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PLSA方法的用户兴趣聚类

为了在个性化搜索过程中能够准确地挖掘到用户的潜在兴趣并进行相应的聚类分析,提出采用潜语义空间的Zipf分布的特性,并结合PLSA(概率潜在语义分析)来获取全文的语义.即先通过Zipf分布原理找到文档的潜在语义空间,在此空间中对用户的兴趣进行聚类,并建立用户兴趣描述文件(user profile),即建立用户兴趣层次树.实验表明,所提出聚类算法的聚类效果明显优于传统的VSM(向量空间模型)的聚类效果,同时,在著名的CTI数据集上的个性化推荐实验结果也充分说明基于潜在语义空间构建的用户兴趣描述与用户真实兴趣相符合.     

基于LLE和PSO的快速虹膜图像重构算法

虹膜特征码Iriscode具有高效的识别性能,被广泛应用于虹膜识别系统中.随着人们对生物特征安全问题的重视,如何从Iriscode重构虹膜图像以评判虹膜识别系统的安全性已成为一个研究热点.文中对Iriscode重构虹膜图像问题进行了分析,构建了虹膜重构优化模型,并提出两阶段的快速虹膜重构算法.将提取Iriscode的过程视为距离保持的降维过程,在第一阶段中根据待测Iriscode的近邻,采用局部线性嵌入算法重构出若干非精确的虹膜重构图像;第二阶段利用粒子群优化算法,将前一阶段获得的非精确虹膜图像作为初始粒子进行迭代搜索,以获得精确结果.实验表明,本算法获得的重构虹膜图像能够通过虹膜识别系统,达到伪造攻击的目的.相比于其他重构算法,在时间及伪造成功率上都有提高.     

变分自动编码器的潜变量空间解耦方法

潜变量空间解耦是深度生成领域一个越来越热门的研究方向。对数据潜变量空间进行解耦带来最直观的好处是在生成数据时能选择性地调整数据的不同属性,实现更可控的数据生成。本文专注于潜变量空间解耦,提出一种能够进一步提高解耦任务度量指标的重要方法。本文方法基于变分自动编码器,在编码器阶段运用了自注意力机制和残差网络,使模型更有效地捕捉长期依赖关系,增强模型的维度适应性。在训练阶段,提出一种更好地驱使潜变量空间编码维度与属性值趋向单调关系的新颖损失函数。它更好地调节损失函数所处区间范围,更易于优化。该模型使潜在空间拥有较好的解耦程度和可解释性,有效地操纵生成图像的数据属性。实验结果表明,本文模型和方法在图像的潜变量空间解耦生成上优于目前许多先进方法,且具有更为轻量级的网络架构。     

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．     

基于复合稀疏约束的近似消息传递CS重构算法

压缩感知(CS)重构中的近似消息传递(AMP)算法通过迭代执行小波阈值操作和残差更新来快速准确地实现稀疏信号重构,但它所采用的小波系数稀疏约束并不适用于非稀疏的自然图像,尤其CS观测过程存在噪声干扰时.为此,文中提出了一种基于复合稀疏约束和AMP框架的CS图像重构算法,使用相似图像块低秩约束和双边滤波约束作为自然图像的联合先验信息,以改善图像规则纹理和边缘的恢复效果,从而提升算法的重构性能.无噪CS观测的重构实验表明,文中算法的峰值信噪比(PSNR)比仅用低秩约束的AMP算法提高了0.45 d B,比原始AMP算法高6.19 d B;而在含噪CS观测的重构实验中,对应的PSNR增益则分别是0.25和4.60 d B;无论是无噪观测还是含噪观测,文中算法都获得了更佳的主观视觉效果.     

足球视频中近镜头的分类方法

视频镜头类型能够弥补低级特征和高级语义之间的鸿沟,有利于精彩事件的检测.文中在现有镜头分类算法的基础上,提出了一种将足球视频中的近镜头进一步分成特写镜头和场外观众镜头的分类方法.该方法选取近镜头关键帧图像在RGB颜色空间中颜色分量最少的单色图像,并对其进行尺寸归一化,然后采用各向同性Sobel算子和闭运算处理,获得二值边缘图像,最后通过计算二值边缘图像中黑色分块的个数实现两类镜头的分类判别.实验结果表明,文中方法是有效且实用的.     

用于电子发票凭据篡改检测与恢复的认证水印算法

综合考虑文件大小、篡改检测性能和恢复质量,提出了一种适用于电子发票凭据真实性认证的GIF图像水印算法.该算法根据电子发票特性将图像块划分为重要块和非重要块两类,对所有图像块结合内容和类型码生成认证水印并嵌入自身的最低有效位,然后对重要块生成变长恢复水印,并基于密钥和重要块比例自适应选择多个非重要块携带水印信息,以使含水印图像的质量和文件大小最优.通过认证水印、类型码和恢复水印三层比较实现了对图像块的真实性认证.图像块分类仅对重要块生成变长恢复水印,能有效降低水印嵌入容量,不仅提高了含水印图像的质量,而且使含水印电子发票的GIF图像文件较小,同时三层比较检测还提高了算法的篡改检测性能.与现有同类认证水印算法相比,文中算法可在不降低篡改检测与恢复性能的基础上,使含水印电子发票图像的GIF文件减小1/2.     

—种使用小波变换的凸集投影超分辨图像重建

凸集投影（POCS）是一种把多帧低分辨率图像重构为高分辨率图像的算法,但是该算法在图像的高频信息恢复和降噪方面不是很理想。在本文中,在凸集投影（POCS）算法的基础上利用小波变换来提取出隐藏在低分辨图像中的高频信息和降低低分辨图像的噪声,可以更好地恢复出图像的细节并提高信噪比。实验仿真的结果表明,此方法在细节重构方面确实更优于凸集投影（POCS）算法。     

基于抗几何变换的离散深度哈希算法

现有的深度哈希算法首先利用连续松弛策略学习连续的近似码,然后通过量化运算将其转化为离散哈希码,导致哈希码出现次优问题.为了解决上述问题,提出了一种基于抗几何变换的离散深度哈希算法,利用抗几何变换和语义监督信息直接指导离散哈希码的学习.首先,本文将离散哈希码学习和深度特征学习集成在一个统一的网络框架中,利用语义监督来指导...     

基于边缘链码信息的黏连细胞分割算法

介绍了一种基于边缘链码信息的黏连细胞自动分割算法. 该算法对弱对比度的细胞图像预处理;对二值化图像进行链码跟踪,并计算边缘各点的链码和、链码差、等效周长、弧弦比等特征参数;利用特征参数判断边缘光滑段、边缘角点;对真实分割角点进行线性插值最终实现黏连细胞的分割. 将该算法应用于2组细胞图像序列共120帧图像的分割中,不仅解决了黏连细胞的分割难题,而且能够准确进行细胞凹陷的修补和细胞图像的简单计数. 统计结果表明,相比于阈值法和先验模型法,该算法的分割成功帧占整个序列的百分比提高40%~60%.      

基于目标检测的单目视觉半稠密语义地图构建

传统的视觉SLAM系统在机器人定位和制图工作中取得了显著的成功,但存在着缺乏场景信息、地图过于稀疏、单目相机初始化困难等亟待解决的问题。本文提出了MNS-SLAM（Monocular-semantic SLAM）,将目标检测算法与单目视觉SLAM（同时定位与地图构建）技术相结合,进而构建有助于环境理解的半稠密语义地图。首先,通过目标检测网络YOLOv4检测对象获取边界框和类别信息,通过消失点算法和二次曲面恢复算法由2D目标检测恢复出3D长方体及二次曲面,实现3D物体的位姿初始化。同时,引入了目标间相对位姿不变性的语义约束,构造了语义损失函数,将其添加到BA优化中,最后通过增量式3D线段提取,构建带有物体语义信息的半稠密地图。文中方法在TUM公开数据集和真实场景中进行试验,不仅构建了半稠密地图,同时添加了语义信息,为后端的优化提供了新的约束,相机的绝对和相对位姿误差表现出优于单目ORB-SLAM2的性能,有助于搭载单目相机的移动机器人感知和理解环境,执行更复杂的任务。     

利用对抗性边缘学习模型生成超分辨率图像

大部分基于卷积神经网络的图像超分辨率方法都是采用端到端的模式,这类图像超分辨率方法往往存在重构图像纹理边缘模糊、高频信息缺失的问题.为了改善该问题,在SRGAN(super-resolution generation adversarial networks)的基础上提出了一种基于对抗性图像边缘学习的深层网络模型,将图像边缘信息得到充分利用,来引导超分网络生成更加真实的高分辨率图像.该网络模型由两个生成对抗网络所组成,首先利用一个生成对抗网络来生成低分辨率图像所对应的高分辨率边缘特征图,然后再用高分辨率边缘特征图来约束和引导第二个生成对抗网络,使之重构出来的高分辨率图像纹理边缘更加清晰,更好地恢复图像边缘的高频细节.在Set5、Set14、BSD100、Urban100和Manga109基准测试集上的实验结果表明该算法重构出的高分辨率图像更加接近真实的图像,在峰值信噪比、结构相似度和感知指标上都有不错的表现.     

基于图像块归类的背景重构算法

为了降低图像序列运动目标检测中背景重构的时间复杂度和空间复杂度,提出一种基于子图像块归类的背景重构算法.在假设背景图像块以最大概率出现在图像序列中的前提下,选择编号频率最高的图像块作为背景图像块进行背景重构.在运动目标有较长的暂时停顿情况下,即观测长度较长时利用该算法进行实时背景重构具有明显的优点.仿真结果表明,该算法能够准确地重构背景,并有效地避免混合现象,从而实现对运动目标的完整提取,以便进一步识别或跟踪.     

基于多幅未标定图像的三维度量重构

提出了一种基于多幅未标定图像,恢复场景三维几何的优化矩阵分解算法,该算法先通过迭代逼近得到射影重构,然后通过估计绝对二次曲面,将射影重构更新到度量重构。采用真实图像测试,获得好的实验结果,说明该方法简单易用。     

基于双MRF模型的夜间图像增强方法

为了获得更理想的夜间可视效果,通过分析Retinex算法在图像增强时存在的问题,提出一种基于双马尔科夫随机场(MRF)模型的单幅夜间图像增强算法。该算法首先在HSV颜色空间下构造边缘保持的Gaussian-MRF模型对照度分量进行估计,根据Retinex原理获得仅包含物体本身特性的反射分量,并通过增益补偿方法对亮度进行恢复与校正,然后构造Huber-MRF模型对增强结果进行优化,经过颜色空间转换后,最终实现夜间图像的增强。研究结果表明:本文算法增强效果显著,能够有效地凸显边缘细节信息,恢复图像的真实颜色,抑制暗区域噪声,削弱"光晕伪影"的影响,改善夜间图像质量。     

一种高效可逆变长码的构造算法

可逆变长码以其出色的抗误码扩散的能力而被近来的视频压缩标准 (H.2 6 3++和 MPEG- 4 )所采纳。为了进一步提高可逆变长码的效率 ,提出了一种新的可逆变长码的构造算法。该算法中使用二叉树结构进行码字的构造 ,并分析了二叉树中可逆变长码的构造条件。提出了一个代价函数 ,用它来决定各层中叶子节点的数量 ,并且在选择叶子节点的位置时 ,充分考虑到不同叶子结点位置的组合对于下层可用节点数目的影响。相对于现有的其它算法 ,这种算法能够构造出更为高效的可逆变长码 ,并且算法本身非常简单 ,易于实现。     

一种带钢表面缺陷检测的算法

为了准确快捷地对带钢表面缺陷进行在线自动检测,提出了一种小波提升格式的Mallat的表面缺陷检测方法。原始的Mallat算法滤波后的重构图像数据不再是整数,因此无法精确的实现无失真的小波重构图像。提出提升格式的双正交小波分解能够实现从整数到整数的变换,该算法首先利用小波变换的多分辨率的分析特点,对图像进行多尺度双正交小波提升算子的快速分解;然后再对重构后的图像进行二值化,提取出缺陷特征。实验结果表明,该方法能够明显检测出缺陷的存在。     

基于多参数正则化的高分辨率图像重构算法

根据完全重构滤波器的性质,提出一种基于多参数正则化方法的高分辨率图像重构算法。该算法利用多参数正则化方法,恢复图像的高频部分,然后将恢复的高频信号与低频部分叠加,得到重构的高分辨率图像。由于该算法沿不同滤波方向选取不同的正则化参数,因此有效地抑制了噪声对重构图像的影响,改善了图像在边缘部分的重构效果,从而弥补了己有方法的不足。对所提出算法的收敛性进行了分析,并通过数值实验验证文中所提出算法的有效性。     

基于广义交叉检验的自适应约束最小二乘图像恢复

现有的图像恢复方法中有一部分需要正则化系数,而正则化系数估计的准确与否是决定恢复图像质量好坏的关键,为了能够自适应地恢复图像,研究了约束最小二乘算法的图像恢复问题,提出了应用广义交叉检验方法估计约束最小二乘算法中的正则化系数．实验结果证明,用该算法估计的正则化系数恢复图像质量更佳,速度比普通的迭代方法快,而且该最小乘图像恢复方法实现了图像自适应图像恢复．