-
公开(公告)号：CN115705493A
公开(公告)日：2023-02-17
申请号：CN202110917132.0
申请日：2021-08-11
Applicant: 暨南大学
IPC: G06N5/00 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于多特征注意力神经网络的图像去雾建模方法，涉及图像处理领域，包括步骤：获取原始图像、预处理图像并裁剪成预定大小；利用多特征注意力块对原始图像、预处理图像进行编码得到特征图；将原始图像、预处理图像中的有雾输入图像输入到构建的图像去雾网络模型中，经过图像去雾网络，得到去雾生成图；有雾图像输入到图像去雾网络模型得到去雾图像。本发明利用真实无雾图像结合有雾图像经过去雾网络得到的去雾图像，通过VGG19网络计算感知损失，并以一定比例结合感知损失和内容损失，二者一起作用于神经网络，指明了网络优化的方向，保留了特征提取的优势，有效的提高了图像去雾的真实性。
-
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
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。
-
Patent Agency Ranking
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
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：CN113240580A
公开(公告)日：2021-08-10
申请号：CN202110380519.7
申请日：2021-04-09
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。
-
公开(公告)号：CN113450273B
公开(公告)日：2022-10-14
申请号：CN202110676400.4
申请日：2021-06-18
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多尺度多阶段神经网络的图像去雾方法及系统，该方法包括以下步骤：预处理步骤：对获取的原始有雾图像进行裁剪成预设图像尺寸得到待去雾图像；去雾处理步骤：将待去雾图像输入到多尺度去雾模型中进行去雾处理得到去雾图像，其中多尺度去雾模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括有雾图像和对应的真实无雾图像；多尺度去雾模型设有残差卷积块、注意力卷积块以及特征解码卷积块，注意力卷积块分别与残差卷积块、特征解码卷积块连接。本发明利用特征融合将不同的分辨率的特征进行关联得全局特征，使得网络学习到更准确的特征，从而提高了图像的感知质量和视觉效果。
-
公开(公告)号：CN113240580B
公开(公告)日：2022-12-27
申请号：CN202110380519.7
申请日：2021-04-09
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。
-
公开(公告)号：CN113450273A
公开(公告)日：2021-09-28
申请号：CN202110676400.4
申请日：2021-06-18
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多尺度多阶段神经网络的图像去雾方法及系统，该方法包括以下步骤：预处理步骤：对获取的原始有雾图像进行裁剪成预设图像尺寸得到待去雾图像；去雾处理步骤：将待去雾图像输入到多尺度去雾模型中进行去雾处理得到去雾图像，其中多尺度去雾模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括有雾图像和对应的真实无雾图像；多尺度去雾模型设有残差卷积块、注意力卷积块以及特征解码卷积块，注意力卷积块分别与残差卷积块、特征解码卷积块连接。本发明利用特征融合将不同的分辨率的特征进行关联得全局特征，使得网络学习到更准确的特征，从而提高了图像的感知质量和视觉效果。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
