-
公开(公告)号：CN119399052A
公开(公告)日：2025-02-07
申请号：CN202310921038.1
申请日：2023-07-25
Applicant: 四川大学
IPC: G06T5/70 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/094 , G06T5/60
Abstract: 本发明公开了一种基于自协作并行生成对抗网络的无监督真实图像去噪方法。主要包括以下步骤：利用噪声的可叠加性，构造基于初始降噪器的噪声提取模块，用于对真实图像的噪声成分进行提取；采用并行生成对抗分支框架，分支1先通过非配对合成的方式合成伪真实噪声图像再通过自合成的方式合成噪声图像，即“非配对合成—自合成”；分支2先通过自合成的方式合成噪声图像再通过非配对合成的方式合成伪真实噪声图像，即“自合成—非配对合成”；采用自协作策略，每次迭代后用当前更收敛的去噪器取代之前较弱的去噪器，直到去噪器完全收敛，完成网络训练并得到最终模型。本发明所述的方法能够很好地去除真实图像上的噪声，是一种有效的图像去噪方法。
-
公开(公告)号：CN119399051A
公开(公告)日：2025-02-07
申请号：CN202310920414.5
申请日：2023-07-25
Applicant: 四川大学
IPC: G06T5/70 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06T5/60
Abstract: 本发明公开了一种基于采样差异作为扰动的自监督真实图像去噪方法。主要包括以下步骤：提出并使用随机子样本生成策略以获得更多的子样本；根据随机子样本生成策略而提出一种采样差异损失函数；将循环策略引入损失函数的构建，提出循环采样差异损失函数；通过上述步骤对去噪网络进行训练，以得到去噪模型，然后将带有噪声的图像作为输入，通过训练好的网络模型，得到高质量的去噪图像。本发明所述方法可以不需要干净图像进行训练并且优于现有的伪监督/自监督方法，是一种有效的自监督真实图像去噪方法。
-
公开(公告)号：CN117474755A
公开(公告)日：2024-01-30
申请号：CN202210846926.7
申请日：2022-07-19
Applicant: 四川大学 , 成都西图科技有限公司
IPC: G06T3/4053 , G06T7/269 , G06T9/00 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种基于两阶段处理的HEVC压缩视频超分辨率重建方法。由于大多数压缩视频质量增强和视频超分辨率重建方法仅面向单一任务，我们分为两阶依次对压缩低分辨率视频进行质量增强和超分辨率重建。首先将经过压缩和未经压缩的下采样视频作为训练集训练质量增强网络模型，随后将质量增强的低分辨率视频与原始高分辨率视频作为训练集训练超分辨率重建网络模型，最终在输出端得到质量增强的高分辨率重建视频。实验结果表明，相比于HEVC标准和传统视频超分辨率重建算法，在QP为32时，PSNR平均可提升0.92dB，相比于基于深度学习的先进方法也能有效提升压缩低分辨率视频的质量，且我们所提方法可以获得较好的视觉效果。
-
公开(公告)号：CN116756361A
公开(公告)日：2023-09-15
申请号：CN202210208221.2
申请日：2022-03-03
Applicant: 四川大学
IPC: G06F16/583 , G06F16/532 , G06F16/9032 , G06T7/00 , G06V10/764 , G06V10/82 , G06F16/35 , G06F40/30 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084 , G16H50/20
Abstract: 本发明公开一种基于对应特征融合的医学视觉问答方法研究。模型可大致分为类别分类、视觉特征提取、语义特征提取、特征融合以及答案预测五个模块。考虑到特定类型医学影像与对应问题之间的联系，本发明通过类别分类器对输入数据进行分类后提取特定的特征表示进行融合，同时结合本发明提出的语义注意力模块进行答案预测，实现了端到端的医学视觉问答流程。近年来，医疗资源日益紧张，医疗赋能的呼声与日俱增，如何帮助病人高效准确地了解自身病情，协助医生进行疾病诊断，提高当前就医效率和质量变得至关重要。本文结合医学背景的特点和需求，对医学视觉问答方法开展研究，将在智能问诊，辅助临床诊断方面有广阔的应用前景。
-
公开(公告)号：CN114723614B
公开(公告)日：2023-05-09
申请号：CN202110009487.X
申请日：2021-01-05
Applicant: 四川大学
IPC: G06T5/00 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于小波域ADMM深度网络的图像复原方法。主要包括以下步骤：首先将图像复原问题变换到小波域进行研究，提出小波域图像复原模型；使用ADMM算法将小波域图像复原问题分解为复原子问题和去噪子问题，分别使用梯度下降法和去噪网络对两个子问题求解；结合子问题解的形式指导网络结构的设计，将图像退化模型信息融入到网络中，构建基于小波域ADMM的深度卷积网络；针对不同任务利用相应的训练样本，训练提出的基于小波域ADMM的卷积神经网络；将低质量图像作为输入，通过上面训练好的网络模型，得到复原重建的高质量图像。本发明所述的图像复原方法能获得很好的主客观效果，是一种有效的图像复原方法。
-
Patent Agency Ranking
公开(公告)号：CN113542772B
公开(公告)日：2023-03-24
申请号：CN202010317399.1
申请日：2020-04-21
Applicant: 四川大学
IPC: H04N19/86 , H04N19/176 , H04N19/182 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于增强的宽激活残差网络的压缩图像去块效应方法。主要包括以下步骤：以增强的宽激活残差模块为主要的构建单元，同时以全卷积的方式引入重叠图像块提取和重建，从而搭建起用于去除压缩图像块效应的网络模型；利用前一步骤搭建的卷积神经网络，分别训练不同质量因子下的压缩图像去块效应模型；以训练好的压缩图像去块效应模型为基础，将压缩图像作为输入，得到最终的去块效应图像。本发明所述的方法能够使更多的信息从卷积神经网络的浅层流向深层，同时具有较大的感受野，能够挖掘到图像更广泛区域的有效信息。因此，本发明可以获得很好的主客观效果，是一种有效的压缩图像去块效应方法。
-
公开(公告)号：CN115514964A
公开(公告)日：2022-12-23
申请号：CN202110699673.0
申请日：2021-06-23
Applicant: 四川大学
IPC: H04N19/176 , H04N19/42 , H04N19/61 , H04N19/96 , G06N3/04
Abstract: 本发明公布了一种基于卷积神经网络的HEVC压缩噪声标准差估计方法，主要包括以下步骤：将经过HEVC编码的视频帧分割成方块，从码流中提取分块信息来确定当前块属于高纹理块还是低纹理块，通过将原始视频与压缩视频做差来获得小块的真实噪声标准差，将真实噪声标准差作为小块的标签，以此构建数据集。本发明构建了一种压缩噪声估计网络，对高低纹理数据集分别进行训练得到训练好的模型。在测试阶段，针对不同分辨率的HEVC标准测试视频，在不同的QP下以块为单位估计其压缩噪声标准差水平，并与真实噪声做对比。实验结果表明，本发明能够有效地估计压缩视频的噪声标准差。
-
公开(公告)号：CN114723614A
公开(公告)日：2022-07-08
申请号：CN202110009487.X
申请日：2021-01-05
Applicant: 四川大学
Abstract: 本发明公开了一种基于小波域ADMM深度网络的图像复原方法。主要包括以下步骤：首先将图像复原问题变换到小波域进行研究，提出小波域图像复原模型；使用ADMM算法将小波域图像复原问题分解为复原子问题和去噪子问题，分别使用梯度下降法和去噪网络对两个子问题求解；结合子问题解的形式指导网络结构的设计，将图像退化模型信息融入到网络中，构建基于小波域ADMM的深度卷积网络；针对不同任务利用相应的训练样本，训练提出的基于小波域ADMM的卷积神经网络；将低质量图像作为输入，通过上面训练好的网络模型，得到复原重建的高质量图像。本发明所述的图像复原方法能获得很好的主客观效果，是一种有效的图像复原方法。
-
公开(公告)号：CN113766250B
公开(公告)日：2022-05-27
申请号：CN202011057427.7
申请日：2020-09-29
Applicant: 四川大学
IPC: H04N19/88 , H04N19/132 , H04N19/149 , H04N19/154 , H04N19/30
Abstract: 本发明提供了一种基于采样重构和特征增强的压缩图像质量提升方法。主要包括如下步骤：设计提升压缩图像质量的深度模型，包含基于重叠像素重排的采样、基于特征增强的残差预测及基于重叠像素重排的重构等模块；构建训练压缩图像质量提升深度模型的训练图像集，包含存在对应关系的压缩图像集及高质量图像集；基于训练图像集，训练压缩图像质量提升深度模型；利用训练好的压缩图像质量提升深度模型对输入的测试图像进行处理；对质量提升结果进行评价或进一步对其进行分析和理解。本发明所述方法能显著提升压缩图像的质量且具有较低的复杂度，同时能够改善图像分析理解的性能。本发明在图像及视频存储、传输、分析等方向具有重要的应用价值。
-
公开(公告)号：CN114331853A
公开(公告)日：2022-04-12
申请号：CN202011059753.1
申请日：2020-09-30
Applicant: 四川大学
Abstract: 本发明公开了一种基于目标向量更新模块的单幅图像复原迭代框架。主要包括以下步骤：使用HQS算法对原图像复原问题进行分解得到两个子问题，使用基于动量的梯度下降法对其中的图像复原逆子问题进行求解，引入一种目标向量更新模块，得到像素域上的迭代框架；针对先验相关子问题，设计一个有效的图像复原算子，它被包含在目标向量更新模块中；利用CNN的特征提取能力，将重建迭代框架的求解域从像素域变到变换域，由此得到变换域上的单幅图像复原重建迭代框架；训练特征域上的迭代框架，输出最终的图像复原结果。本发明所述的单幅图像复原方法能获得很好的主客观效果，且运行速度较快。因此，本发明是一种有效的单幅图像复原方法。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.03 seconds)
