公开(公告)号：CN114331884B

公开(公告)日：2025-03-18

申请号：CN202111581296.7

申请日：2021-12-22

Applicant: 同济大学

Inventor： 罗烨 ,  朱亚萍 ,  石稼晟 ,  李德涛 ,  梁伊雯

IPC: G06T5/70 ,  G06F17/16 ,  G06F17/14 ,  G06V10/84

Abstract: 本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典#imgabs0#所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。

公开(公告)号：CN119378370A

公开(公告)日：2025-01-28

申请号：CN202411396216.4

申请日：2024-10-08

Applicant: 同济大学

Inventor： 饶卫雄 ,  赵钦佩 ,  石稼晟

IPC: G06F30/27 ,  G06N3/042 ,  G06N3/08

Abstract: 本发明提出了基于图神经网络的复杂物理模拟仿真方法，面向物理系统的网格图，基于图神经网络提出了一种双尺度消息传递的方法。原网格图被映射为多个粗粒度的网格图，这些网格图能够并行处理。本发明对每个粗化网格图进行单独的下采样，统一进行上采样；这一方法有效提高了图神经网络的消息传递效率，并显著提升了预测精度。相比于已有的基于图神经网络方法，本发明在合成数据集和真实数据集上的初步评估表明，本发明带来了一种更精确的方法，模拟仿真物理系统。

公开(公告)号：CN114331884A

公开(公告)日：2022-04-12

申请号：CN202111581296.7

申请日：2021-12-22

Applicant: 同济大学

Inventor： 罗烨 ,  朱亚萍 ,  石稼晟 ,  李德涛 ,  梁伊雯

IPC: G06T5/00 ,  G06K9/62 ,  G06F17/16 ,  G06F17/14 ,  G06V10/84

Abstract: 本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。