-
公开(公告)号：CN115984106B
公开(公告)日：2024-04-02
申请号：CN202211596530.8
申请日：2022-12-12
Applicant: 武汉大学
IPC: G06T3/4076 , G06T5/50 , G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明提出了一种基于双边对抗生成网络的线扫描图像超分辨率方法。通过将线扫描图像送入去噪网络去除线扫描图像包含的条纹噪声，然后送入融合网络充分融合线扫描图像的潜在信息，最后通过解码器重构得到高质量的高分辨率图像。在整个过程中，统一加权损失函数的设计使得去除图像噪声和提高图像质量之间保持了有效平衡，充分解决了图像超分辨率包含噪声、质量不佳等问题。
-
公开(公告)号：CN117671142A
公开(公告)日：2024-03-08
申请号：CN202311620723.7
申请日：2023-11-28
Applicant: 武汉大学
Abstract: 本发明提出了一种基于先验引导融合网络的偏振三维重建方法和系统。本发明基于双分支架构实现，设计了特征校正模块，分别对通道维度和空间维度的缺陷进行相互校正。此外，提出了一种基于有效交叉注意机制的特征融合模块，将偏振和阴影先验特征融合，实现高精度表面法向量估计，从而重建高质量三维目标。实验结果表明，偏振和阴影先验的融合显著提高了表面法线的重建质量，特别是对于复杂光源照射的物体或场景。此外，通过引入镜面置信度，可以减小镜面反射区域的角度误差。最后，由于网络能够有效地从不同的先验中提取和融合信息，我们提出的方法优于现有的基于深度学习的偏振三维重建方法。
-
公开(公告)号：CN117557467A
公开(公告)日：2024-02-13
申请号：CN202311465934.8
申请日：2023-11-03
Applicant: 武汉大学
IPC: G06T5/70 , G06T3/4053 , G06T3/4046 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明提出了一种基于CNN‑Transformer的光子计数图像高效联合去噪超分方法和系统。首先利用变分推断将光子计数图像去噪超分问题进行建模，得到待求解的逆问题，并将该逆问题作为网络的优化对象。通过设计TCB模块，结合卷积神经网络在邻域内的局部建模能力以及Transformer的全局建模能力，通过设计一个由卷积层组成的前馈网络以及增加残差连接块的Transformer旁支结构提升模块的全局与局部建模能力。通过引入噪声估计子网络，提升网络去噪能力，并利用TCB模块构建编码器解码器架构的图像联合去噪及超分辨率网络。最后设计适用于网络的损失函数，指导网络训练，最终得到图像联合去噪及超分辨率模型，进行图像去噪超分辨率。大量的仿真和实际实验结果证明了本发明的有效性和实用性。
-
公开(公告)号：CN117036613A
公开(公告)日：2023-11-10
申请号：CN202311052980.5
申请日：2023-08-18
Applicant: 武汉大学
IPC: G06T17/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于多重感受野交融网络的偏振三维重建方法和系统。利用全局感受野提取输入图像数据的全局上下文信息，为解决偏振成像问题中的局部歧义提供参考信息，同时利用局部感受野提取区域细节特征，以提升对目标表面的纹理细节信息的重建精度，多重感受野不断交互融合，从而实现高精度表面法向量估计。采用Conformer作为网络编码器，实现兼顾全局感受野和局部感受野的特征提取，同时利用一个多模融合模块实现全局上下文信息和区域细节特征的有效融合，并利用一个多尺寸增强模块减少高层特征在降维过程中的通道信息损失。实验表明本发明方法优于已有方法的结果，能高质量地重建目标表面信息，细节信息重建能力更强，更具备泛化性。
-
公开(公告)号：CN116224365A
公开(公告)日：2023-06-06
申请号：CN202310011870.8
申请日：2023-01-05
Applicant: 武汉大学
IPC: G01S17/894
Abstract: 本发明提出了一种基于异步偏振调制的光子计数扫描三维穿透成像方法。针对强散射介质对光信号的散射效应和衰减，采用点对点的扫描成像机制来避免散射效应造成的图像模糊，并利用单像素光子计数器来捕获微弱的弹道光子信号。通过偏振调制测距方法计算弹道光子信号的飞行时间，并利用时间重塑方法校正异步偏振调制引入的深度模糊问题，最终重建出目标物体的相对深度图像。该方法可以实现透过强散射介质对目标物体进行三维成像，成像效果清晰，对不同的强散射介质具有鲁棒性，给散射环境中的三维光子计数成像提供了便利。
-
Patent Agency Ranking
公开(公告)号：CN115731134A
公开(公告)日：2023-03-03
申请号：CN202211503450.3
申请日：2022-11-28
Applicant: 武汉大学
Abstract: 本发明公开了一种基于变分推断的盲泊松去噪深度学习方法，首先利用基于泊松分布的变分推断和深度卷积网络对泊松噪声统计信息进行推断，通过基于Gamma分布的重采样技术采样得到最终的泊松信息。结合该泊松信息，所提出的去噪子网络能够有效地完成盲泊松去噪任务，并且去噪性能较为卓越。由于将变分推断与深度学习相结合，所提出的方法具有较强的可解释性和高效的去噪能力。因此，该方法可以实现不同情况下的泊松去噪任务。
-
公开(公告)号：CN115147321A
公开(公告)日：2022-10-04
申请号：CN202210834204.X
申请日：2022-07-14
Applicant: 武汉大学
Abstract: 本发明提供一种基于可解译神经网络的多光谱图像融合方法，首先通过多光谱传感器获得多光谱图像，通过多光谱传感器获得同一区域的全色图像，然后构建数据保真项；通过使用深度网络建立融合图像与全色图像的残差关系，作为先验约束项；通过数据保真项和深度学习先验项，构建融合模型；基于融合模型，通过近端梯度下降法，迭代求解最优化模型；将迭代求解步骤映射为深度网络架构，通过训练数据集进行训练生成所需的多光谱全色图像深度网络模型；基于生成的多光谱全色图像深度网络模型，对于给定输入的多光谱和全色图像进行融合，生成最终的融合图像。本发明通过数据驱动生成最优参数设置，从而提升融合性能。
-
公开(公告)号：CN114565514A
公开(公告)日：2022-05-31
申请号：CN202210166823.6
申请日：2022-02-23
Applicant: 武汉大学
Abstract: 本发明提出了一种基于线扫描的图像超分辨率方法，利用低分辨率探测器结合高分辨率空间调制器通过正交方向的线扫描获取多幅包含目标不同像素位置信息的低分辨率图像，进一步分别对两个方向上的低分辨率图像进行对应像素信息的提取和拼接融合得到两个方向上的图像超分辨率重建结果。最后提出一种基于全局和低秩约束的联合重建方法对两个方向的重建结果进行融合和条纹去噪，最终得到目标高分辨率重建图像。通过调整空间光调制器的工作像素和探测器成像区域像素实现不同超分辨率倍数的图像重建，通过调整扫描间隔来平衡采样时间与重建质量之间的关系，具有较强的灵活性和鲁棒性。本发明提供的方法分辨率增强效果显著，方法竞争力强。
-
公开(公告)号：CN113870159A
公开(公告)日：2021-12-31
申请号：CN202111019135.9
申请日：2021-09-01
Applicant: 武汉大学
IPC: G06T5/50
Abstract: 本发明提出了一种基于动态梯度组稀疏和低秩正则化的高光谱融合方法。通过高光谱传感器获得低分辨率的高光谱图像，通过多光谱传感器采集相同画面的低分辨率的多光谱图像和高分辨率的全色图像，利用动态梯度组稀疏正则化和低秩正则化构建低分辨率的高光谱图像、低分辨率的多光谱图像、高分辨率的全色图像三者之间的融合模型，通过交替方向乘子法求解融合模型，获得系数矩阵，进而通过将系数矩阵与子空间矩阵相乘得到高分辨率的高光谱图像。本发明的融合方法将图像的子空间正则化与图像融合相结合，从而将对融合目标的求解转为对低维系数矩阵的求解，提高了计算效率，获得定性和定量方面均优于对比方法的高分辨率的高光谱图像。
-
公开(公告)号：CN113706693A
公开(公告)日：2021-11-26
申请号：CN202110992336.0
申请日：2021-08-27
Applicant: 武汉大学
IPC: G06T17/00
Abstract: 本发明提出了一种微光条件下偏振三维重建方法。利用光子计数技术获取微光条件下目标表面的反射光偏振信息，给出初始偏振三维重建结果。接着考虑主动照明激光方向矢量提供的额外阴影约束，对初始重建结果中的法向量方位角误差进行校正，有效解决偏振重建的凹凸性模糊问题。由光子探测半经典理论可以推导出基于泊松分布的光子计数概率模型，因此在利用单光子探测器获取反射光子计数值后可利用该模型将接收光子计数值映射到实际反射光子数值，并用此结果来反映目标表面反射光偏振信息。在方位角的校正过程中则是利用目标反射光非偏振光强，激光方向矢量和目标表面法向量之前存在的联系，对不确定的方位角增加额外约束以达到校正效果。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.051 seconds)
