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.     

TV模型的结构纹理图像修复方法

针对TV模型无法修复纹理的现状,结合改进的TV方法,提出一种新的结构纹理图像修复方法.该方法首先获取待修复区域的纹理方向,然后将,TV模型在纹理方向上差分化求解.其保留了结构修复的特征,同时可以修复"Y"形甚至"X"形结构纹理缺失.实验表明,该算法能高效、稳定地处理破损区域的图像信息.     

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.     

基于递归特征估计的图像修复算法

针对现有图像修复方法纹理不清晰和结构错乱等问题,提出基于递归特征估计的图像修复模型,此模型基于部分卷积和注意力机制且不需要额外的标签。整体框架分为两个部分,粗修复模块和精修复模块,前者初步修复前景,后者利用递归特征估计递进式地修复缺失区域的边界,不断缩小空洞的面积,这种方式不断加强对缺失区域中央的约束,使得修复结果更加精细。实验表明,与其他经典的方法相比,此结构提高了图像修复的性能,其定性和定量分析均表现最优。     

基于密集残差网络的图像隐藏方案

针对基于编-解码器网络的图像隐写方案生成的含密图像和消息图像质量不高的问题,提出了一种新的基于密集残差连接的编码器-解码器隐写方案,与现有的端到端图像隐写网络不同,本文采用密集残差连接,将浅层网络的特征输送到深层网络结构的每一层,有效的保留了特征图的细节信息,并使用通道和空间注意力模块对特征进行筛选,提高了编-解码器对图像复杂纹理区域的关注度。在LFW、PASCAL-VOC12和ImageNet数据集的实验结果表明,在保证算法安全性的前提下,所提方法能够有效提高图像质量,含密图像和载体图像的峰值信噪比(PSNR)和结构相似性(SSIM)的平均值最高达到了36.2dB和0.98。     

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。     

人脸属性编辑的全局组织网络算法

提出一种新的基于生成对抗网络的人脸属性编辑全局组织网络算法.人脸属性编辑是指通过结合编码解码器结构与生成对抗网络,生成具有期望属性的人脸图像.传统的编码解码器结构对人脸的重构和编辑能力有限.直接将编码特征与属性标签结合会因为融入编码特征造成属性编辑性能低下,同时,也会由于缺失编码特征造成人脸还原度的损失,两者无法平衡.因此,提出U型传递方式与全局组织单元. U型传递改变了传统的属性流动方式,并生成反向状态.全局组织单元结合反向状态生成全局属性信息,在编码解码器中搭建桥梁,帮助解码器更好地融入编码器特征与属性信息.与此同时,为了更好地配合全局组织模块,重新设计了编码器下采样.实验结果表明,本文所提方法可以同时提高模型的人脸重塑与属性编辑能力.      

基于色差分析的图像修复改进算法

逐块修复的图像修复算法对修复边缘敏感,目前普遍采用的基于等照度线的修复优先权确定方法并不能很好地区分图像的结构和纹理成分,使得修复效果依赖于图像掩码的初始边缘且对于纹理和结构高度混杂的区域不能有很好的修复效果.提出了一种基于色差分析的图像修复改进算法,根据待修复像素块与邻域像素块的像素值变化确定修复优先权.实验结果表明...     

基于特征关联融合的图像检索方法

鉴于单一特征检索效果的不足,提出基于颜色和纹理特征相互关联融合的图像检索新方法。利用非等间隔量化HSV颜色空间,提取图像的颜色特征,利用Gabor小波提取图像的纹理特征;对内容分布简单的检索图像,采用图像底层特征串行关联(FSC)方法,对内容分布复杂的检索图像,采用基于典型相关分析(CCA)的图像底层特征并行关联(FPC)的方法,融合颜色特征和纹理特征进而检索图像。     

基于改进U-Net神经网络的图像去噪算法

针对目前常见的U-Net网络结构以及现有的图像去噪算法在去除图像噪声时,处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题,提出了一种改进的U-Net网络结构去噪算法。它由去噪模块以及边缘信息提取模块组成,首先,利用U-Net++中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以减少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块,还原出更真实的图像。实验表明,在常见的Set5、Set12、Kodak24和CBSD68数据集测试所提出的算法,在图像的客观评价指标上均优于目前具有代表性的去噪算法,同时图像的边缘细节和纹理特征更清晰真实,视觉效果上更好。     

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.     

基于纹理结构引导自适应的改进Criminisi算法

针对缺损图像修复时容易产生纹理紊乱、边界残缺等问题,基于Criminisi算法提出一种纹理结构引导的自适应图像修复算法。首先对决定合成顺序的优先级进行改进,在数据项中加入结构张量,使图像修复从结构区域向无结构区域填充;其次根据原图像区域纹理结构信息自适应地改变模板块的尺寸,这在一定程度上避免了纹理块过小或过大带来的弊端,从而使合成效果更为自然。实验结果表明,本文提出的改进算法不仅保证了修复图像结构信息的合理填充,还较好地保持了修复边界的完整性,图像修复后具有较佳视觉效果。     

基于区域过划分和再融合的全幅视觉图像分割

研究对移动机器人采集的视觉图像进行全局精确分割问题. 针对全幅道路图像分割问题提出:首先利用区域生长算法对视觉图像在HSV颜色空间下进行基于颜色特征的全局过分割,再利用傅里叶变换提取周向谱纹理特征,根据空间位置的相邻性和周向谱的分布特性,对过分割的全幅视觉图像进行基于纹理特征的再融合. 实验结果表明,该算法能够准确实现全幅图像的分割,比单纯利用颜色或纹理特征进行全幅图像分割具有更高的精度和可靠性.     

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。     

结构门控与纹理联合引导的生成对抗壁画修复

现有深度学习修复方法修复壁画时，受结构和纹理影响较大，修复结果易出现结构紊乱和纹理模糊等问题.针对这些问题，提出了一种结构门控融合与纹理联合引导的生成对抗壁画修复模型.首先，构建由结构引导编码子网络和纹理引导解码子网络构成的生成网络，利用结构信息引导编码，并通过门控特征增强边缘轮廓信息.然后，设计纹理引导器和方向注意力模块提取分层纹理特征，引导解码器重构修复，提高壁画的纹理一致性.最后，采用跳跃连接促进结构和纹理的特征互补，并利用谱归一化马尔科夫判别模型对抗完成壁画修复.对真实敦煌壁画数字化修复实验的结果表明：所提方法主客观评价均优于比较算法，修复结果更加清晰、自然.     

基于SSIM的自适应样本块图像修复算法

现有基于样本块的图像修复算法,大多通过人工设定样本块大小来达到最佳修复效果,缺乏自适应性;此外,对图像不同纹理和结构区域采用相同大小的样本块,也不利于获得整体最优修复效果.为解决上述问题,本文提出一种基于改进结构相似性的自适应样本块大小选取算法,在传统的SSIM算法的基础上增加了梯度信息,并通过结合样本块亮度、对比度和结构3个模块来衡量结构差异,以此确定不同结构和纹理区域的最优样本块大小,提高算法适应性,改善修复效果.仿真实验结果表明,当图像存在复杂的结构和纹理信息时,本文算法仍然能够获得理想的修复效果.     

纹理保留的PCA非局部均值改进降噪方法

针对PCA-NLM去噪方法容易丢失图像纹理细节的问题,提出一种基于纹理特征描述的改进PCA非局部均值去噪方法.基于局部结构张量的边缘纹理描述将图像划分为平坦区、边缘区和纹理区,根据边缘纹理特征值自适应地选取PCA维数和搜索区域以改进去噪效果.实验结果表明,该方法对纹理细节丰富的区域能更好地保留了图像纹理细节,降噪效果优于PCA-NLM方法.