-
公开(公告)号：CN109978807B
公开(公告)日：2020-07-14
申请号：CN201910256619.1
申请日：2019-04-01
申请人： 西北工业大学
摘要： 本发明涉及一种基于生成式对抗网络的阴影去除方法，该方法针对单幅图像阴影去除，首先设计生成式对抗网络并利用阴影图像数据集进行训练，然后通过对抗学习的方式来训练判别器和生成器，最后生成器恢复出以假乱真的阴影去除图像。本发明方法仅由一个生成式对抗网络构成，在生成器中分别设计阴影检测子网络和阴影去除子网络，并且利用十字绣模块自适应融合不同任务之间的底层特征，将阴影检测作为辅助任务，从而提升阴影去除表现。
-
公开(公告)号：CN109978807A
公开(公告)日：2019-07-05
申请号：CN201910256619.1
申请日：2019-04-01
申请人： 西北工业大学
摘要： 本发明涉及一种基于生成式对抗网络的阴影去除方法，该方法针对单幅图像阴影去除，首先设计生成式对抗网络并利用阴影图像数据集进行训练，然后通过对抗学习的方式来训练判别器和生成器，最后生成器恢复出以假乱真的阴影去除图像。本发明方法仅由一个生成式对抗网络构成，在生成器中分别设计阴影检测子网络和阴影去除子网络，并且利用十字绣模块自适应融合不同任务之间的底层特征，将阴影检测作为辅助任务，从而提升阴影去除表现。
-
公开(公告)号：CN113870124A
公开(公告)日：2021-12-31
申请号：CN202110980864.4
申请日：2021-08-25
申请人： 西北工业大学
摘要： 本发明提供了一种基于弱监督的双网络互激励学习阴影去除方法，只需要阴影检测任务标签即可完成阴影去除任务的训练，其中阴影残差网络用于升成阴影分布的模拟图，利用弱标签来训练，阴影提亮网络是端对端的网络，可直接由阴影图像升成阴影去除图像，利用阴影残差网络结果进行训练，阴影提亮网络结果作为阴影残差网络的输入，使用阴影残差网络在两张图像依次输入网络得到残差图像后，利用输入图像和对应残差图像间关系计算网络损失。本发明丰富样本的多样性，提升阴影残差网络的能力，有效提高阴影残差网络的输出性能。有效的减少了在数据标注中人力物力的投入。
-
公开(公告)号：CN111429436A
公开(公告)日：2020-07-17
申请号：CN202010233201.1
申请日：2020-03-29
申请人： 西北工业大学
摘要： 本发明提出了一种基于多尺度注意力和标签损失的本质图像分析方法，将循环卷积注意力机制与对抗思想引入本质分解问题，构造了一个用于本质图像分析的多尺度注意力MSA-Net网络，网络结构遵循生成对抗网络(GAN)的基本框架，包括生成器和判别器两部分。生成器由注意力子网络和编解码器子网络两部分组成，用于将图像分解为反射图和光照图。判别器的作用是对于任意一张输入图像给出该图为正确本质图像的概率。同时本发明还给出一种新的用于提升反射图分解效果的标签损失函数，该损失函数基于数据集中的标签图像(ground truth)构建，能使网络分解得到的反射图具有更优的局部纹理一致性效果和量化评价指标。
-
公开(公告)号：CN111429436B
公开(公告)日：2022-03-15
申请号：CN202010233201.1
申请日：2020-03-29
申请人： 西北工业大学
摘要： 本发明提出了一种基于多尺度注意力和标签损失的本质图像分析方法，将循环卷积注意力机制与对抗思想引入本质分解问题，构造了一个用于本质图像分析的多尺度注意力MSA‑Net网络，网络结构遵循生成对抗网络(GAN)的基本框架，包括生成器和判别器两部分。生成器由注意力子网络和编解码器子网络两部分组成，用于将图像分解为反射图和光照图。判别器的作用是对于任意一张输入图像给出该图为正确本质图像的概率。同时本发明还给出一种新的用于提升反射图分解效果的标签损失函数，该损失函数基于数据集中的标签图像(ground truth)构建，能使网络分解得到的反射图具有更优的局部纹理一致性效果和量化评价指标。
-
-
公开(公告)号：CN113870124B
公开(公告)日：2023-06-06
申请号：CN202110980864.4
申请日：2021-08-25
申请人： 西北工业大学
IPC分类号： G06T5/00 , G06T5/30 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0895
摘要： 本发明提供了一种基于弱监督的双网络互激励学习阴影去除方法，只需要阴影检测任务标签即可完成阴影去除任务的训练，其中阴影残差网络用于升成阴影分布的模拟图，利用弱标签来训练，阴影提亮网络是端对端的网络，可直接由阴影图像升成阴影去除图像，利用阴影残差网络结果进行训练，阴影提亮网络结果作为阴影残差网络的输入，使用阴影残差网络在两张图像依次输入网络得到残差图像后，利用输入图像和对应残差图像间关系计算网络损失。本发明丰富样本的多样性，提升阴影残差网络的能力，有效提高阴影残差网络的输出性能。有效的减少了在数据标注中人力物力的投入。
-
公开(公告)号：CN111563577B
公开(公告)日：2022-03-11
申请号：CN202010319106.3
申请日：2020-04-21
申请人： 西北工业大学
摘要： 本发明提供一种基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法，构造了一个基于Unet的生成对抗网络，该网络由生成器和鉴别器组成，生成器用于将图像分解为反射图和光照图，鉴别器的作用是判别图像真假，指导生成器生成以假乱真的图像。本发明设计的网络有效地缓解编码器特征直接送入解码器所造成的问题。一方面，在反射图Unet的跳跃连接中加入频率分解的约束，让网络学习不同特征的重要程度，得到更适合的特征。另一方面，在光照图的跳跃连接中加入频率分解以及频率压缩，不仅可以得到更合适的特征图还解决了光照图中高频分量多的问题。
-
公开(公告)号：CN111563577A
公开(公告)日：2020-08-21
申请号：CN202010319106.3
申请日：2020-04-21
申请人： 西北工业大学
摘要： 本发明提供一种基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法，构造了一个基于Unet的生成对抗网络，该网络由生成器和鉴别器组成，生成器用于将图像分解为反射图和光照图，鉴别器的作用是判别图像真假，指导生成器生成以假乱真的图像。本发明设计的网络有效地缓解编码器特征直接送入解码器所造成的问题。一方面，在反射图Unet的跳跃连接中加入频率分解的约束，让网络学习不同特征的重要程度，得到更适合的特征。另一方面，在光照图的跳跃连接中加入频率分解以及频率压缩，不仅可以得到更合适的特征图还解决了光照图中高频分量多的问题。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.033 秒)
