-
公开(公告)号：CN115984106A
公开(公告)日：2023-04-18
申请号：CN202211596530.8
申请日：2022-12-12
Applicant: 武汉大学
IPC: G06T3/40 , G06T5/00 , G06T5/50 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/08
Abstract: 本发明提出了一种基于双边对抗生成网络的线扫描图像超分辨率方法。通过将线扫描图像送入去噪网络去除线扫描图像包含的条纹噪声，然后送入融合网络充分融合线扫描图像的潜在信息，最后通过解码器重构得到高质量的高分辨率图像。在整个过程中，统一加权损失函数的设计使得去除图像噪声和提高图像质量之间保持了有效平衡，充分解决了图像超分辨率包含噪声、质量不佳等问题。
-
公开(公告)号：CN117689573A
公开(公告)日：2024-03-12
申请号：CN202311797642.4
申请日：2023-12-25
Applicant: 武汉大学
IPC: G06T5/70 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于ConvNeXt网络的SAR图像深度学习去噪方法和系统。首先构建散斑噪声估计子网络，从噪声强度图像和噪声相位图像中提取得到散斑图像。接着构建双分支特征融合去噪子网络，将散斑图像与噪声强度图像作为该子网络的输入，利用交叉注意模块对两个分支每层输出的特征图进行信息交换，并将两个分支的特征融合得到低噪声SAR图像。网络采用ConvNeXt作为编码器和解码器的主干，采用四层网络作为散斑噪声估计子网络和双分支特征融合去噪子网络分支的机构，构建用于SAR图像去噪的深度网络，并设计了适用于该网络的损失函数，最后在真实数据集上进行训练，根据训练得到的网络模型进行SAR图像去噪。本发明方法优于现有的基于深度学习的SAR图像去噪方法。
-
公开(公告)号：CN116309043A
公开(公告)日：2023-06-23
申请号：CN202211672828.2
申请日：2022-12-26
Applicant: 武汉大学
IPC: G06T3/40
Abstract: 本发明提出了一种基于块扫描的图像超分辨率方法和系统，利用低分辨率探测器结合高分辨率空间调制器通过分块扫描获取多幅包含目标不同像素位置信息的低分辨率图像，同时提出一种基于全变分的重建方法对多幅低分辨率图像进行融合重建，最终得到目标高分辨率重建图像。分块扫描的机制不同于点扫描，线扫描以及压缩感知等方法，通过重叠移动分块扫描的方式有效避免了扫描过程中可能出现的网格以及条纹噪声，并且能在较低的采样次数下实现图像超分。通过调整采样次数，可以在不同采样时间下获得有效的重建结果，并且随着采样次数的增加重建质量达到优秀的效果。本发明提供的方法分辨率增强效果显著，方法竞争力强。
-
公开(公告)号：CN116202623A
公开(公告)日：2023-06-02
申请号：CN202310134208.1
申请日：2023-02-16
Applicant: 武汉大学
Abstract: 本发明提出了一种基于光谱压缩采样的单光子高光谱成像方法和系统。针对高光谱压缩成像方法难以应用于光束扫描探测系统的问题，利用空间光调制器对色散后的光源进行高效和灵活的光谱调制，并通过逐点扫描获取空间信息，这使得该成像方法可以应用于光束扫描探测系统。然后，充分利用光谱信息的稀疏性构建高光谱重建模型，最后利用交替方向乘子法对高光谱重建模型进行迭代求解，从而利用压缩采样图像重建目标的高光谱数据。该方法可以实现利用少量的压缩采样观测数据重建高光谱数据，大大减少了成像时间和成像数据量，给光束扫描探测系统的高光谱成像提供了便利。
-
公开(公告)号：CN114565514B
公开(公告)日：2024-07-26
申请号：CN202210166823.6
申请日：2022-02-23
Applicant: 武汉大学
IPC: G06T3/4053 , G06T5/50 , G06V10/80
Abstract: 本发明提出了一种基于线扫描的图像超分辨率方法，利用低分辨率探测器结合高分辨率空间调制器通过正交方向的线扫描获取多幅包含目标不同像素位置信息的低分辨率图像，进一步分别对两个方向上的低分辨率图像进行对应像素信息的提取和拼接融合得到两个方向上的图像超分辨率重建结果。最后提出一种基于全局和低秩约束的联合重建方法对两个方向的重建结果进行融合和条纹去噪，最终得到目标高分辨率重建图像。通过调整空间光调制器的工作像素和探测器成像区域像素实现不同超分辨率倍数的图像重建，通过调整扫描间隔来平衡采样时间与重建质量之间的关系，具有较强的灵活性和鲁棒性。本发明提供的方法分辨率增强效果显著，方法竞争力强。
-
Patent Agency Ranking
公开(公告)号：CN113706693B
公开(公告)日：2023-11-17
申请号：CN202110992336.0
申请日：2021-08-27
Applicant: 武汉大学
IPC: G06T17/00
Abstract: 本发明提出了一种微光条件下偏振三维重建方法。利用光子计数技术获取微光条件下目标表面的反射光偏振信息，给出初始偏振三维重建结果。接着考虑主动照明激光方向矢量提供的额外阴影约束，对初始重建结果中的法向量方位角误差进行校正，有效解决偏振重建的凹凸性模糊问题。由光子探测半经典理论可以推导出基于泊松分布的光子计数概率模型，因此在利用单光子探测器获取反射光子计数值后可利用该模型将接收光子计数值映射到实际反射光子数值，并用此结果来反映目标表面反射光偏振信息。在方位角的校正过程中则是利用目标反射光非偏振光强，激光方向矢量和目标表面法向量之前存在的联系，对不确定的方位角增加额外约束以达到校正效果。
-
公开(公告)号：CN115690185A
公开(公告)日：2023-02-03
申请号：CN202211224250.4
申请日：2022-10-08
Applicant: 武汉大学
Abstract: 本发明提出了一种融合偏振三维形状和偏振调制测距的深度重建方法。通过利用单个二维相机分别对两种具有互补性的三维成像技术进行图像采集，避免了图像融合过程中复杂的图像配准问题。进一步地，分别基于偏振三维形状和偏振调制测距获得的深度图像计算方位角和天顶角，并构建方位角融合模型和天顶角融合模型来得到融合的方位角和天顶角，使得两种三维数据各自的优势可以最大程度地传递到融合结果中。对融合方位角和融合天顶角进行积分和线性拟合可以的到最终的深度重建结果。深度重建结果具有较高的分辨率，包含精确的纹理细节信息和准确的低频绝对深度信息。
-
公开(公告)号：CN118297803A
公开(公告)日：2024-07-05
申请号：CN202410437355.0
申请日：2024-04-12
Applicant: 武汉大学
IPC: G06T3/4053 , G06T5/70 , G06N3/045 , G06N3/084 , G06N5/04 , G06N3/0464 , G06N7/01
Abstract: 本发明公开了基于去噪扩散融合模型的线扫描图像超分辨率方法和设备，提出一种新的去噪扩散融合超分模型来解决线扫描超分(LSSR)的不足。针对LSSR的条件生成问题，提出了一种新的基于去噪扩散概率模型框架的后验抽样模型，考虑将特殊条纹噪声的人工显式先验与扩散生成中的隐式先验相结合，以获得高质量的超分结果。首先针对LSSR优化问题的病态性，建立了基于人工先验的融合超分引导模型。然后将扩散模型的采样均值作为从数据中学习到的隐式先验来约束优化模型，提高了模型的精度。最后，将模型的解嵌入到扩散采样的迭代过程中，从而基于LSSR任务的去噪扩散概率模型建立了后验采样模型，通过将显式先验和隐式先验相结合，实现了去噪和超分能力的良好平衡。
-
公开(公告)号：CN115984106B
公开(公告)日：2024-04-02
申请号：CN202211596530.8
申请日：2022-12-12
Applicant: 武汉大学
IPC: G06T3/4076 , G06T5/50 , G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明提出了一种基于双边对抗生成网络的线扫描图像超分辨率方法。通过将线扫描图像送入去噪网络去除线扫描图像包含的条纹噪声，然后送入融合网络充分融合线扫描图像的潜在信息，最后通过解码器重构得到高质量的高分辨率图像。在整个过程中，统一加权损失函数的设计使得去除图像噪声和提高图像质量之间保持了有效平衡，充分解决了图像超分辨率包含噪声、质量不佳等问题。
-
公开(公告)号：CN117671142A
公开(公告)日：2024-03-08
申请号：CN202311620723.7
申请日：2023-11-28
Applicant: 武汉大学
Abstract: 本发明提出了一种基于先验引导融合网络的偏振三维重建方法和系统。本发明基于双分支架构实现，设计了特征校正模块，分别对通道维度和空间维度的缺陷进行相互校正。此外，提出了一种基于有效交叉注意机制的特征融合模块，将偏振和阴影先验特征融合，实现高精度表面法向量估计，从而重建高质量三维目标。实验结果表明，偏振和阴影先验的融合显著提高了表面法线的重建质量，特别是对于复杂光源照射的物体或场景。此外，通过引入镜面置信度，可以减小镜面反射区域的角度误差。最后，由于网络能够有效地从不同的先验中提取和融合信息，我们提出的方法优于现有的基于深度学习的偏振三维重建方法。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
