摘要：现有的印刷电路板(PCB)图像去噪算法在去噪过程中容易导致边缘过度光滑和细节丢失,为了更好地提高PCB图像的去噪效果,提出了一种基于残差学习和图像差分的PCB图像去噪算法。此算法基于残差学习的思想,首先利用图像下采样方法对图像感受野进行扩大;然后设计残差块提取PCB图像噪声特征,并且在残差卷积神经网络元中加入批量归一化和ReLU激活函数,提高去噪效率;最后通过图像差分思想进行噪声去除。实验对比不同的噪声等级下各类算法的去噪性能,结果表明,所提算法在去噪评价指标峰值信噪比(PSNR)和结构相似度(SSIM)上相较于其他算法都有较好的表现。

摘要：为提高果蝇第一龄幼虫腹侧神经索切片图像细胞膜分割精度,实现更为高效的自动化细胞膜分割,提出一种利用批量归一化优化并结合残差学习对图像分割精度进行提升的改进全卷积神经网络U-Net (ResU-Net)。将批量归一化(batch normalization,BN)应用在每一网络模块输出,减少网络内部协变量转移加速网络收敛;为丰富网络特征提取防止梯度消失,采用残差结构对特征进行映射并提升分割准确率。实验结果表明,相比较改进前的U-Net,该深度学习方法具有良好的泛化能力和较高的准确性。

摘要：图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN(Non-Decimated Wavelet Edge learning using Deep Residual Networks),在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上,将整体网络框架设计为采用不同结构的CNN(Convolutional Neural Networks)模型来对低频子带与高频子带分别进行学习的策略:对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系;对高频子带采用一种新型的U-net模型,将图像退化过程中所丢失的边缘作为网络的期望输出,通过基于块的跳跃连接来使网络更精细地学习缺失性边缘,从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明,该网络模型能够有效提高重建图像的质量,特别在恢复低分辨率图像的边缘信息方面具有一定的优势,在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.

摘要：针对形状全局表面隐式场学习的点云曲面重建中通常缺乏形状表面局部细节的问题,采用基于面片的分片表示并训练三维形状的局部符号距离场,提出一种基于邻域点聚合和全连接残差特征的分片隐式曲面学习网络.以离散点云数据为输入,首先采用最远点采样策略得到表征形状球形面片的初始中心位置和半径;然后分别计算每个面片内各采样点相对面片中心的偏移值,并将其作为采样点的相对位置,其中,处于重叠区域内的面片采样点具有多个相对位置;在神经网络编码器中,利用邻域点聚合模块将各相对坐标编码为256维隐向量,以提取相邻采样点的特征信息,并对每个形状面片中的采样点隐向量进行最大化操作,以表征该面片的隐特征;在神经网络解码器中,利用多层全连接残差特征解码模块进行解码,得到各采样点相对位置的形状符号距离值,而对位于不同面片重叠区域内采样点的符号距离值进行加权求和,得到其相应的符号距离值;最后利用Marching Cube算法提取采样点符号距离值的零等值面,得到三维形状网格模型.在ShapeNet,ABC和Famous这3个数据集上的实验结果表明,所提网络在有效地重建形状整体结构的同时,能很好地保持其形状表面细节;在ShapeNet数据集上,IoU指标为83.9,CD指标为0.032,取得了比DeepSDF、占用网络和卷积占用网络更好的重建结果.

摘要：针对传统去雾算法出现色彩失真、去雾不完全、出现光晕等现象,本文提出了一种基于霾层学习的卷积神经网络的单幅图像去雾算法.首先,依据大气散射物理模型进行理论推导,本文设计了一种能够直接学习和估计有雾图像和霾层图像之间的映射关系的网络模型.采用有雾图像作为输入,并输出有雾图像与无雾图像之间的残差图像,随后直接从有雾图像中去除此霾层图像,即可恢复出无雾图像.残差学习的引入,使得网络来直接估计初始霾层,利用相对大的学习率,减少计算量,加快收敛过程.再利用引导滤波进行细化,使得恢复出的无雾图像更接近真实场景.本文对不同雾浓度的有雾图片的去雾效果进行测试,并与当前主流深度学习去雾算法及其他经典算法进行对比.实验结果显示,本文设计的卷积神经网络模型在图像去雾的应用,不论在主观效果还是客观指标上,都有优势.

摘要：卷积神经网络(CNN)在视频增强方向取得了巨大的成功。现有的视频增强方法主要在空域探索图像内像素的相关性,忽略了连续帧之间的时域相似性。针对上述问题,提出一种基于时空域上下文学习的多帧质量增强方法(STMVE),即利用当前帧以及相邻多帧图像共同增强当前帧的质量。首先根据时域多帧图像直接预测得到当前帧的预测帧,然后利用预测帧对当前帧进行增强。其中,预测帧通过自适应可分离的卷积神经网络(ASCNN)得到;在后续增强中,设计了一种多帧卷积神经网络(MFCNN),利用早期融合架构来挖掘当前帧及其预测帧的时空域相关性,最终得到增强的当前帧。实验结果表明,所提出的STMVE方法在量化参数值37、32、27、22上,相对于H.265/HEVC,分别获得0.47、0.43、0.38、0.28 dB的性能增益;与多帧质量增强(MFQE)方法相比,平均获得0.17 dB的增益。

摘要：常规自动解释方法难以正确追踪三维地震数据体中被断层错断的地震反射层位。为此,提出了基于深度学习的相对地质时间体估计方法。首先,针对相对地质时间体估计需求,设计一个由编码器—解码器框架组成的相对地质时间体估计网络;其次,采用结构相似性准则为损失函数,利用生成的准确标注合成训练数据集对相对地质时间体估计网络进行训练,使其具备准确地从地震数据体中估计相对地质时间体的能力;最后,通过提取多个恒定的相对地质时间体等值面实现多个地震反射层位的自动追踪。测试结果表明,该方法不仅在验证数据集上显示出优异性能,而且在实际地震数据体上也获得了较好效果;利用估计的相对地质时间体能够一次性获得多个能够表征地层空间形态的地震反射层位。

摘要：传统压缩感知磁共振成像重构算法基于先验构造与迭代求解,通常具有很低的计算效率,近期提出的深度方法依赖训练数据与结构设计,因此泛化能力差.针对两者的问题,提出一种高效鲁棒的重构算法以实现性能与效率的平衡.算法从互补的视角出发,对细节恢复和伪影去除2个问题分别构建模型驱动的先验表达过程与数据驱动的深度预测过程,实现了领域知识与深度信息的充分融合;交替迭代的求解机制保证中间结果被及时修正,进一步引导解序列沿着理想的传播方向逼近目标解.针对T1加权与T2加权数据的实验结果表明,与现有先进算法相比,所提算法在3种采样模板与5种采样频率下均能实现更高的重构精度,且提高了在GPU与CPU上的计算效率,进一步实验表明所提算法对采样部位差异与莱斯噪声干扰具有更强的鲁棒性.

摘要：受采集装置的限制,采集的深度图像存在分辨率较低、易受噪声干扰等问题.本文构建了分级特征反馈融合网络(Hierarchical feature feedback network,HFFN),以实现深度图像的超分辨率重建.该网络利用金字塔结构挖掘深度-纹理特征在不同尺度下的分层特征,构建深度-纹理的分层特征表示.为了有效利用不同尺度下的结构信息,本文设计了一种分级特征的反馈式融合策略,综合深度-纹理的边缘特征,生成重建深度图像的边缘引导信息,完成深度图像的重建过程.与对比方法相比,实验结果表明HFNN网络提升了深度图像的主、客观重建质量.

摘要：针对现有深度学习医学图像超分辨率重建算法因网络参数量大导致计算复杂度过高、网络难以训练的问题,提出一种采用伪3D卷积的轻量级密集残差连接3D卷积神经网络(P3DSRNet)模型.首先利用密集残差块拓宽残差块中卷积层的通道,将更多的特征信息传送到激活函数,使网络中浅层图像特征更容易地传播到高层,增强医学图像超分辨率的表达能力;然后采用伪3D可分离卷积策略训练网络,将标准3D卷积核分离成多个卷积核,分阶段进行训练,使网络训练收敛速度更快,解决标准3D卷积拓宽维数导致网络训练难度加大时参数急剧增加的问题.实验结果表明,对比传统的插值超分辨率算法和LRTV超分辨率算法,采用P3DSRNet模型重建的医学图像纹理细节更丰富,视觉效果更逼真,与采用卷积神经网络的超分辨率算法SRCNN3D和ReCNN相比, P3DSRNet模型网络参数大大减少,峰值信噪比分别提升了1.88 dB和0.30 dB,结构相似度分别提升了0.009 6和0.001 1, P3DSRNet模型不仅大大降低了参数量和计算复杂度,而且提高了医学图像的超分辨性能.