-
公开(公告)号：CN109801230A
公开(公告)日：2019-05-24
申请号：CN201811568063.1
申请日：2018-12-21
Applicant: 河海大学
IPC: G06T5/00
Abstract: 本发明公开一种基于新编码器结构的图像修复方法，对于一幅有缺失像素的图像，训练一个由编码器和译码器组成的卷积神经网络来回归缺失的像素值。编码器捕捉图像上下文得到一个紧凑的特征表示，译码器使用这些表示产生缺失图像内容；Alexnet可提高运行速度、网络运行规模和性能；而Densenet可减轻最大梯度消失问题，加强特征利用，减少参数数量。本发明考虑结合两者的优点，将添加使用Densenet架构。相比于原始编码译码器使用的Alexnet网络架构，本发明能够提取更加紧凑和真实的特征，同时使用WGAN-GP对抗性损失代替传统的GAN对抗损失，提高了特征学习的速度和精度，增强了修复效果。
-
公开(公告)号：CN111161158B
公开(公告)日：2022-08-26
申请号：CN201911217769.8
申请日：2019-12-03
Applicant: 河海大学
Abstract: 本发明公开了一种基于新生成网络结构的图像修复方法，包括以下步骤：输入完整的三通道图像和此图像对应的的任意缺失图像；对图像进行预处理；部署基于SE‑ResNet的生成网络；部署判别网络；将缺失图像送入生成网络得到修复图片；通过修复图片与原始图片，更新生成网络的参数；通过修复图片与原始图片同时送入判别网络以训练判别网络；联合训练生成网络和判别网络，直到遍历整个训练集若干次，训练阶段结束；在测试集中随机挑选缺失图像，经过上述训练完成的生成网络得到修复后的图片。本发明在生成器中加入SE‑ResNet结构，显著的减少了参数量，提高了运行速度，减轻了梯度消失现象，加强了网络特征利用，使得修复时间更短，并且修复后的图像更加清晰且逼真。
-
公开(公告)号：CN109801230B
公开(公告)日：2022-08-26
申请号：CN201811568063.1
申请日：2018-12-21
Applicant: 河海大学
IPC: G06T5/00
Abstract: 本发明公开一种基于新编码器结构的图像修复方法，对于一幅有缺失像素的图像，训练一个由编码器和译码器组成的卷积神经网络来回归缺失的像素值。编码器捕捉图像上下文得到一个紧凑的特征表示，译码器使用这些表示产生缺失图像内容；Alexnet可提高运行速度、网络运行规模和性能；而Densenet可减轻最大梯度消失问题，加强特征利用，减少参数数量。本发明考虑结合两者的优点，将添加使用Densenet架构。相比于原始编码译码器使用的Alexnet网络架构，本发明能够提取更加紧凑和真实的特征，同时使用WGAN‑GP对抗性损失代替传统的GAN对抗损失，提高了特征学习的速度和精度，增强了修复效果。
-
公开(公告)号：CN111161158A
公开(公告)日：2020-05-15
申请号：CN201911217769.8
申请日：2019-12-03
Applicant: 河海大学
Abstract: 本发明公开了一种基于新生成网络结构的图像修复方法，包括以下步骤：输入完整的三通道图像和此图像对应的的任意缺失图像；对图像进行预处理；部署基于SE-ResNet的生成网络；部署判别网络；将缺失图像送入生成网络得到修复图片；通过修复图片与原始图片，更新生成网络的参数；通过修复图片与原始图片同时送入判别网络以训练判别网络；联合训练生成网络和判别网络，直到遍历整个训练集若干次，训练阶段结束；在测试集中随机挑选缺失图像，经过上述训练完成的生成网络得到修复后的图片。本发明在生成器中加入SE-ResNet结构，显著的减少了参数量，提高了运行速度，减轻了梯度消失现象，加强了网络特征利用，使得修复时间更短，并且修复后的图像更加清晰且逼真。
-
-
-
Search Results
4
records
(took 0.017 seconds)
