-
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
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：CN114693555B
公开(公告)日：2024-08-02
申请号：CN202210317176.4
申请日：2022-03-29
Applicant: 暨南大学
IPC: G06T5/73 , G06T5/60 , G06N3/0464 , G06N3/088
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：CN110097519B
公开(公告)日：2021-03-19
申请号：CN201910350268.0
申请日：2019-04-28
Applicant: 暨南大学
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：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
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。
-
-
-
Search Results
4
records
(took 0.032 seconds)
