-
公开(公告)号：CN118115495B
公开(公告)日：2024-07-09
申请号：CN202410487106.2
申请日：2024-04-23
Applicant: 武汉大学
IPC: G06T7/00 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种结合排序学习的超分辨率图像质量评价方法及系统，首先将输入图像进行预处理，得到经过不同超分辨率图像质量重建算法的图像列；然后将图像输入到结合排序学习的超分辨率图像质量评价网络中，得到整体质量分数；结合排序学习的超分辨率图像质量评价网络包括特征提取模块、高频特征增强模块、低频特征增强模块、回归模块。本发明使得评价结果既能反应图像的高‑低频特征，又能反应超分辨率图像本身的性质，对于引导图像复原、去噪、重建等图像处理任务具有指导意义。
-
公开(公告)号：CN117455774A
公开(公告)日：2024-01-26
申请号：CN202311551013.3
申请日：2023-11-17
Applicant: 武汉大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/082
Abstract: 本发明公开了一种基于差分输出的图像重建方法及系统，首先输入低分辨率图像并进行预处理；然后将处理后的图像输入差模发生器获得差模信号(图像)；然后将差模信号(图像)输入生成对抗网络；最终差分输出去除共模噪声获得高分辨率图像；生成对抗网络包括生成网络模块、判断网络模块，该生成对抗网络是基于SRGAN的框架搭建；生成网络模块包括卷积网络层、上采样层、LeakyReLU激活函数层；判断网络模块包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层。本发明能够实现对低分辨率图像进行高分辨率重建去除重影等共模噪声，对于数字图像处理和军事图像处理具有重要意义。
-
公开(公告)号：CN117711417A
公开(公告)日：2024-03-15
申请号：CN202410163875.7
申请日：2024-02-05
Applicant: 武汉大学
IPC: G10L21/0208 , G10L21/0232 , G10L25/30 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于频域自注意力网络的语音质量增强方法及系统，首先输入原始语音并进行预处理；然后将处理后频率响应输入频域自注意力网络；最终输出信号并对输出的信号进行后处理得到语音增强信号；频域自注意力网络，包括位置编码模块、N个相同的基本单元模块；位置编码模块包括位置编码层；基本单元模块包括多注意力头层、残差连接和层归一化层、前馈层；N个相同的基本单元模块，其中N由所需网络深度决定。本发明能够实现对语音信号中噪声的去除，在语音通信方具有重要意义。
-
公开(公告)号：CN117456339A
公开(公告)日：2024-01-26
申请号：CN202311556027.4
申请日：2023-11-17
Applicant: 武汉大学
IPC: G06V10/98 , G06V10/771 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于多层次特征复用的图像质量评价方法及系统，首先将输入图像进行预处理，得到若干输入图像块；然后将图像块输入多层次特征复用网络中，得到整体质量分数；多层次特征复用网络包括浅层特征提取模块、深层特征提取模块、空间注意力模块、线性加权回归模块；浅层特征提取模块包括一个Riesz变换层和一个残差连接单元；深层特征提取模块包括一个卷积神经网络S和一个残差连接单元；空间注意力模块包括一个卷积神经网络W和一个残差连接单元；线性加权回归模块包括两个线性层、一个归一化层、和一个加权求和单元。本发明提高所提取特征的利用效率，从而使模型的质量评价既能反映图像的客观失真程度，又能符合人眼的主观感知。
-
公开(公告)号：CN117611548B
公开(公告)日：2024-11-15
申请号：CN202311577129.4
申请日：2023-11-22
Applicant: 武汉大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于失真的图像质量评价方法及系统，首先将输入图像进行预处理，得到若干输入图像块；然后将图像块输入基于失真的图像质量评价模型中，得到整体质量分数；所述基于失真信息的图像评价模型包括失真提取模块、特征提取模块和加权求和模块；所述特征提取模块采用卷积神经网络S和一个归一化层，其输入为预处理后的图像，输出为局部注意力权重；所述失真提取模块包括一个失真提取网络和一个卷积神经网络W组成，其输入为预处理后的图像，输出为局部质量分数；所述加权求和模块，通过将局部质量分数和局部注意力权重加权求和得出图像的整体质量分数。本发明对于引导图像复原、去噪、重建等图像处理任务具有指导意义。
-
Patent Agency Ranking
公开(公告)号：CN118115495A
公开(公告)日：2024-05-31
申请号：CN202410487106.2
申请日：2024-04-23
Applicant: 武汉大学
IPC: G06T7/00 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种结合排序学习的超分辨率图像质量评价方法及系统，首先将输入图像进行预处理，得到经过不同超分辨率图像质量重建算法的图像列；然后将图像输入到结合排序学习的超分辨率图像质量评价网络中，得到整体质量分数；结合排序学习的超分辨率图像质量评价网络包括特征提取模块、高频特征增强模块、低频特征增强模块、回归模块。本发明使得评价结果既能反应图像的高‑低频特征，又能反应超分辨率图像本身的性质，对于引导图像复原、去噪、重建等图像处理任务具有指导意义。
-
公开(公告)号：CN117611484B
公开(公告)日：2024-04-02
申请号：CN202410082480.4
申请日：2024-01-19
Applicant: 武汉大学
IPC: G06T5/70 , G06T5/50 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于去噪自解码网络的图像去噪方法及系统，首先将噪声图像进行预处理，然后将预处理后的图像输入去噪自解码网络中，得到去噪图像；去噪自解码网络包括迭代步数生成模块、噪声生成模块、去噪自解码器；迭代步数生成模块包括残差神经网络、线性层、归一化层；噪声生成模块包括下采样层、卷积层、上采样层，每层包含4个基本网络结构，每个基本网络结构均含有2个残差块、一个自注意力层，上采样层和下采样层的基本网络结构还包含一个采样函数。本发明基于严格的数学建模构造网络，使得模型具有严谨的可解释性，基于理论推导，能够对所有加性高斯噪声进行完全去噪。
-
公开(公告)号：CN117455774B
公开(公告)日：2024-05-14
申请号：CN202311551013.3
申请日：2023-11-17
Applicant: 武汉大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/082
Abstract: 本发明公开了一种基于差分输出的图像重建方法及系统，首先输入低分辨率图像并进行预处理；然后将处理后的图像输入差模发生器获得差模信号(图像)；然后将差模信号(图像)输入生成对抗网络；最终差分输出去除共模噪声获得高分辨率图像；生成对抗网络包括生成网络模块、判断网络模块，该生成对抗网络是基于SRGAN的框架搭建；生成网络模块包括卷积网络层、上采样层、LeakyReLU激活函数层；判断网络模块包括卷积网络层、全局平均池化层、LeakyReLU激活函数层、归一化层。本发明能够实现对低分辨率图像进行高分辨率重建去除重影等共模噪声，对于数字图像处理和军事图像处理具有重要意义。
-
公开(公告)号：CN117711417B
公开(公告)日：2024-04-30
申请号：CN202410163875.7
申请日：2024-02-05
Applicant: 武汉大学
IPC: G10L21/0208 , G10L21/0232 , G10L25/30 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于频域自注意力网络的语音质量增强方法及系统，首先输入原始语音并进行预处理；然后将处理后频率响应输入频域自注意力网络；最终输出信号并对输出的信号进行后处理得到语音增强信号；频域自注意力网络，包括位置编码模块、N个相同的基本单元模块；位置编码模块包括位置编码层；基本单元模块包括多注意力头层、残差连接和层归一化层、前馈层；N个相同的基本单元模块，其中N由所需网络深度决定。本发明能够实现对语音信号中噪声的去除，在语音通信方具有重要意义。
-
公开(公告)号：CN117611484A
公开(公告)日：2024-02-27
申请号：CN202410082480.4
申请日：2024-01-19
Applicant: 武汉大学
IPC: G06T5/70 , G06T5/50 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于去噪自解码网络的图像去噪方法及系统，首先将噪声图像进行预处理，然后将预处理后的图像输入去噪自解码网络中，得到去噪图像；去噪自解码网络包括迭代步数生成模块、噪声生成模块、去噪自解码器；迭代步数生成模块包括残差神经网络、线性层、归一化层；噪声生成模块包括下采样层、卷积层、上采样层，每层包含4个基本网络结构，每个基本网络结构均含有2个残差块、一个自注意力层，上采样层和下采样层的基本网络结构还包含一个采样函数。本发明基于严格的数学建模构造网络，使得模型具有严谨的可解释性，基于理论推导，能够对所有加性高斯噪声进行完全去噪。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
