基于窗口自注意力网络的单图像去雨算法

单图像去雨研究旨在利用退化的雨图恢复出无雨图像，而现有的基于深度学习的去雨算法未能有效地利用雨图的全局性信息，导致去雨后的图像损失部分细节和结构信息.针对此问题，提出一种基于窗口自注意力网络(Swin Transformer)的单图像去雨算法.该算法网络主要包括浅层特征提取模块和深度特征提取网络两部分.前者利用上下文信息聚合输入来适应雨痕分布的多样性，进而提取雨图的浅层特征.后者利用Swin Transformer捕获全局性信息和像素点间的长距离依赖关系，并结合残差卷积和密集连接强化特征学习，最后通过全局残差卷积输出去雨图像.此外，提出一种同时约束图像边缘和区域相似性的综合损失函数来进一步提高去雨图像的质量.实验表明，与目前单图像去雨表现优秀的算法MSPFN、 MPRNet相比，该算法使去雨图像的峰值信噪比提高0.19 dB和2.17 dB,结构相似性提高3.433%和1.412%,同时网络模型参数量下降84.59%和34.53%,前向传播平均耗时减少21.25%和26.67%.     

新型全装配剪力墙抗震性能模拟

参考“螺栓连接件螺栓”式水平接缝连接构造全装配混凝土剪力墙(PSW-1),设计了一种新型“螺栓连接件”式水平接缝连接构造全装配混凝土剪力墙(PSW-2),并通过有限元软件ABAQUS建立了PSW-1、PSW-2和对比现浇剪力墙试件(SW-1)的理论分析模型。在试验工况下对PSW-1进行了单向加载模拟并将所得荷载位移曲线与试验结果进行对比,证明文中数值模拟方法有效;对PSW-1、PSW-2与SW-1进行了低周反复加载数值模拟,研究了这3类剪力墙试件的抗震性能。结果表明,PSW-2新型装配式剪力墙试件的抗震性能总体上优于PSW-1装配式剪力墙试件;PSW-2试件的承载力及刚度与SW-1现浇剪力墙试件基本一致,变形能力略好,但耗能能力略低于SW-1试件;3类试件破坏形态存在一定差异。