一种循环多尺度的图像盲去模糊网络

针对当前单图像盲去模糊算法处理的图像存在纹理模糊、 图像质量欠佳的问题, 提出一种嵌入注意力机制的图像盲去模糊网络. 该网络首先采用多尺度循环架构, 通过不同分辨率的图像在网络内部循环处理实现多尺度, 由粗到精复原图像; 然后在网络内部嵌入残差通道选择模块和跨层长连接对特征进行强化提取, 并设计多尺度结构损失函数进行训练优化; 最后在两个使用广泛的数据集GoPro和Kohler上与经典去模糊网络进行对比, 并在数据集Lai上进行视觉直观对比. 实验结果表明, 该网络在视觉上取得了较好的图像盲去模糊效果, 与其他算法相比在峰值信噪比和结构相似性上有提升, 可改善去模糊图像质量欠佳的问题.     

基于多尺度编解码网络的道路交通模糊图像盲复原

提出一种多尺度编解码深度卷积神经网络结构,使用生成对抗的思想对模糊图像直接进行盲复原.首先,设计一种优化多尺度残差块应用在编解码器内部,在减少参数量的同时提高了网络非线性表达能力;其次,分别计算多尺度网络每层对应的L2损失,确保逐级去模糊后的图像更加接近真实图像;最后,在GoPro数据集和真实道路交通模糊图像上进行仿真...     

基于残差密集块与注意力机制的图像去雾网络

基于卷积神经网络的单幅图像去雾算法虽然取得了一定进展,但仍然存在去雾不完全和伪影等问题.基于这一现状,提出了一种以编码器-解码器结构为基本框架,融合注意力机制与残差密集块的单幅图像去雾网络.首先,利用网络中的编码器、特征恢复模块和解码器三个部分直接对去雾后的图像进行预测;然后,在网络中引入本文所设计的带有注意力机制的残差密集块,提升网络的特征提取能力;最后,基于注意力机制提出自适应跳跃连接模块,增强网络对去雾图像细节的恢复能力.实验结果表明,与现有去雾方法相比,提出的去雾网络在合成有雾图像数据集和真实有雾图像上均取得了较为理想的去雾效果.     

基于双转移网络的深度特征重排图像修复算法

为对图像中大面积缺失区域进行合理的结构修复和精细的纹理填充,提出了一种基于双转移网络的深度特征重排图像修复算法.首先提取缺失图像的特征并还原图像纹理细节;然后根据编码器特征估计缺失内容,提出基于解码器特征的内容损失函数,减少全连接层的解码器特征与缺失区域编码器特征之间的距离,保证合成图像语义的准确性和结构的合理性.在公开数据集上,将提出算法与现有经典算法进行对比,结果表明:在大面积缺失图像修复中,提出算法能得到清晰、细节细腻且视觉合理的结果.     

联合双编码器增强的生成对抗壁画多尺度重建

针对现有深度学习算法在修复破损壁画图像过程中,存在特征感知能力较弱和重建细节丢失等问题,提出了一种联合双编码器增强的生成对抗壁画多尺度重建深度学习模型．首先,设计由双分支联合编码器和多尺度解码器构成的生成网络,其中双分支联合编码器分为门控编码器分支和标准编码器分支：门控编码器分支利用门控卷积的动态特征选择机制并结合空洞卷积扩大感受野,提高壁画的语义特征感知能力;而标准编码器分支则利用标准卷积并结合密集连接加强特征传递,以获得更丰富的壁画细节信息．然后,采用多尺度解码器进行重构恢复,增强破损壁画纹理细节的重构能力．最后,通过谱归一化马尔科夫判别网络改善壁画修复结果的语义一致性和结构连续性．通过对真实敦煌壁画进行数字化修复的实验结果表明：所提出的算法能够有效完成破损壁画的修复,重构取得了更好地视觉感和协调性,在主客观评价方面均优于比较算法．     

基于双编码路径融合和双向ConvLSTM的神经元图像分割

目标分割是神经元图像分析中必不可少的步骤之一，分割的准确性会直接影响到神经元图像分析和重建的质量。在面对结构边界模糊、存在弱噪声或弱纤维信号的神经元图像时，已有的分割方法依然存在误差较大、识别信号不准等问题。为了解决这些问题，基于神经元的特征，本文提出一种基于双编码路径融合和双向ConvLSTM的深度学习网络(DFC-Net)用于神经元图像分割。首先，网络在编码器阶段采用双编码路径提取特征，其中第一路编码路径采用基于空洞卷积的密集连接网络作为固定特征提取器，第二路编码器采用深度残差网络作为特征提取网络；接着，使用密集连接ASPP网络作为桥梁连接编码器和解码器；最后，在跳跃连接中使用双向ConvLSTM结合编码器和解码器，在解码器阶段引入融合网络以融合2个编码器提取的特征，从而增强空间信息的传播。多组对比实验结果显示，本文提出的网络有效地提高了电子显微镜神经元图像的分割精度，在ISBI-2012和SNEMI3D数据集上的Sen、Dice分别达到0.952 7、0.958 9和0.941 6、0.912 7,平均准确率相比于其他U-Net变体网络提高2.93%。     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

基于深度对抗网络和局部模糊探测的目标运动去模糊

目标运动场景去模糊问题是一个具有挑战性的病态逆问题,这是因为在动态场景中不同目标和背景区域可能会存在不同的模糊核.现有的基于能量优化的去模糊方法是将模糊图像分割成具有不同模糊度的多层图像,然后对不同的模糊层进行去模糊处理,然而其优化方案往往涉及迭代,耗时又烦琐.针对目标区域与背景区域可分离的模糊场景,结合传统的基于能量优化和基于深度学习方法的优点,提出一种基于深度对抗网络和局部模糊探测的目标运动场景去模糊模型,该模型由三个生成网络组成,用以建模潜在清晰图像、模糊核和模糊图像的权重变量.模型采用深度图像先验(Deep Image Prior,DIP)作为潜在清晰图像的正则化项,使用非对称跳跃连接自编码器生成潜在图像;采用全连接网络(Fully-Connected Network,FCN)生成模糊核.为了准确地获取模糊图像的分割结果,提出三条准则来指导权值变量网络结构的设计.实验结果表明,该方法同其他传统方法相比可以显著地提升重构性能,视觉效果更好.     

基于循环生成对抗网络的人脸素描合成网络设计

针对目前人脸到素描合成存在生成的素描图轮廓模糊、细节纹理缺失等问题,提出一种采用循环生成对抗网络(CycleGAN:Cycle-Generative Adversarial Networks)解决方案。构建多尺度CycleGAN,生成器采用深度监督的U-Net++结构为基础,在其解码器端进行下采样密集跳跃连接;在其生成器的编码器端设计通道注意力和和空间注意力机制形成特征增强模块;最后在生成器中增加像素注意力模块。实验结果表明,与现有经典算法相比,从主观视觉评测和利用现有的4种图像质量评价算法进行质量评估,该方法较好地合成了素描图像的几何边缘和面部细节信息,提高了素描图像的质量。     

基于注意力机制和感知损失的遥感图像去噪

遥感图像去噪对于遥感图像在后续的分类、检测等任务中有着非常重要的作用.为了让去噪后的图像更好地保留边缘细节信息,同时增强深度网络对噪声污染区域的辨识能力,本文结合注意力机制以及感知损失来处理遥感图像,提出了一种新的基于残差自编码器的遥感图像去噪网络ARED-VGG.考虑到遥感图像中不同地物大小不同,该网络首先同时使用图像的空间和光谱信息来提取多尺度特征;然后使用残差自编码器网络结构来进行图像空间-光谱多尺度图像重建.为了增加网络的辨识能力,更多地关注网络中提取的高频特征,网络引入了注意力机制.同时为了让去噪后的结果更符合视觉感观,使用了感知损失混合均方误差作为损失函数.从实验结果知,本文所提出的方法在噪声去除和纹理细节保留方面与NLM3D、BM4D、LRMR、HSID-CNN和3DADCNN相比表现更优.在Washington DC mall遥感图像数据集上进行了仿真实验,平均峰值信噪比以及平均结构相似性指标都有较好的结果;在AVIRIS Indian Pines数据集上进行了真实数据实验,以去噪后的结果地物分类指标作为验证,整体分类精度以及Kappa系数分别为96.90%和0.9647;对网络结构进行了消融实验,在两个数据集下,本文所提出的网络结构都能获得更优的结果.本文提出基于注意力机制和感知损失的深度神经网络进行遥感图像去噪,提高了网络的辨识能力,实现了良好的去噪性能,并且有效保持了图像的细节信息和光谱信息.     

基于生成对抗网络的人脸图像修复

为了有效修复大面积破损的面部图像,通过生成对抗网络,使用解码器-编码器结构的卷积神经网络作为生成模型,增强生成模型的结构信息预测能力,同时引入对抗训练策略优化生成模型。该模型首先训练一个判别模型识别真实图像,再将判别待修复图像输入生成模型后所得到的结果是否真实,从此为生成模型提供优化梯度。结合卷积神经网络的结构信息预测能力和DCGAN对抗策略的优化能力,提高图像补全效果。通过在CeleBA人脸数据集上进行的实验结果表明:该方法在补全大面积破损的图像任务上性能明显优于其他方法。     

基于特征稀疏化的粉尘图像深度预测

【目的】针对粉尘环境中单幅图像深度预测精度低的问题，提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络，利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架，编码器中使用残差网络(ResNet)对粉尘图像进行编码，设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法，以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息，平均相对误差降低到0.054,均方根误差降低到0.610,在δ<1.25时准确率达到0.967.     

基于深度卷积神经网络的运动模糊去除算法

为了提高图像去模糊的复原效果和处理速度,提出了基于深度卷积神经网络的运动模糊去除算法。以多尺度图像为依据,构建了基于自动编码器的网络模型。在扩大感受野方面,采用空洞卷积模块提取图像多尺度特征信息,采用残差模块拓宽网络深度,以解决训练过程中图像细节丢失的问题,实现了图像的端到端运动模糊去除任务。在GOPRO数据集和真实测试集上的实验结果表明,该文算法在参数量仅为3.24×10~6的情况下的峰值信噪比(PSNR)和结构相似性(SSIM)指标分别为28.53和0.914 1,运行时间为0.3 s。     

基于生成对抗网络的面部修复

如何更好地对受损的面部图像实施相应的修复,根据此问题指出了一类基于生成对抗网络改良以后的面部修复算法.首先,在生成模型中把编码器和解码器的中间层的全连接换成逐信道全连接,在编码和解码阶段使用卷积操作代替池化操作,针对损失函数采用的激活函数进行改进,增加tanh函数,提高图像补全效果.然后,在保证功能上不受损并且输入、输出尺寸保持原状的条件下对判别器的模型进行了相应的改良,最后,对损失函数引进TV损失、重建损失这二者来实现对生成网络的优化处理,由此提升细节图像方面的修复实力.通过实验表明,使用该方法修复后的面部图像,比先前的方法更清晰更连贯.     

基于边缘特征融合和跨连接的车道线语义分割神经网络

无人驾驶中的车道线检测任务需要同时确定车道线的位置、颜色和线型,而现有方法通常仅识别车道线的位置,不识别车道线的类型.为了端到端地解决这一问题,设计了一种语义分割神经网络,将一幅图像中不同车道线分割为不同区域,用每个区域的类别标签表示其对应的车道线类型.首先,在主流的编码器-解码器框架下,构建了一个结构较为简单的基础网络.考虑到边缘特征是车道线检测中的重点,为基础网络的编码器并联了一个边缘特征提取子网络,通过逐层融合边缘特征图和原始特征图增强车道线的特征.边缘特征提取子网络的结构与基础网络的编码器相同,其输入是对车道线图像进行Sobel滤波的结果.此外,编码器和解码器对称位置的卷积层输出的特征图尺寸相同,但具有不同的语义层级.为了更好地利用这一特性,建立从编码器到解码器对称位置的跨连接,在解码器逐层上采样的过程中融合编码器对应尺寸的特征图.在TSD-Lane车道线检测数据集上的实验表明,相比于基础网络,基于边缘特征融合和跨连接的神经网络的分割性能得到了较为显著的提高.该网络具有较好的车道线分割性能,能够在确定车道线位置的同时,区分黄线或白线、虚线或实线.在计算资源充足的前提下,该网络能够达到实时的检测速度.     

基于深度卷积神经网络的模糊字迹图像识别方法

在传统的模糊字迹图像识别过程中,忽略了字迹变化尺度对图像的影响,导致识别准确度低识别能力差的问题,提出基于深度卷积神经网络的模糊字迹图像识别方法.通过图像的退化模型,对模糊字迹图像稀疏性特征进行分解,构建模糊字迹图像的多源特征参数检测模型,结合边缘轮廓特征提取方法实现对模糊字迹图像的边界信息采样分析;采用多维参数模拟和模糊度增强处理,结合匹配滤波检测器对图像的多级尺度分解和细节特征进行提取,对提取的模糊字迹图像细节特征进行融合和优化检测,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的识别.仿真结果表明,采用该方法进行模糊字迹图像识别的准确性较高,检测能力较强,提高了模糊字迹图像修复和辨识能力.     

多尺度残差生成对抗网络的图像超分辨率重建

针对目前基于深度学习的超分辨率重建图像存在的纹理等高频信息丢失问题,提出了多尺度残差生成对抗网络的图像超分辨率重建算法。首先,使用Dense-Res2Net模块替代SRGAN生成网络中原本的残差模块,并且组合特征压缩与激发网络（SENet）从多个尺度自适应地提取浅层特征信息。其次,引入全变分正则化损失（TV loss）指导生成器训练。最后,使用Wasserstein距离优化对抗损失,提高网络训练稳定性。实验结果表明,该算法重建出的图像在视觉效果上保留了更加丰富的高频细节,与当前主流超分算法相比,该方法不仅有更高的峰值信噪比（PNSR）与结构相似性（SSIM）,且学习感知图像块相似度（LPIPS）的分数上均优其他算法。     

基于自编码器的红外与可见光图像融合算法

基于深度学习的红外与可见光图像融合是图像处理领域的研究热点之一,为丰富融合图像的细节信息、突出红外目标,基于自编码器网络提出一种可进行端到端训练的融合算法。首先,将编码器设计成双分支结构,并针对红外与可见光图像的特性设置不同的特征提取方式;其次,为有效地融合红外与可见光的互补信息,设计了一种可学习的融合策略,并使整个框架能够进行端到端的学习;最后,解码器对通过融合策略所获得的特征进行重构,进而得到融合图像。基于TNO数据集进行实验验证,定性和定量的结果表明,算法能够生成红外目标突出、细节信息丰富的融合图像,相较于其他算法,融合性能更加优越。     

面向盲去模糊的选择性内核卷积混合连接编解码网络

针对运动模糊在空间上非均匀且模糊核未知的特点,提出一种选择性内核卷积混合连接编解码网络.为避免估计模糊核产生误差,该网络采用对称编解码的结构,以端到端的方式实现盲去模糊;为消除非均匀模糊,设计一种选择性内核卷积混合连接块,使用两个感受野不同的分支增强网络提高非均匀模糊特征的适应能力;同时,该模块融合了通道注意力机制,对多分支特征图进行校准,增强有效特征信息;此外,使用均方误差与感知损失作为联合损失函数引导网络模型的训练.实验结果表明,该网络能够有效去除图像模糊,恢复出图像的边缘结构和纹理细节.     

多尺度低秩图像盲去模糊方法

针对现有的大多数基于统计先验的单幅图像盲去模糊方法对图像纹理细节恢复效果不佳且存在振铃效应的问题,提出了一种基于逐块局部最大梯度先验和低秩先验的多尺度图像盲去模糊方法。为了恢复得到清晰图像,采用由粗到精的多尺度框架,通过灰度化与下采样操作逐层构建图像金字塔;在单尺度层面,将逐块局部最大梯度先验和低秩先验带入到最大后验概率框架中,利用交替方向乘子法与半二次分裂法估计出潜在图像和模糊核;结合超拉普拉斯先验与总变差L_2方法,对模糊图像与估得的模糊核进行非盲反卷积,获得清晰图像。在计算过程中,由于直接求解低秩项的计算代价很大,将加权Schatte-1/2范数约束的低秩项子问题转化为非凸权重L_(1/2)范数子问题,采用广义软阈值方法求得全局最优解。在基准数据集上的实验结果表明:与现有的经典图像去模糊方法相比,所提方法取得了更优的图像去模糊效果;在K9hler的合成数据集上进行图像去模糊后,平均峰值信噪比为30.06 dB,平均结构相似性为0.946 5,估计出的模糊核更加精确。