-
公开(公告)号：CN116309182B
公开(公告)日：2025-05-23
申请号：CN202310356275.8
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/90 , G06V10/774 , G06N3/084 , G06V10/82 , G06V10/77 , G06N3/0464
Abstract: 本发明涉及一种基于递归交互式注意力的低照度图像增强方法。包括：对输入图像进行预处理，包括图像配对、裁剪、数据增强处理，得到训练数据集；设计递归交互式注意力增强网络，该网络由输入映射模块、递归交互式注意力增强网络和输出映射模块组成；设计用于训练步骤B所设计网络的损失函数；使用步骤A得到的训练数据集训练递归交互式注意力增强网络；将待测图像输入到该网络中，使用训练好的网络生成正常照度图像。本发明利用递归交互式注意力机制，能够在局部和全局范围内对图像进行注意力调整和增强，从而提高了图像的质量和清晰度，有效解决了低照度图像亮度不均衡、细节丢失、颜色失真等问题。
-
公开(公告)号：CN116128807B
公开(公告)日：2025-05-09
申请号：CN202211554537.3
申请日：2022-12-05
Applicant: 福州大学
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于多尺度特征融合的无参考图像质量评价方法，包括以下步骤：步骤S1：将失真图像数据集中的数据进行数据预处理；步骤S2：设计多尺度特征融合模块；步骤S3：设计通道注意力模块；步骤S4：设计基于多尺度特征融合的无参考图像质量评分预测网络，使用所设计的网络训练基于多尺度特征融合的无参考图像质量评分预测网络模型；步骤S5：将图像输入到训练好的基于多尺度特征融合的无参考图像质量评分预测网络模型中，输出对应的图像质量评分分数。该算法能有效的融合多尺度图像的特征，且不用对原图做裁切或改变其原始比例，并进行图像质量评分分数预测，提高无参考图像质量评估算法的性能。
-
公开(公告)号：CN115908979B
公开(公告)日：2025-05-09
申请号：CN202211503996.9
申请日：2022-11-28
Applicant: 福州大学
IPC: G06V10/774 , G06V10/80 , G06F18/214 , G06F18/25
Abstract: 本发明提出一种融合场景特征和多模态注意力机制的图像美学质量评价方法及系统，包括以下步骤：步骤S1：将美学图像数据集中的数据进行数据预处理，提取得到美学图像所对应评论的文本特征；步骤S2：训练融合场景特征和多模态注意力机制的图像美学评分分布预测模型；所述图像美学评分分布预测模型由融合场景特征和多模态注意力机制的图像美学质量评价网络训练获得，包括层次图像特征融合模块、融合文本特征和图像特征的多模态注意力机制模块；步骤S3：将图像输入到训练好的融合场景特征和多模态注意力机制的图像美学质量评分分布预测模型中，输出对应的图像美学评分分布，最后计算美学评分分布的平均值作为图像美学质量分数。
-
公开(公告)号：CN114897884B
公开(公告)日：2024-12-20
申请号：CN202210684718.1
申请日：2022-06-17
Applicant: 福州大学
IPC: G06T7/00 , G06V10/44 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提出一种基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法，首先，对失真屏幕内容图像数据集中的数据进行数据预处理；训练基于多尺度边缘特征融合的图像质量评分预测网络，得到无参考屏幕内容图像质量评分预测模型；所述基于多尺度边缘特征融合的图像质量评分预测网络使用支持双源输入的孪生网络对输入的失真图像和对应的边缘结构图进行多尺度特征提取和特征融合；再使用Transformer编码器模块以形成不同尺度特征的全局信息表示；最后将失真图像和对应的边缘结构图输入，输出失真图像的质量评估分数。从而有效提高无参考屏幕内容图像质量评估模型的性能。
-
公开(公告)号：CN114693558B
公开(公告)日：2024-09-06
申请号：CN202210335753.2
申请日：2022-03-31
Applicant: 福州大学
IPC: G06T5/70 , G06T5/60 , G06T5/50 , G06T7/90 , G06N3/0464
Abstract: 本发明涉及一种基于渐进融合多尺度策略的图像去摩尔纹方法及系统，该方法包括以下步骤：步骤S1、对原始数据集中图像进行处理，得到摩尔纹图像和干净图像对，并对每幅图像进行预处理，得到训练数据集；步骤S2、构建基于渐进融合多尺度策略的多尺度去摩尔纹网络，所述多尺度去摩尔纹网络采用多尺度设计，由两个渐进纹理融合模块和多个残差摩尔纹去除模块组成；步骤S3、构建用于训练所述多尺度去摩尔纹网络的损失函数；步骤S4、采用训练数据集训练所述多尺度去摩尔纹网络；步骤S5、将待处理的摩尔纹图像输入训练好的多尺度去摩尔纹网络，输出去除摩尔纹后的干净图像。该方法及系统有利于实现高质量的图像去摩尔纹。
-
Patent Agency Ranking
公开(公告)号：CN118052726A
公开(公告)日：2024-05-17
申请号：CN202410128888.0
申请日：2024-01-30
Applicant: 福州大学
IPC: G06T5/60 , G06T7/90 , G06N3/0475 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/094 , G06N3/084
Abstract: 本发明提供一种基于双颜色空间的非成对水下图像增强方法，包括：通过将水下图像输入基于双颜色空间的非成对水下图像增强网络以获得增强图像；所述基于双颜色空间的非成对水下图像增强网络包括：基于双颜色空间的图像生成器、图像判别器以及基于图像生成器和图像判别器搭建的循环生成对抗网络框架；并通过非成对的图像训练收敛到纳什平衡。所述图像生成器包括RGB分支网络、HSV分支网络和RGB_HSV融合模块。
-
公开(公告)号：CN117935379A
公开(公告)日：2024-04-26
申请号：CN202410111566.5
申请日：2024-01-26
Applicant: 福州大学
IPC: G06V40/40 , G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于骨架‑边缘标签引导的伪装目标检测方法。包括：步骤A、进行数据预处理，得到伪装目标对应的骨架‑边缘标签，数据处理得到训练数据集；步骤B、设计基于骨架‑边缘标签引导的伪装目标检测网络，包括特征提取子网络、骨架‑边缘标签编码器、四个特征增强模块、六个信息交互模块、三个特征蒸馏模块和五个卷积块；步骤C、设计损失函数，指导步骤B所设计网络的参数优化；步骤D、使用步骤A得到的训练数据集训练步骤B中的基于骨架‑边缘标签引导的伪装目标检测网络，得到训练好的基于骨架‑边缘标签引导的伪装目标检测模型；步骤E、将待测图像输入训练好的基于骨架‑边缘标签引导的伪装目标检测模型，输出伪装目标的掩码图像。
-
公开(公告)号：CN117391974A
公开(公告)日：2024-01-12
申请号：CN202311478032.8
申请日：2023-11-08
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0499 , G06N3/0475
Abstract: 本发明提供了一种基于前馈递进网络的非成对水下图像增强方法，包括以下步骤：步骤S1：将待训练的非成对的数据进行数据预处理；步骤S2：设计基于前馈递进模式的图像生成器；步骤S3：设计图像判别器；步骤S4：基于图像生成器和图像判别器搭建循环生成对抗网络框架，得到基于前馈递进模式的非成对水下图像增强网络；步骤S5：设计用于训练非成对水下图像增强网络的目标损失函数；步骤S6：使用非成对的图像训练基于前馈递进模式的非成对水下图像增强网络收敛到纳什平衡；步骤S7：将待增强的水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像。
-
公开(公告)号：CN116703783A
公开(公告)日：2023-09-05
申请号：CN202310859559.9
申请日：2023-07-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于CNN‑Transformer混合建模及双边交互的低照度图像增强方法。包括：对输入图像进行预处理，包括图像配对、裁剪和数据增强处理，以得到训练数据集；设计一个基于CNN‑Transformer的低照度图像交互增强网络，该网络由输入映射模块、L个交互增强块和输出映射模块组成；设计用于训练步骤B中所设计网络的损失函数；使用训练数据集训练基于CNN‑Transformer的低照度图像交互增强网络；将待测图像输入到该网络中，利用训练好的网络生成正常照度图像。本发明利用CNN‑Transformer混合建模方法，通过双边交互促进局部感知和全局感知模块之间相互促进、互补，能够在低照度条件下更好地增强图像的细节和亮度、改善全局一致性问题，进一步提高图像增强的效果。
-
公开(公告)号：CN116524207A
公开(公告)日：2023-08-01
申请号：CN202211575959.9
申请日：2022-12-08
Applicant: 福州大学
IPC: G06V10/46 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种基于边缘检测辅助的弱监督RGBD图像显著性检测方法，包括以下步骤：步骤S1：建立包含涂鸦标注图的弱监督RGBD图像显著性检测训练集，并进行数据增强；步骤S2：设计多层次、多任务的弱监督RGBD图像显著性检测网络；步骤S3：设计融合模块；步骤S4：设计基于边缘检测辅助的弱监督RGBD图像显著性检测网络，并设计损失函数优化网络参数；步骤S5：将待测RGBD图像输入训练好的基于边缘检测辅助的弱监督RGBD图像显著性检测模型中，得到显著性检测结果。应用本技术方案能够实现性能较好的弱监督RGBD图像显著性检测。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.028 seconds)
