-
公开(公告)号:CN119399337A
公开(公告)日:2025-02-07
申请号:CN202411452920.7
申请日:2024-10-17
Applicant: 北京邮电大学
IPC: G06T15/00 , G06T3/4053 , G06T3/4007 , G06T3/4046
Abstract: 本发明公开了一种基于时空超分辨率和神经辐射场的三维场景渲染方法,属于三维场景重建领域,该方法包括以下步骤:将多视图图像输入神经辐射场得到目标帧低分辨率图像和支持帧低分辨率图像;对目标帧低分辨率图像进行上采样处理得到第一分支的目标帧高分辨率图像;基于目标帧低分辨率图像和支持帧低分辨率图像采用视频插值网络处理并进行图像投影得到第二分支的目标帧高分辨率图像;将第一分支的目标帧高分辨率图像和第二分支的目标帧高分辨率图像输入轻量级神经渲染器得到目标三维场景。
-
公开(公告)号:CN110276195A
公开(公告)日:2019-09-24
申请号:CN201910340862.1
申请日:2019-04-25
Applicant: 北京邮电大学
Abstract: 本发明公开了一种智能设备入侵检测方法、设备及存储介质,通过获取待处理数据,对所述待处理数据进行标准化处理得到标准化数据;获取预设的模型数据,根据所述模型数据对所述标准化数据进行聚类分析,判断所述标准化数据是否符合所述模型数据;若是,则将所述标准化数据对应的所述待处理数据判定为入侵数据。通过应用本申请的技术方案,实现了针对实际智能设备运行场景的入侵检测,通过分析检测网络数据包的相应特征,从而判断其是否为入侵攻击,主动拦截恶意行为,并留存日志报告给用户进行审核与评估。满足不影响用户体验的要求,对应用于智能设备的入侵检测系统而言兼备可靠性与可行性。
-
公开(公告)号:CN119417964A
公开(公告)日:2025-02-11
申请号:CN202411461404.0
申请日:2024-10-18
Applicant: 北京邮电大学
IPC: G06T15/00 , G06T5/50 , G06T5/60 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于空间融合的高斯溅射通用渲染增强方法,包括以下步骤:获取待处理的真实图像;构建高斯溅射风格的退化模拟器,并在所述退化模拟器中加入门控机制,选择图像退化过程中的退化类型,生成训练数据集;将待处理的真实图像输入到所述退化模拟器中,生成训练图像;构建高斯增强器,所述高斯增强器利用空间信息融合网络,通过视图融合模块和深度调制模块分别对所述训练图像进行特征融合和增强渲染的处理,生成最终增强结果。本发明可以混合高度相关、高质量的训练图像,并利用目标图像的深度信息来完成渲染细节,从而提高图像的输出渲染质量。
-
公开(公告)号:CN119832169A
公开(公告)日:2025-04-15
申请号:CN202510315199.5
申请日:2025-03-18
Applicant: 北京邮电大学
IPC: G06T17/00 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本公开提供了一种目标物体三维重建方法及装置、电子设备、存储介质,属于图像处理技术领域,该方法包括:基于第一样本集训练高斯模型,得到第一高斯网络;第一样本集包括暗光条件下的多个第一RGB图像;基于第二样本集训练神经网络模型,得到暗光增强网络;将第一RGB图像、以及第一RGB图像对应的第一热图输入暗光增强网络,将暗光增强网络的输出和第一热图输入第一高斯网络进行联合训练,得到第二高斯网络;基于第二高斯网络对目标物体进行三维重建。本公开提供的目标物体三维重建方法及装置、电子设备、存储介质可以提高暗光条件下目标物体三维重建的精度。
-
公开(公告)号:CN119417700A
公开(公告)日:2025-02-11
申请号:CN202411460838.9
申请日:2024-10-18
Applicant: 北京邮电大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/77 , G06T5/70 , G06T5/20 , G06N3/0464 , G06N3/0475 , G06N3/0455 , G06N3/0499 , G06N3/094 , G06V40/16 , G06V10/44 , G06V10/771 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种可防御对抗攻击的人脸图像超分辨率方法、系统及存储介质,包括:基于经验模态分解构建频率感知分解网络模型;获取干净样本集,基于所述干净样本集获得对抗样本集;基于干净样本集和对抗样本集对所述频率感知分解网络模型进行对抗训练;将给定的人脸图像输入至训练后的频率感知分解网络模型,获得深度特征;基于所述深度特征获得固有模态函数特征图,基于所述固有模态函数特征图重建人脸图像。本发明通过结合EMD的多分支结构、高频噪声抑制器和可学习的提示,提供了一种鲁棒且高效的FSR模型,能够在对抗噪声存在的情况下,有效地恢复人脸图像的高频细节,提高识别准确性和视觉质量。
-
-
-
-