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.     

基于改进知识一致性注意力的图像修复算法

为有效解决修复大面积不规则洞孔出现的纹理模糊、结构失真等问题,提出了基于改进知识一致性注意力机制图像修复算法．首先使用部分卷积对待修复图像进行处理,随后将处理的特征图送入包含混合空洞卷积(HDC)与改进知识一致性注意力机制(KCA)的特征推理模块．推理完成后将输出特征图输入至部分卷积与特征推理模块进行循环推理,逐步提升网络的修复能力,循环完成后对输出图像进行特征合并．最后将合并特征图进行去残差瓶颈层以增强修复图像的结构完整性．提出模型使用组归一化方式(GN)加快损失函数收敛速度．在公开数据集上验证提出算法的性能,主客观实验结果表明：提出算法能有效修复大面积连续不规则区域,能够较好地避免修复失真,其峰值信噪比和结构相似度及运算速度优于对比算法．     

基于潜在特征重构和注意力机制的人脸图像修复

本研究针对现有图像修复方法不能有效地分离结构和纹理信息,修复结果往往会出现边界模糊、结构扭曲等伪影问题,提出了基于潜在特征重构和注意力机制的人脸图像修复方法。人脸图像修复方法分为两阶段,第一阶段,通过结构重建器网络提取样式向量,按照StyleGAN所述的原理分为粗尺度特征、中尺度特征和精细特征三组,插入到预先训练好的StyleGAN生成器中,产生初步的修复结果;第二阶段通过构建纹理生成网络并使用上下文注意力机制,注意力分数由注意力计算模块计算,注意力转移模块根据较高级别特征图和注意力分数来填充较低级别特征图中的对应缺失区域,以细化上一阶段初步的人脸修复结果。在CelebA-HQ数据集上的训练并进行测试,本文的方法在定量和定性分析两个方面均优于现有方法。因此,基于潜在特征重构和注意力机制的人脸图像修复方法能够有效地修复缺损人脸图像,大大减少了边界过度平滑和存在纹理伪影的问题。     

基于U-net边缘生成和超图卷积的两阶段修复算法

为了有效修复背景复杂、大面积不规则缺失区域，得到合理的结构和精细的纹理，提出了基于U-net边缘生成和超图卷积的两阶段修复算法.首先，将缺失图像输入基于U-net门控卷积的粗修复网络，通过跳跃连接将图像的上下文信息向深层传播，获取丰富的图像细节信息，下采样提取缺失区域边缘特征，上采样还原缺失区域边缘细节，同时使用混合空洞卷积增大信息感受野，获取细节纹理信息.然后，将粗修复结果输入含超图卷积的细修复网络，捕获和学习输入图像中的超图结构，使用空间特征的互相关矩阵捕获空间特征结构，改善结构完整性并提升细节细粒度.最后，将细修复结果输入鉴别器进行判别优化，进一步优化修复结果.在国际公认数据集上进行实验仿真，结果显示：本文提出的算法在修复大面积不规则缺失时，可以生成合理的结构和丰富的纹理细节，修复的视觉效果，PSNR,SSIM和L1损失优于对比算法.     

基于双重自注意力机制的人脸图像修复

人脸图像修复旨在修复输入人脸图像中的缺失区域,生成令人满意的高质量修复结果.然而当存在大面积缺失时,直接修复缺失人脸图像十分困难,此时修复网络的全局上下文信息感知能力是影响修复结果的关键.鉴于此,本文提出了软硬注意力相结合的双重自注意力模块.该模块通过全局相似度计算来获得软硬两种注意力特征,之后对两种注意力特征进行自适应融合,进而提高修复网络对全局上下文信息的感知能力.此外,本文进一步提出了多尺度生成对抗网络以加强对修复结果的监督,促使修复网络生成更高质量的修复结果.实验结果表明,本文方法在定量和定性评测上均优于五种先进的对比方法.     

基于残差变换器的并行傅里叶卷积修复算法

为解决现有图像修复算法因缺乏上下文信息和有效的感受野导致修复大面积随机破损时效果差且只能修复低分辨率图像的缺陷,提出了基于残差变换器的并行傅里叶卷积修复算法.首先,提出基于变换器的改进残差网络模块提取待修复图像的纹理特征;然后,设计并行快速傅里叶卷积模块增强损失图像的高度有效感受野捕捉结构信息;最后,提出门控双特征融合模块交换和结合图像的结构与纹理分量,融合上下文特征,改善生成纹理的细粒度.在两个公开数据集上进行定性和定量实验,实验结果表明：所提算法可有效修复结构复杂且纹理精细的随机不规则大面积破损区域,生成结构合理、纹理细腻和语义丰富的高保真图像,并能用于高分辨率图像的目标移除.     

基于区域空间与词汇加权的图像自动标注

图像自动标注是图像检索与图像理解中重要而又极具挑战性的问题.针对现有模型忽略了图像不同区域对图像整体贡献程度的差异性,提出了基于区域空间加权的标注方法,改善了图像的区域特征生成概率估计.此外,针对现有模型未考虑词汇本身重要性以及词汇分布对标注性能的影响,提出了基于词汇固定权值的标注方法、基于平滑词汇频率的标注方法以及基于词汇TF-IDF加权的标注方法,对词汇的生成概率估计部分进行了改进.综合以上区域空间改进与词汇改进,提出了WDVRM图像标注模型.通过在Corel数据库进行的实验,验证了WDVRM模型的有效性.     

基于注意力机制的多粒度匹配的表情识别模型

面部表情自动识别技术已在人工智能领域受到广泛使用。然而，由于姿态变化和遮挡，人脸表情识别中的一个关键挑战是提取细粒度特征的方法。文章提出一种基于注意机制的多粒度匹配模型，特别地，在多粒度匹配模块中部署了多粒度模块和关注度估计模块。通过多粒度模块将细节图像划分为多个细粒度局部区域，并计算局部特征的关注度权重来构造全局特征。图像细节处理模块用于获取原始图像的细节特征。在CK+和Fer2013上进行了大量实验，结果证明了本文方法的有效性。     

联合特征推理和语义增强的渐进式壁画修复

针对现有深度学习算法修复壁画图像时，未充分考虑破损区域与完好区域信息的一致性，导致修复结果易出现边界效应和纹理模糊等问题，提出了一种联合特征推理和语义增强的渐进式壁画修复算法.首先，设计区域渐进结构，实现了待修复区域的渐进式收缩修复.然后，利用特征推理模块，对缺失像素的特征值进行迭代推理填充，减小壁画修复重构误差，增强壁画破损区域与完好区域之间的相关性.最后，将各层特征图自适应融合，并采用语义增强模块进行纹理细节迁移，提升壁画补全区域和整体的一致性.敦煌壁画数字化修复实验表明：所提方法修复结果具有更好的纹理细节一致性，在主客观评价指标上均优于比较算法.     

基于并联卷积神经网络的运动模糊去除模型

为了提取丰富的图像特征,提出了一种并联卷积神经网络模型．核心支路采用改进级联编解码器模块,在传统编码器路径中引入通道注意机制和塔式空洞卷积模块提取丰富的上下文信息,在模块间引入跳跃连接,以保留图像细节．并行支路采用基于塔式空洞卷积模块的改进递归残差组,在提取充足空间细节信息的同时能够将特征传递到网络深处,保存图像的精细纹理．最后在GoPro数据集和Kohler数据集上评估模型的性能．从实验结果可以看出该模型在主客观评价上都表现良好．     

一种结合全局一致性与局部连续性的壁画修复方法

提出了一种全局一致性和局部连续性结合的壁画修复算法.主要利用线性系统和图像修复间所蕴含的关系,构建具有全局过完备特性的相似块集合字典,同时构造弹性网正则化下的稀疏修复模型,并用同伦-最小角回归法求解出过完备字典下的稀疏系数;通过字典与系数的线性组合,得到待修复区域的全局特征;之后提出一种基于领域相似特性的局部特征估计方...     

基于样本块和BSCB模型的壁画裂缝修复方法

针对采用传统方法虚拟修复北齐墓葬壁画复杂裂缝效果较差的问题,以水泉梁北齐墓室壁画为例,提出了基于改进的BSCB(bertalmio sapiro caselles bellester)模型与样本块修复算法相结合的虚拟修复方法。首先直方图增强后用最大类间方差法(Otsu)获取裂缝;其次,结合使用连通域标记算法与开、闭运算分离裂缝;再采用改进的BSCB模型对所有裂缝进行修补;然后用基于样本块图像修复算法消除扩散修复痕迹;最后利用颜色提取、替换恢复前景色彩,获得裂缝最终修复结果。实验结果表明,该方法同时修复壁画纹理区域的大裂缝与相连于壁画结构的小裂缝时,既能保证修复区域的清晰度,又能连接破损边缘,还能恢复部分区域的色彩;相较于其他修复方法,在边缘连续性上至少提升15.90%。     

一种保持边缘线的图像修补技术

图像修补是对图像损毁区域进行适当修补以满足人眼视觉要求的一种技术.对于边缘清晰的图像,大部分基于偏微分方程修补模型的修复结果可能会造成边缘的模糊扩散或产生锯齿.为此,提出一种基于拟合和插值的边缘保持方法,通过对边缘线预测保持后再用TV修复模型进行修补.该算法实现速度快,实验证明对边缘的修复效果较好.     

一种新的基于破损区域分块划分的图像修复算法

针对破损区域较大、结构信息复杂的图像修复难题,在分析手工修复方法的基础上,提出一种基于破损区域分块划分的图像修复算法。根据边界线破损而断裂的图像,先估算破损区域边缘各断裂边界线的走向;再将同一条边界线的各断裂边界线进行平滑连接,可将破损区域划分成不同的块;然后分别计算各块的优先等级;并利用BSCB算法,按优先级对各块进行修复;最后,将算法与BSCB算法及近年来提出的图像修复算法进行比较。结果表明,所采用的图像修复算法修复结果图像结构信息更清晰、图像边界过渡更自然、更符合视觉感知;并具有更高的峰值信噪比。     

一种快速的图像修复算法

TV模型算法是目前较为流行的图像修复算法,但其修复速度慢,修复效果不是太理想.文章对TV模型进行改进,采用从外到内的修复顺序,并完全采用已知区域信息对图像进行修复,所有待修复的点仅需1次迭代便可完成修复.实验表明,在修复缺损的数字图像时,文中提出的算法与TV模型算法相比,无论是修复速度,还是修复效果,都有非常明显的提高...     

方差约束因子耦合搜索区域判定模型的图像修复算法

为了解决Criminisi算法在图像修复过程中无法保证修复块的优先级顺序,从而导致修复质量不佳的问题,提出了方差约束因子耦合搜索区域判定模型的图像修复算法.首先,将待修复块分割为两个子块,通过子块的方差构建方差约束因子,并利用方差约束因子改进Criminisi算法中的优先权函数;然后,在二维直角坐标系中对损坏区域进行测量,根据测量结果选取损坏基准值,以构建搜索区域判定模型,确定最优匹配块的搜索范围;最后,引入SSD(Sum of Squared Differences)模型在搜索区域中选取最优匹配块,利用最优匹配块中像素点与待修复块中对应像素点的像素差值构造置信度更新模型,对置信度进行更新,实现图像的修复.实验结果表明,与其他图像修复算法相比,本文算法具有更好的图像修复视觉质量.     

基于注意力特征融合稠密网络的图像去雾算法

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像的颜色、边缘特征;基于稠密连接空洞卷积自编码器的雾霾模型参数估计模块用于估计雾霾模型的参数,改善网络退化的问题.在浓雾图像、薄雾图像数据集上的实验表明,本文提出的算法有效地实现了图像去雾,与主流的图像去雾算法相比具有更高的结构相似性(SSIM),更低的均方误差(mean-square error,MSE)和边缘误差e_○edge.     

基于梯度调节规则的图像修复算法研究

当前较多图像修复算法采用单一大小样本块进行图像修复,不能适应图像不同差异的纹理丰富度变化,使得修复结果存在块效应以及模糊效应等不足。本文利用图像的梯度值,设计了基于梯度调节规则的图像修复算法。将图像的梯度信息引入优先权计算,联合数据项、置信度项目构造优先权计算函数,以计算优先修复块。利用图像的梯度变化率,建立梯度调节规则,用以调节样本块大小,适应不同的纹理丰富度。引入SSD(Sumofsquareddifferences)函数从源区域中寻找最优匹配块,实现图像修复。实验结果显示,所设计方法修复的图像具有良好的视觉效果。     

基于Navier-Stokes方程的图像修复算法

 图像修复是一个基于周围未被损坏信息对图像中丢失或损坏信息进行修补的过程。提出了一个基于Navier Stokes方程的新的图像修复算法。该算法能够同时在修复区域内部进行信息的填充,而在修复区域外部去除噪声(如果存在)。实验结果表明模型对于图像中划痕,信息丢失,甚至移除整个景物都是有效的。