的参数量，使得生成的图像避免了主观因素的干预，不用人为去预测模型和参数，更加接近真实的图像退化效果。

公开(公告)号：CN116703750A

公开(公告)日：2023-09-05

申请号：CN202310519184.1

申请日：2023-05-10

Applicant: 暨南大学

Inventor： 李展 ,  康志清 ,  龙航 ,  杨洋 ,  杜卓耘 ,  朱琳徽

IPC: G06T5/00 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/094 ,  G06N3/0895 ,  G06N3/084

Abstract: 本发明公开了一种基于边缘注意力和多阶微分损失的图像去雾方法及系统，该方法包括下述步骤：获取有雾图像数据集，对有雾图像数据集进行预处理，将有雾图像数据集划分为浓雾图像数据集和薄雾图像数据集，将薄雾图像数据集作为输入图像数据集；构建复原网络和退化网络；对复原网络和退化网络联合训练，得到训练后的复原网络和退化网络，将待测图像输入至训练后的复原网络，得到去雾结果。本发明通过多阶的卷积模板处理去雾图像和无雾图像，约束去雾图像在对比度和亮度以及边缘信息上与真实无雾图的一致性，将清晰图四分类判别器与复原网络进行对抗训练，让复原网络和退化网络的效果更加显著，提高网络的性能，提升了去雾效果。

公开(公告)号：CN114359107B

公开(公告)日：2025-01-10

申请号：CN202210026095.9

申请日：2022-01-11

Applicant: 暨南大学

Inventor： 李展 ,  康志清 ,  郝佳男 ,  关瑞瑾

IPC: G06T5/60 ,  G06T5/77 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了一种基于共生双模型的无监督图像去雾方法，包括以下步骤：获取图像，进而得到输入图像；构建图像共生双模型网络，对图像共生双模型网络进行训练，通过训练后图像共生双模型网络对待测图像进行处理，得到去雾结果；本发明引入了相对去雾的概念，对于一张图像，不区分这张图像是退化了还是没有退化，即不区分一张图像是否是有雾图像还是无雾图像。输出一张图像，当作有雾图像，进行处理，也可以当作是清晰图像进行处理，两个模型互利共生，联合训练，共同进步，通过这样一个模型来摆脱对于成对有雾与无雾数据集的依赖，达到去雾的效果。

公开(公告)号：CN114359107A

公开(公告)日：2022-04-15

申请号：CN202210026095.9

申请日：2022-01-11

Applicant: 暨南大学

Inventor： 李展 ,  康志清 ,  郝佳男 ,  关瑞瑾

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开了一种基于共生双模型的无监督图像去雾方法，包括以下步骤：获取图像，进而得到输入图像；构建图像共生双模型网络，对图像共生双模型网络进行训练，通过训练后图像共生双模型网络对待测图像进行处理，得到去雾结果；本发明引入了相对去雾的概念，对于一张图像，不区分这张图像是退化了还是没有退化，即不区分一张图像是否是有雾图像还是无雾图像。输出一张图像，当作有雾图像，进行处理，也可以当作是清晰图像进行处理，两个模型互利共生，联合训练，共同进步，通过这样一个模型来摆脱对于成对有雾与无雾数据集的依赖，达到去雾的效果。