公开(公告)号：CN111062872A

公开(公告)日：2020-04-24

申请号：CN201911302745.2

申请日：2019-12-17

Applicant: 暨南大学

Inventor： 李展 ,  黄维健 ,  钟子意 ,  陈志涛 ,  陆晋晖 ,  刘唱

IPC: G06T3/40 ,  G06T7/13 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。

公开(公告)号：CN110097519A

公开(公告)日：2019-08-06

申请号：CN201910350268.0

申请日：2019-04-28

Applicant: 暨南大学

Inventor： 李展 ,  陈昱铃 ,  黄维健 ,  钟锐彬 ,  张建航

IPC: G06T5/00

Abstract: 本发明公开了一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备，该方法步骤为：获取有雾图像、标签无雾图像；构建神经网络系统；训练神经网络系统；有雾图像输入到神经网络系统得到第一传输图，有雾图像经图像恢复算法后得第二传输图；第一、第二传输图进行均方差计算得到损失函数Lt；第一传输图进行大气散射模型逆运算，得到去雾图像；去雾图像与标签无雾图像对比得到损失函数Ld；Lt和Ld按设定的比例结合得到Ltotal；有雾图像输入到训练好的神经网络系统得到去雾图像；该系统包括有雾、无雾图像样本获取模块、神经网络系统构建模块和神经网络系统训练模块，本发明的网络参数量级小，训练时间少，能避免主观设定，增强去雾效果。

公开(公告)号：CN114972753A

公开(公告)日：2022-08-30

申请号：CN202210548515.X

申请日：2022-05-20

Applicant: 暨南大学

Inventor： 李展 ,  姚庚奇 ,  钟晓键 ,  吕吉雅 ,  赵祎明

IPC: G06V10/26 ,  G06V10/82 ,  G06V10/774 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明涉及基于上下文信息聚合和辅助学习的轻量级语义分割方法及系统，其方法包括步骤：S1、获取图像，对图像进行预处理，得到输入图像；S2、构建语义分割网络，语义分割网络包含上下文信息聚合模块和两阶段可分离卷积模块；S3、对语义分割网络进行训练，得到训练后的语义分割网络；S4、利用训练后的语义分割网络对输入图像进行处理，得到语义分割结果图。本发明引入了多尺度上下文并行聚合模块，在提高少量参数量的前提下均衡地提升了单向架构在大多数类别上的分割精度，在降低尽量少的分割精度的情况下，提高了语义分割网络整体的推断效率，还引入了辅助分支损失函数提升语义分割网络训练时的收敛速度，并且该分支不影响推断过程的推断速度。

公开(公告)号：CN114693555A

公开(公告)日：2022-07-01

申请号：CN202210317176.4

申请日：2022-03-29

Applicant: 暨南大学

Inventor： 李展 ,  关瑞瑾 ,  张建航 ,  邓茹婷

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种零样本无监督的图像去雾方法及系统，该方法包括下述步骤：获取有雾图像；构建的零样本无监督去雾神经网络包括大气光照图像预测分支，传输图像预测分支和无雾图像预测分支；有雾图像经大气图像和传输图像预测分支获得大气光值图像和传输图像并计算正则化损失；通过变分自编码器损失和大气光值约束损失计算大气图像预测分支的大气光损失；有雾图像经过无雾图像预测分支获得无雾图像，基于统计特性的先验知识计算去雾图损失；计算重建雾图并计算重建损失；总损失为重建损失、去雾图损失、大气光损失和正则化损失相加；循环迭代更新网络参数，完成网络训练，得到最终的去雾结果。本发明提高无监督去雾的推断速度，去雾效果更优。

公开(公告)号：CN112734649A

公开(公告)日：2021-04-30

申请号：CN202110012919.2

申请日：2021-01-06

Applicant: 暨南大学

Inventor： 李展 ,  陈彦全 ,  陈曦 ,  汤皓箐 ,  温梓博 ,  钟子意 ,  康志清 ,  甄洛生

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于轻量级神经网络的图像退化方法，包括以下步骤：获取数据集并进行预处理，得到输入图像；构建轻量级神经网络图像退化模型；将输入图像输入到轻量级神经网络图像退化模型得到退化图像，计算得到内容损失函数；将输入图像和退化图像通过神经网络模型提取特征值，进而计算感知损失函数；结合得到损失函数，根据损失函数训练该模型，得到训练后的轻量级神经网络图像退化模型；输入待退化的图像得到最终的退化图像；本发明提出了包括残差块的神经网络模型，在避免生成伪造纹理信息的同时减少了网络的参数量，使得生成的图像避免了主观因素的干预，不用人为去预测模型和参数，更加接近真实的图像退化效果。