-
公开(公告)号：CN113344783A
公开(公告)日：2021-09-03
申请号：CN202110637474.7
申请日：2021-06-08
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种热力图感知的金字塔人脸超分辨率网络，属于人脸图像超分辨率技术领域。本发明设计了一种新颖的热力图感知卷积，该卷积可以针对人脸图像中不同区域生成空间变化的卷积核，从而有效地提高了重建性能。此外，为了恢复具有更好视觉质量和更饱满人脸细节的SR结果，采用了对抗损失和感知损失来微调模型。本发明充分利用了人脸结构的先验知识，在视觉效果和客观评价方面都达到了最先进的性能。
-
公开(公告)号：CN112037154A
公开(公告)日：2020-12-04
申请号：CN202010935488.2
申请日：2020-09-08
Applicant: 哈尔滨工业大学
Abstract: 本发明基于生物医疗仪器领域，具体涉及一种全切片数字成像两次拍照高精度准焦复原方法，主要设计了两次拍照虚拟自准焦网络；病理扫描仪先预扫描一个图像块，通过轴向移动构建轴向三维图像堆栈，通过评价函数找到初始准焦图像；网络的输入为与预测准焦图像等间距的两张模糊图像，通过对称的两次拍照获得；网络的输出为复原的准焦图像；通过两张离焦图像的双通道联合端对端网络设计，本方法实现了全切片数字成像下两次拍照的准焦图像高精度复原，取代了传统的先距离补偿，后拍照的自准焦方法，对传统的全切片数字病理成像硬件进行了软件虚拟化。同时，在扫描策略上，不需构建准焦测量图以及准焦扫描拍照，具有精度高、成本低、可线下处理等优点。
-
公开(公告)号：CN119272844A
公开(公告)日：2025-01-07
申请号：CN202411336905.6
申请日：2024-09-25
Applicant: 哈尔滨工业大学
IPC: G06N3/098 , G06N3/0464 , G06N3/048
Abstract: 本发明提出一种支持通用设备与神经形态设备联合训练的系统及方法，其中系统包括：ANN客户端，SNN客户端、联邦学习中心服务器和ANN‑SNN转换模块；ANN客户端、SNN客户端和ANN‑SNN转换模块均与联邦学习中心服务器无线通信连接。本发明提供的支持ANN‑SNN异构训练的联邦学习框架，通过ANN‑SNN转换方法，首次克服了两种设备之间的异构性，能同时利用通用计算设备和神经形态硬件，且第一次支持将SNN和ANN两类不同的模型加入到联邦学习过程中。这使得框架能够充分利用两类客户端获取的边缘数据以支持训练，克服了设备异构导致数据利用率较低的问题。
-
公开(公告)号：CN119251389A
公开(公告)日：2025-01-03
申请号：CN202411218444.2
申请日：2024-09-02
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于源视角几何约束的三维场景重建方法、系统、计算机设备及介质，该方法包括如下步骤：步骤一、构建基于源视角的三维场景几何表达，实现三维场景几何表达的规范化；步骤二、对三维空间中的采样点按照受各源视角的贡献程度进行转换，得到源视角的深度分布；步骤三、在步骤二所得到源视角的深度分布上施加损失函数，实现基于源视角几何约束的三维场景重建。该方法所构建的三维场景几何表达更加符合真实场景的几何形状，明显地改善了基于前推网络的三维场景重建方法对未知目标视角的生成效果，提升其与源视角的一致性。
-
公开(公告)号：CN114219708B
公开(公告)日：2024-11-26
申请号：CN202111338491.7
申请日：2021-11-12
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多任务交互学习的空谱同时超分辨率重建方法，属于图像处理与计算机视觉领域。包括以下步骤：步骤一、建立SSFIN网络架构；步骤二、使用权重衰减策略训练SSFIN。本发明的一种基于多任务交互学习的空谱同时超分辨率重建方法，使得空间超分分支和光谱超分分支可以受益于彼此，逐渐降低空间超分和光谱超分任务在总损失中的权重。可以去除可能仅对下游任务有用的信息，但为主要空谱联合超分任务保留更多空间和光谱信息。大大提高网络的特征学习能力。实验结果表明，所提出的SSSR框架优于最先进的两阶段方法。
-
Patent Agency Ranking
公开(公告)号：CN118195895A
公开(公告)日：2024-06-14
申请号：CN202410264433.1
申请日：2024-03-08
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06V40/16 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及小样本前馈回归人脸超分辨率方法，属于人脸超分辨率技术领域。解决了基于深度学习的人脸超分辨率方法缺乏可解释性，并且依赖大量训练样本对的问题。包括以下步骤：步骤一：输入；步骤二：采用F4SR模型进行训练。本发明解决了基于深度学习的FSR方法缺乏可解释性的问题；通过利用逐步前向回归模型，提供了一种更可解释的方法，明确地建模了输入和输出特征之间的关系，这增强了对SR过程的理解，并使方法更加透明，即使在只有少量样本对可用的极端情况下，它仍然可以获得可比较的结果。
-
公开(公告)号：CN118115665A
公开(公告)日：2024-05-31
申请号：CN202410194834.4
申请日：2024-02-22
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于有限视角图像的NeRF重建方法，包括：步骤1：构建辐射场重建系统；步骤2：基于辐射场重建系统获取预处理后的观测物体成像并获取相机位姿；步骤3：基于预处理后的观测物体成像和相机位姿进行辐射场重建。本发明采用稀疏特征匹配方法能够弥补频率正则方法在高频区域的几何缺失和扭曲问题，显著提升高频细节的精细化能力，同时能够充分利用频率正则方法在低频区域重建的优异性能，本发明能够显著能够降低重建辐射场对拍摄所需相机数目或拍摄频次，降低辐射场重建所需的硬件成本，具有更强的准确性和鲁棒性。
-
公开(公告)号：CN114418852B
公开(公告)日：2024-04-12
申请号：CN202210064957.7
申请日：2022-01-20
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06T17/00 , G06N3/0895
Abstract: 本发明一种基于自监督深度学习的点云任意尺度上采样方法属于点云处理技术领域；该方法通过估计顶点到点云对应的隐表面的距离，生成一系列种子顶点；对于每个种子顶点，将距离其最近的若干个点云顶点坐标作为神经网络的输入，输出该顶点在隐表面上的投影点；最后通过最远点采样，调节投影点数量至目标顶点数量。由于种子节点的密度可以任意设置，因此上采样倍率也可任意设置，又因为每个投影点都是独立生成的，网络每次仅需要处理一个顶点的情况，与上采样倍率无关，故无需重复训练网络；同时，在生成训练数据时，仅需要三维网格模型，在模型附近生成种子顶点以及其对应的投影方向与投影距离，无需成对的稠密点云‑稀疏点云，故本方法是自监督的。
-
公开(公告)号：CN116051375A
公开(公告)日：2023-05-02
申请号：CN202310000876.5
申请日：2023-01-03
Applicant: 哈尔滨工业大学
IPC: G06T3/40 , G06V10/44 , G06V10/82 , G06N3/08 , G06V10/774
Abstract: 本发明提出一种基于全逐点卷积的轻量级图像超分辨率方法。与一般的3×3卷积相比，逐点卷积包含的参数更少，计算成本也更低，但缺失了局部特征融合这一关键特性。为了解决这个问题，本发明通过空间移位操作扩展了逐点卷积，通过特征聚合使其具有了特征聚合的能力，而且空间移位操作没有额外计算成本。基于移位卷积，本发明替换标准残差结构中的3×3卷积，并提出了移位残差单元。通过堆叠不同规模的移位残差单元实现了不同模型大小的移位卷积网络SCNet。最后在多个公开测试数据集上结果表明本发明提出的SCNet方法均取得了最好的结果。此外，本发明也通过详细的消融分析，验证了本发明提出的不同模块的有效性。
-
公开(公告)号：CN113344783B
公开(公告)日：2022-10-21
申请号：CN202110637474.7
申请日：2021-06-08
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种热力图感知的金字塔人脸超分辨率网络，属于人脸图像超分辨率技术领域。本发明设计了一种新颖的热力图感知卷积，该卷积可以针对人脸图像中不同区域生成空间变化的卷积核，从而有效地提高了重建性能。此外，为了恢复具有更好视觉质量和更饱满人脸细节的SR结果，采用了对抗损失和感知损失来微调模型。本发明充分利用了人脸结构的先验知识，在视觉效果和客观评价方面都达到了最先进的性能。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.024 seconds)
