一种基于生成对抗网络的水下图像去噪方法.pdf
论文****酱吖
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于生成对抗网络的水下图像去噪方法.pdf
本发明提供了一种基于生成对抗网络的水下图像去噪方法,首先将水下图像输入到一个由若干残差块组成的生成网络,得到特征映射图;然后将输出得到的特征映射图与清水的无噪标签图像分别通过VGG‑19网络映射得到一个深度特征空间,并计算特征映射图与清水的无噪标签图像在深度特征空间中的感知代价,计算感知代价的同时,将生成网络输出的特征映射图输入到对抗网络,最后训练完成后,将含噪的水下图像输入到生成网络,其输出即为处理后的无噪图像。本发明通过引入对抗机制,去噪效果明显,尤其是该方法可有效保留甚至增强图像中的边缘纹理信息,具
一种基于生成对抗网络的图像去噪方法.pdf
本发明公开的一种基于生成对抗网络的图像去噪方法,其特征在于,包括以下步骤:步骤1:选取实验数据集;步骤2:选取高斯加性白噪声作为噪声模型;步骤3:搭建生成网络模型,训练生成器网络G用于去噪;步骤4:搭建判别网络模型,判别器D用于对输入图像进行真伪分类;步骤5:构建联合损失函数模型;步骤6:训练生成式对抗网络;步骤7:图像去噪质量评价。本发明一种基于生成对抗网络的图像去噪方法,能够达到保留更多纹理细节和边缘特征的去噪效果。
一种基于生成对抗网络噪声建模的真实图像去噪方法.pdf
本发明公开了一种基于生成对抗网络噪声建模的真实图像去噪方法,旨在利用深度卷积神经网络解决真实图像噪声因难以显式建模而无法有效去除的问题。该方法首先利用生成对抗网络学习真实图像噪声分布,构建成对数据集;其次利用构建的数据集训练去噪网络,实现对真实噪声的去除。本发明利用残差块搭建去噪网络,并在去噪网络中引入噪声估计算法以及可逆的升降采样操作,用以提升单一网络模型盲图像去噪的性能,在有效去除未知分布的噪声的同时,尽可能地保留原有图像的边缘信息和细节特征。
一种基于循环生成对抗网络的水下图像复原方法.pdf
本发明涉及一种基于循环生成对抗网络的水下图像复原方法,该方法构建了基于感知损失的循环生成对抗网络(CycleGAN‑VGG),该网络是一种端到端的网络架构,由输入的一张失真的水下图像直接获取到复原图像。本发明除了循环一致性损失之外,还添加VGG感知损失来增强CycleGAN的结构,通过优化循环一致性损失保留输入图像的整体结构,通过感知损失比较图像特征空间的差异,使得网络能够更好地恢复水下图像的细节信息,进行水下图像复原,增加图像的清晰度。本发明采用了WassersteinGAN的架构,提高了本方法的鲁棒
基于条件生成对抗网络的水下图像增强方法及系统.pdf
本发明提出了一种基于条件生成对抗网络的水下图像增强方法及系统,通过提取并融合多尺度局部特征以及全局特征来校正退化水下图像的色彩,通过构建用于水下图像增强的注意力模块AMU来提升特征提取效果,在训练中引入感知损失与总变差损失来提升生成图像的质量,抑制噪声出现。本发明的方法可为智能化水产养殖的行为监测、病害识别等高层次视觉任务提供清晰的水下环境信息,推动智能集约化水产养殖健康可持续发展。