您现在的位置: 首页> 研究主题> 图像去模糊

图像去模糊

图像去模糊的相关文献在2003年到2023年内共计373篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、法律 等领域,其中期刊论文112篇、会议论文4篇、专利文献297390篇;相关期刊82种,包括天津大学学报、工程数学学报、图学学报等; 相关会议4种,包括第十六届全国图象图形学学术会议 暨第六届立体图象技术学术研讨会、第一届全国声像资料检验鉴定技术交流会、2006全国光电子与光电信息技术学术研讨会等;图像去模糊的相关文献由949位作者贡献,包括高文、杨爱萍、王荣刚等。

图像去模糊—发文量

期刊论文>

论文:112 占比:0.04%

会议论文>

论文:4 占比:0.00%

专利文献>

论文:297390 占比:99.96%

总计:297506篇

图像去模糊—发文趋势图

图像去模糊

-研究学者

  • 高文
  • 杨爱萍
  • 王荣刚
  • 何宇清
  • 焦李成
  • 王爽
  • 张欣欣
  • 王振宇
  • 张越
  • 马文萍
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

    • 王晨卿; 荆涛; 刘云鹏; 陈颂; 蒋晓瑜; 闫兴鹏
    • 摘要: 为解决复杂场景中的非均匀模糊问题,提出一种端到端的多尺度条件生成对抗网络用于图像去模糊。在生成器网络中,针对现有的基于分层级联方式的多尺度策略会导致网络规模过大的不足,提出一种多尺度残差模块,通过在单个块内构造分级连接和增加不同感受野分支的方式来提高多尺度特征提取能力;在多尺度残差块和瓶颈层之间添加跳跃连接,自适应地提取不同尺度的特征信息。实验结果表明,与其它去模糊方法相比,该方法在去模糊效果和处理速度上表现更优。
    • 金燕; 黄梦佳; 姜智伟
    • 摘要: 针对现有图像去模糊算法存在的处理模糊种类单一、耗时长等问题,提出了一种基于聚集残差生成对抗网络的图像去模糊算法.首先,利用生成对抗网络,生成重建图像判别标签,使最后生成的图像更加接近清晰图像;其次,结合聚集残差网络与通道注意力模块,构成特征提取模块,提取中间层的有用特征信息;最后,采用WGAN的Wasserstein-1距离与感知损失结合作为损失函数训练模型,保证生成图像与清晰图像在内容上的一致性.在PyTorch环境下用GOPRO数据集和Kohler数据集测试所提算法,并与L0范数先验、暗通道先验、特异性去模糊、DeepDeblur,DeblurGAN等算法进行对比.实验结果表明,所提算法应用于复原运动模糊图像和高斯模糊图像时,峰值信噪比等评价指标均高于其他算法,并且耗时更短.
    • 黄梦涛; 高娜; 刘宝
    • 摘要: 原始生成对抗网络(generative adversarial network,GAN)在训练过程中容易产生梯度消失及模式崩溃的问题,去模糊效果不佳。由此本文提出双判别器加权生成对抗网络(dual discriminator weighted generative adversarial network,D2WGAN)的图像去模糊方法,在GAN的基础上增加了一个判别器网络,将正向和反向KL(Kullback-Leibler)散度组合成一个目标函数,引入加权的思想调整正向和反向KL散度的比例,利用两个散度的互补特性,在学习清晰图片过程中避免不良模式的形成。实验结果表明,与现有方法相比,本文方法能更真实地恢复图像细节部分,且在评价指标峰值信噪比和图像结构相似度上有更好的表现。
    • 吴菁菁; 马敬柠; 朱永贵
    • 摘要: 针对目前深度神经网络图像去噪模型处理不同噪声水平的不灵活性问题,给出一种双层卷积深度神经网络去噪模型驱动的图像去模糊方法。首先,通过扩张卷积网络来增加网络的宽度,增强去噪网络的学习能力;其次,采用批再归一化,解决小批量问题,加速训练网络的收敛;然后,利用噪声水平范围为[0,75]的先验信息,通过端到端的训练,使去噪器和反向投影(back projection,BP)模块同时优化,达到很好的图像去模糊效果;最后,采用训练好的网络对模糊图像进行测试,并与块似然对数期望(expected patch log likelihood,EPLL)、迭代解耦去模糊三维块区配(iterative decoupled deblurring BM3D,IDDBM3D)、非局部中心化稀疏表示(nonlocally centralized sparse representation,NCSR)、记忆网络(memory network,MemNet)、深度去噪卷积神经网络(deep denoiser convolutional neural network,DDCNN)及去噪先验深度神经网络(denoising prior deep neural network,DPDNN)等当前主流的基于模型的去模糊方法进行了比较。实验结果表明,该方法复原的图像具有较高的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性图像度量(structural similarity image measurement,SSIM)值。无论在主观视觉效果还是客观质量评价指标方面,该方法均优于当前主流的图像去模糊方法。
    • 程文涛; 任冬伟; 王旗龙
    • 摘要: 近年来,基于深度学习的运动模糊去除算法得到了广泛关注,然而单幅散焦图像去模糊算法鲜有研究。为针对性地解决单幅图像的散焦模糊问题,提出一种基于循环神经网络的散焦图像去模糊算法。首先级联两个残差网络,分别完成散焦图估计和图像去模糊;随后,为了保证散焦图和清晰图像的深度特征可以更好地跨阶段传播以及阶段内相互作用,在残差网络中引入LSTM(long short-term memory)循环层;最后,整个残差网络进行了多次迭代,迭代过程中网络参数共享。为了训练网络,制作了一个合成散焦图像数据集,每一张散焦图像都包含对应的清晰图像和散焦图。实验结果表明,该算法相较于对比算法在主客观图像质量评价上均有显著优势,在复原结果中具有更锐利的边缘和清晰的细节。对于真实双像素图像散焦模糊数据集DPD,该算法相比DPDNet-Single在峰值信噪比(PSNR)和结构相似性(SSIM)上分别提高了0.77 dB、5.6%,因此所提方法可以有效处理真实场景散焦模糊。
    • 李武斌; 李春国; 杨绿溪
    • 摘要: 针对动态场景下的非均匀运动模糊问题,提出了一种基于细粒度多尺度注意力残差模块(CA-Res2Net)和可变形卷积(Deformable Convolution)的图像去模糊方法CADNet。CADNet以可变形卷积自编码结构为基础架构,进而可以更好地对抗模糊形变;同时CADNet嵌入了细粒度多尺度的残差模块,可以在更细粒度的层次上表示图片的多尺度特征信息,从而可以获得更强的特征表示能力。实验结果表明,CADNet是一种高效的去模糊算法,在获得更高去模糊性能的同时,压制住了计算开销。
    • 杨爱萍; 张兵; 王前; 李晓晓; 何宇清
    • 摘要: 基于深度学习的方法在去模糊领域已经取得了很大的进展,但目前的CNN结构通常会对特征图进行下采样,导致图像特征在网络学习过程丢失.针对这些问题,本文设计了一种基于高分辨率特征保持的图像去模糊网络,与现有的串行连接由高-低分辨率图像特征图不同,所设计网络并行连接由高至低各分辨率特征子网络,而无需经过由低分辨率到高分辨率的重建过程来恢复高分辨率信息,可以在整个去模糊过程中较好地保持图像的高分辨率信息不丢失.另外,本文通过交叉连接各并行子网络来融合不同分辨率特征图,从而使得网络可以自适应选择模糊特征来复原图像.最后,使用动态卷积核网络以非线性方法聚合多个卷积核信息提取图像特征,自适应调节感受野大小,提高网络的泛化能力.与已有方法相比,本文使用的高分辨率特征保持网络去模糊较为彻底,能更好地保持图像的特征信息,复原图像细节更为清晰.
    • 陈书贞; 曹世鹏; 崔美玥; 练秋生
    • 摘要: 近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能.为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法.将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性.为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征.此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量.实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果.
    • 张嘉晖; 沈文忠
    • 摘要: 为有效地提升图像去模糊的效果,文章提出一种基于深度循环卷积网络的图像去模糊算法.该算法由多层循环卷积单元构成,深层次的循环网络可以有效地提升网络性能.同时,在网络训练环节,采用跳跃连接的方法降低训练难度.为了评估算法的性能,将提出的网络在Gopro数据集上进行训练及测试.实验结果表明,提出的这种基于循环卷积网络的去模糊算法具有较好的复原能力,且能够获得更高的峰值信噪比(PSNR)和结构相似度(SSIM).
    • 潘金山
    • 摘要: 近年来,随着便携、轻巧的数码成像设备的日益普及,人们获取图像的手段日益方便与灵活,数字图像在视频监控、医疗诊断、太空探测等领域起到了重要的作用.然而,在现有的成像过程中存在诸多问题,如相机的感光单元质量差、摄影者专业水平低、拍摄环境恶劣等,往往导致最终得到的图像含有明显的模糊以及噪声.如何使计算机自动地从模糊图像中把清晰的图像恢复出来,从而为其他的图像处理问题以及后续的计算机智能化分析提供高质量的图像,成为了亟待解决的问题.图像去模糊是典型的病态问题,解决该问题的常用方法主要包括基于统计先验建模和数据驱动的方法.然而,传统的统计先验建模的方法对清晰图像特征的刻画能力有限.而数据驱动的方法尤其是以深度学习为代表的方法依靠其强大的特征表示能力,为解决图像去模糊提供了一种新的、有效的方式.文中基于深度学习的图像去模糊方法,概述了目前图像去模糊方法的研究现状,分析了当前方法所面临的问题,并展望了图像去模糊方法的研究趋势.
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号