-
题名改进的生成对抗网络图像去噪算法
被引量：5
- 1
-
-
作者
陈人和
赖振意
钱育蓉
-
机构
新疆大学软件学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第5期168-172,共5页
-
基金
国家自然科学基金(61966035)
国家自然科学基金联合重点项目(U1803261)
新疆维吾尔自治区教育厅创新团队项目(XJEDU2016S035)。
-
文摘
由于图像噪声的存在会干扰人对图像的理解,为了有效地去除噪声并获得比较好的视觉观感,提出一种基于生成对抗网络算法,该算法通过增加生成网络的宽度来获取更多的图像特征,并加入一个全局残差对输入的噪声图像进行特征的提取与学习,避免特征的丢失。网络采用对抗损失和重建损失的加权和,在去除噪声的同时能够有效地保留图像的细节信息。实验结果表明,该算法能够有效地去除图像噪声,改善图像的视觉观感。
-
关键词
生成对抗网络
图像去噪
全局残差
重建损失
-
Keywords
generative adversarial network
image denoising
global residual
reconstruction loss
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名图像超分辨率全局残差递归网络
被引量：4
- 2
-
-
作者
张雷
胡博文
张宁
王茂森
-
机构
沈阳航空航天大学电子信息工程学院
上海航天电子技术研究所
-
出处
《计算机科学》
CSCD
北大核心
2019年第B06期230-233,共4页
-
基金
国家自然科学基金(61671037)
上海航天科技创新基金(SAST2016090)资助
-
文摘
将深度网络模型应用在图像超分辨率上取得了很大的成功,并且已经证明了在将低分辨率图像重建成高分辨率图像的重建质量上深度网络模型普遍高于传统的算法。为了进一步提高图片的重建质量,文中提出了全局残差递归网络。通过优化经典的残差网络,提出全局残差块特征融合和局部残差块特征融合,让模型产生“自适应”更新权值的思想,改善信息流。结合L1代价函数,ADAM优化器进一步提高了训练的稳定性,并通过DIV2K训练集来训练模型。通过PSNR/SSIM图像重建指标来评价图片重建质量,在SSIM指标中,所提模型最高可达0.94,优于目前最新的深度学习模型(EDSR)的0.92。全局残差递归网络模型有效地提高了图像的重建质量,减少了训练时间,避免了梯度衰减,提高了学习效率。
-
关键词
图像超分辨率
L1代价函数
全局残差递归网络
ADAM优化器
DIV2K训练集
-
Keywords
Image super-resolution
L1 cost function
Global residual recursive network
ADAM optimizer
DIV2K training set
-
分类号
TP394
[自动化与计算机技术—计算机应用技术]
-
-
题名基于全局和局部残差复杂度的帧间模式选择
被引量：1
- 3
-
-
作者
李如春
林宇俊
施朝霞
-
机构
浙江工业大学信息与工程学院
-
出处
《浙江工业大学学报》
CAS
北大核心
2015年第2期222-226,共5页
-
基金
国家自然科学基金资助项目(61306090)
-
文摘
针对H.264/AVC传统帧间模式选择算法的高复杂度,提出了一种适合各种视频分辨率格式的快速帧间模式选择算法.该算法基于全局残差复杂度(General residual complexity,GRC)和局部残差复杂度(Local residual complexity,LRC),通过GRC与QP来近似计算一个阈值,然后通过对局部残差复杂度跟该阈值比较来决定宏块的活跃度,再根据宏块的活跃度选出候选的帧间模式,由此进行率失真优化(Rate-distortion Optimization,RDO)计算,从而减少了不必要帧间模式的RDO计算,取得了较高的编码效率.实验结果表明,与JM18.4默认的帧间模式选择算法相比,该算法在峰值信噪比和码率基本不变的前提下,可以平均减少大约60%的帧间编码时间.
-
关键词
帧间模式选择
全局残差复杂度
局部残差复杂度
宏块活跃度
-
Keywords
inter-mode selection
general residuals complexity
local residuals complexity
macroblock activity
-
分类号
TN919.8
[电子电信—通信与信息系统]
-
-
题名图像超分辨率特征浓缩网络
被引量：1
- 4
-
-
作者
刘星辰
贾俊铖
张莉
胡沁涵
-
机构
苏州大学计算机科学与技术学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第16期213-219,共7页
-
基金
江苏高校优势学科建设工程资助项目
中国博士后科学基金(2017M611905)
+1 种基金
江苏省高等学校自然科学研究面上项目(17KJB520034)
苏州市产业技术创新专项(民生科技)(SS201701)。
-
文摘
自从卷积神经网络应用到图像超分辨率领域以来,越来越多的神经网络被提出,并且取得良好的效果,但是当前大多数方法都严重依赖于模型的深度和宽度,而没有充分利用底层信息。针对以上问题,提出了一种新型特征浓缩网络,该网络通过多个特征浓缩块逐步提取有效特征信息。网络包括特征提取模块、特征浓缩模块和重建模块,并添加了双三次插值运算和全局残差学习。通过底层特征处理来提取有用的特征,使用特征浓缩块进一步提取特征,由重建模块恢复高分辨率图像。在实验中,选择4个不同的公开数据集进行不同尺度的测试,通过实验结果可以看出,所提出的网络对比其他方法有更好的客观指标结果。
-
关键词
卷积神经网络
超分辨率
特征提取
全局残差学习
-
Keywords
convolutional neural network
super-resolution
feature extraction
global residual learning
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力残差编解码网络的动态场景图像去模糊
被引量：7
- 5
-
-
作者
杨飞璠
李晓光
卓力
-
机构
北京工业大学信息学部
-
出处
《应用光学》
CAS
CSCD
北大核心
2021年第4期685-690,共6页
-
基金
北京市自然科学基金-市教委联合资助项目(KZ201810005002,KZ201910005007)
国家自然科学基金(61471013)。
-
文摘
动态场景下的图像去模糊技术是一个具有挑战性的计算机视觉问题。模糊图像不仅影响主观感受,还会影响后续的智能化分析的性能。提出了一种基于注意力残差编解码网络的动态场景图像去模糊方法。首先,编码阶段采用多个残差模块提取特征,加入空间注意力模块感知模糊的空间位置信息;其次,通过在网络中采用全局-局部残差连接策略融合多层卷积特征,减少信息丢失;最后,解码阶段生成具有清晰边缘结构的复原图像。实验结果显示,提出的算法在公开数据集上获得的峰值信噪比值为31.76 dB,结构相似性值为0.912。客观和主观质量评估表明,本文算法能够有效地复原包含丰富边缘轮廓信息的清晰图像,在对比算法中获得最优的性能。
-
关键词
图像去模糊
空间注意力
全局-局部残差连接
特征融合
-
Keywords
image deblurring
spatial attention
global-local residual connection
feature fusion
-
分类号
TN911.73
[电子电信—通信与信息系统]
TP391
[电子电信—信息与通信工程]
-
