-
公开(公告)号：CN119151825A
公开(公告)日：2024-12-17
申请号：CN202411062064.4
申请日：2024-08-05
Applicant: 哈尔滨工业大学
IPC: G06T5/73 , G06T7/10 , G06V10/764 , G06V10/82 , G06T5/60 , G06T5/50 , G06N3/0455 , G06N3/084
Abstract: 一种基于分层模型的散焦去模糊方法，它涉及一种散焦去模糊方法。本发明为了解决高层视觉需求与图像恢复任务之间不兼容性的问题。本发明包括步骤1、利用基础特征编码器将模糊图像x∈RC×H×W分割成h∈RN×D；步骤2、上下文编码器使用#imgabs0#学习更清晰且抽象的表征hs；步骤3、解码器将#imgabs1#和hs作为输入，重构除去模糊后的图像#imgabs2#本发明属于图像处理技术领域。
-
公开(公告)号：CN118261816A
公开(公告)日：2024-06-28
申请号：CN202410211969.7
申请日：2024-02-27
Applicant: 哈尔滨工业大学
IPC: G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于图像去噪技术领域，提供一种像素级零样本高效图像去噪方法。本发明通过从多个非局部相似块中选择中心像素来构建一个“像素库”张量，然后可以通过从像素库中随机采样像素为每个位置生成多个训练样本，也称为“伪实例”。通过利用像素级随机采样，Pixel2Pixel可获得大量的训练伪实例，打破了依赖特定训练数据的限制，降低了噪声的空间相关性。由于所提方法不需要关于噪声分布的精确先验知识和干净训练图像，因此适用于各种噪声类型和不同噪声水平。广泛的实验表明，Pixel2Pixel在各种类型的噪声上均优于现有方法。本发明充分利用图像数据的非局部自相似性来生成训练样本，仅使用输入的噪声图像，并采用高效轻量的卷积神经网络架构实现高效图像去噪。
-
公开(公告)号：CN114219708A
公开(公告)日：2022-03-22
申请号：CN202111338491.7
申请日：2021-11-12
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于多任务交互学习的空谱同时超分辨率重建方法，属于图像处理与计算机视觉领域。包括以下步骤：步骤一、建立SSFIN网络架构；步骤二、使用权重衰减策略训练SSFIN。本发明的一种基于多任务交互学习的空谱同时超分辨率重建方法，使得空间超分分支和光谱超分分支可以受益于彼此，逐渐降低空间超分和光谱超分任务在总损失中的权重。可以去除可能仅对下游任务有用的信息，但为主要空谱联合超分任务保留更多空间和光谱信息。大大提高网络的特征学习能力。实验结果表明，所提出的SSSR框架优于最先进的两阶段方法。
-
Patent Agency Ranking
公开(公告)号：CN114219708B
公开(公告)日：2024-11-26
申请号：CN202111338491.7
申请日：2021-11-12
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多任务交互学习的空谱同时超分辨率重建方法，属于图像处理与计算机视觉领域。包括以下步骤：步骤一、建立SSFIN网络架构；步骤二、使用权重衰减策略训练SSFIN。本发明的一种基于多任务交互学习的空谱同时超分辨率重建方法，使得空间超分分支和光谱超分分支可以受益于彼此，逐渐降低空间超分和光谱超分任务在总损失中的权重。可以去除可能仅对下游任务有用的信息，但为主要空谱联合超分任务保留更多空间和光谱信息。大大提高网络的特征学习能力。实验结果表明，所提出的SSSR框架优于最先进的两阶段方法。
-
公开(公告)号：CN114155145A
公开(公告)日：2022-03-08
申请号：CN202111338122.8
申请日：2021-11-12
Applicant: 哈尔滨工业大学
Abstract: 本发明提供了一种基于深度展开网络的空谱同时超分辨率重建方法。步骤1：确定图像退化模型；步骤2：将单张图像超分和光谱超分的观测模型结合到空间光谱超分辨率模型中；步骤3：利用交替方向乘子法ADMM求解基于模型的能量函数；步骤4：将步骤3的ADMM算法的迭代过程展开成一个多级网络；步骤5：利用步骤4的多级网络解决在空间和光谱上产生超分辨率结果。本发明用以解决现有技术中空间分辨率和光谱分辨率不高的问题。
-
公开(公告)号：CN113313663B
公开(公告)日：2022-09-09
申请号：CN202110644185.X
申请日：2021-06-09
Applicant: 哈尔滨工业大学
Abstract: 本发明提出基于零样本学习的多聚焦图像融合方法，使用多聚焦图像融合网络结构IM‑Net将输入的多聚焦图像中包含的信息进行融合，IM‑Net包括两个联合的子网络I‑Net和M‑Net，I‑Net对融合图像的深度先验建模，M‑Net对聚焦图的深度先验建模，通过提取的先验信息实现零样本学习，对IM‑Net施加了重构约束，以确保可以将源图像对的信息更好地传输到融合图像，高层语义信息可保持相邻像素的亮度一致性，并且引导损失为IM‑Net查找清晰区域提供了指导信息，实验结果表明了本发明方法的有效性。
-
公开(公告)号：CN114155145B
公开(公告)日：2024-05-17
申请号：CN202111338122.8
申请日：2021-11-12
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T5/50
Abstract: 本发明提供了一种基于深度展开网络的空谱同时超分辨率重建方法。步骤1：确定图像退化模型；步骤2：将单张图像超分和光谱超分的观测模型结合到空间光谱超分辨率模型中；步骤3：利用交替方向乘子法ADMM求解基于模型的能量函数；步骤4：将步骤3的ADMM算法的迭代过程展开成一个多级网络；步骤5：利用步骤4的多级网络解决在空间和光谱上产生超分辨率结果。本发明用以解决现有技术中空间分辨率和光谱分辨率不高的问题。
-
公开(公告)号：CN113313663A
公开(公告)日：2021-08-27
申请号：CN202110644185.X
申请日：2021-06-09
Applicant: 哈尔滨工业大学
Abstract: 本发明提出基于零样本学习的多聚焦图像融合方法，使用多聚焦图像融合网络结构IM‑Net将输入的多聚焦图像中包含的信息进行融合，IM‑Net包括两个联合的子网络I‑Net和M‑Net，I‑Net对融合图像的深度先验建模，M‑Net对聚焦图的深度先验建模，通过提取的先验信息实现零样本学习，对IM‑Net施加了重构约束，以确保可以将源图像对的信息更好地传输到融合图像，高层语义信息可保持相邻像素的亮度一致性，并且引导损失为IM‑Net查找清晰区域提供了指导信息，实验结果表明了本发明方法的有效性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
