公开(公告)号：CN114581304A

公开(公告)日：2022-06-03

申请号：CN202210207233.3

申请日：2022-03-03

Applicant: 暨南大学

Inventor： 李展 ,  方雪清 ,  伍雯 ,  邝文卿 ,  赵鸿博 ,  柯瑞凯

IPC: G06T3/40 ,  G06T5/00 ,  G06T5/50 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于循环网络的图像超分辨率和去雾融合方法及系统，该方法步骤为：获取无需配对的低分辨率有雾图像和高分辨率无雾图像；构建无监督循环网络系统；训练该循环网络系统；在循环网络的第一分支，低分辨率有雾图像L输入到第一生成网络GL2H得到估计的高分辨率去雾图像图像又输入到第二生成网络GH2L，得到重建的低分辨率有雾图像～L；在循环网络的第二分支，高分辨率无雾图像H经过类似的估计、重建逆过程。该系统包括图像样本获取模块、循环网络系统构建模块和循环网络系统训练模块，本发明网络采用无监督学习方式，无需配对数据，在对退化的有雾图像进行去雾的同时加入超分辨率重建模块，增强了图像的细节，使还原的图像更加清晰。

公开(公告)号：CN115587934A

公开(公告)日：2023-01-10

申请号：CN202211272767.0

申请日：2022-10-18

Applicant: 暨南大学

Inventor： 李展 ,  邝文卿 ,  曾弘毅 ,  袁伟俊 ,  陈彦全

IPC: G06T3/40 ,  G06T5/00 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06V10/766 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及基于损失分类与双分支网络的图像超分辨率重建和去雾方法及系统，其方法包括步骤：S1、输入待超分辨率重建或待去雾图像与其对应的真实参考图像，并进行预处理，对待超分辨率重建或待去雾图像与真实参考图像进行相同尺寸和相同位置的裁切；S2、构建双分支网络模型进行训练，并采用编码器‑解码器网络，通过损失分类器和约束函数进行训练；S3、将待超分辨率重建或待去雾图像输入到训练好的双分支网络模型中，通过特征融合的方式获取最终的结果图。本发明采用双分支网络结构，提出了损失分类器的方法，实现双分支中的第一分支侧重平滑区域，而第二分支侧重边缘区域，解决了端对端网络在边缘区域效果不佳的缺点，提高最终结果图的视觉效果。

公开(公告)号：CN114581304B

公开(公告)日：2024-06-28

申请号：CN202210207233.3

申请日：2022-03-03

Applicant: 暨南大学

Inventor： 李展 ,  方雪清 ,  伍雯 ,  邝文卿 ,  赵鸿博 ,  柯瑞凯

IPC: G06T3/4053 ,  G06T5/70 ,  G06T5/50 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于循环网络的图像超分辨率和去雾融合方法及系统，该方法步骤为：获取无需配对的低分辨率有雾图像和高分辨率无雾图像；构建无监督循环网络系统；训练该循环网络系统；在循环网络的第一分支，低分辨率有雾图像L输入到第一生成网络GL2H得到估计的高分辨率去雾图像#imgabs0#图像#imgabs1#又输入到第二生成网络GH2L，得到重建的低分辨率有雾图像～L；在循环网络的第二分支，高分辨率无雾图像H经过类似的估计、重建逆过程。该系统包括图像样本获取模块、循环网络系统构建模块和循环网络系统训练模块，本发明网络采用无监督学习方式，无需配对数据，在对退化的有雾图像进行去雾的同时加入超分辨率重建模块，增强了图像的细节，使还原的图像更加清晰。