【摘 要】
：
近年来,得益于深度学习技术的快速发展,破损图像的修复取得了卓越的成就。然而已有方法在重构图像缺失区域的内容时,仍然存在较为明显的视觉伪影和模糊。从语义信息的角度分析,这个问题主要是由于编码器的卷积层提取到的特征存在短缺或者冗余,使得解码器对图像缺失区域的纹理内容重构效果较差。目前仍存在较大的改进空间。为了解决图像修复结果存在的视觉伪影和模糊,本文分别从以下两方面对存在的问题进行改进。（1）针对输入
论文部分内容阅读
近年来,得益于深度学习技术的快速发展,破损图像的修复取得了卓越的成就。然而已有方法在重构图像缺失区域的内容时,仍然存在较为明显的视觉伪影和模糊。从语义信息的角度分析,这个问题主要是由于编码器的卷积层提取到的特征存在短缺或者冗余,使得解码器对图像缺失区域的纹理内容重构效果较差。目前仍存在较大的改进空间。为了解决图像修复结果存在的视觉伪影和模糊,本文分别从以下两方面对存在的问题进行改进。（1）针对输入图像提供的先验信息未被充分使用,以引起编码器提取的图像特征短缺问题。本文提出了一个新颖的两段式渐进修复网络,包含边缘结构生成器和纹理重构器。首先,边缘结构生成器基于图像中存在的边缘和色彩平滑特征,采用残差的多因子扩展卷积块来提取并输出图像完整的全局结构;其次,纹理重构器基于边缘结构生成器输出的全局结构图采用编解码网络来重构图像缺失的纹理内容。（2）针对纹理重构器内两个编码网络输出特征存在冗余的问题,本文提出了一个新颖的通道自适应和空间注意模块,该模块将缺失区域的内容与输入的特征建立通道和空间层面的依赖关系,输出具有不同注意值的信息来重构图像。同时,也提出了一个权值可学习的参数,用于自适应调整该模块对图像重构产生的影响。通过在公开的图像修复基准数据集“巴黎街景（Paris Street View）”上进行实验测试,结果表明:本文提出的图像修复方法可对缺失区域较大的图像进行补全,在客观的量化评价指标:PSNR（峰值信噪比）、SSIM（结构相似度系数）、1L和2L均值误差等数值上皆优于目前图像修复性能较好的算法,同时从人眼视觉的主观感受可知,本文方法补全后的图像纹理更清晰,视觉质量更高,语义内容更为完整。
其他文献
骨质疏松症是由于多种原因导致的骨密度和骨质量下降,骨微结构破坏,造成骨脆性增加,从而容易发生骨折的全身性骨病。该病症近些年来在以百万的数目逐年增加。医学上用来诊断该病症的辅助手段一般为CT、MRI等医学影像技术,这类技术通常会从不同角度对识别对象进行多方位断层切片成像,因此具有三维空间结构信息。而目前大多数的医学图像分析都局限在二维的检测方式,一定程度上摒弃了空间信息,极有可能出现判断的偏差。本文
视觉问答任务是目前机器学习领域中较为热门的一个研究方向。在视觉问答中,研究人员采用注意力机制或者单个图神经网络来建模图片中物体的属性及其关系,从而引入推理信息。除此以外,研究人员为了在模型训练过程中引入多种推理信息,构建了多个图神经网络。然而随着更加复杂的视觉问答数据集的提出,数据集中的图片存在大量物体及其属性,问题呈现出组合式语言,同时图片中的物体与物体之间存在纷繁复杂的关系。因此,如何从具有众
分子的性质预测任务,即根据分子的结构和组成预测出它的诸如水溶性、毒性等各项自身理化性质的任务,被广泛运用于药物发现、新材料研发等领域。近年来,机器学习方法越来越多地被用于分子性质预测任务,大大降低后期工艺失败的负荷,节省大量的资源和时间。然而现有模型一方面忽略了分子子结构的空间位置信息,难以区分结构很相似的子结构,另一方面,由于现实的分子无论空间上如何旋转,分子本身构象如何不同但若是原子间作用不发
目的：通过整理漳州市某院门急诊处方，对点评结果进行分析，提出改进方法，促进合理用药，保障用药安全。方法：回顾性分析2021年1-12月抽样处方点评结果。结果：共抽样点评2021年1-12月门急诊处方15399分，不合理处方共449份，平均合理率为97.08%。其中不规范处方（临床诊断书写不全）275份；不适宜处方共173份（适应证不适宜15份，用法用量不适宜96份，遴选药品不适宜49份，联合用药不
目的：分析西药门诊中应用处方点评的干预价值。方法：选取本院2019年1月至2022年2月门诊应用西药处方治疗的220例患者为研究对象，按照随机数表法将患者分为对照组与观察组，各110例。对照组采用常规处方管理方法，观察组采用处方点评管理方法，比较两组处方用药不合理情况。结果：观察组联合用药不合理、药物剂量与用法不当、药物重复使用、药物与诊断严重不符、抗菌药物等级过高发生率均高于对照组，组间比较，差
随着智能手机的普及,微博、推特等社交媒体的用户量迅速增长,社交媒体中每天都会产生大量结构化与非结构化数据。然而,这些数据具有高度异质性并且包含了大量噪声,用户很难直接从中获取有价值的内容,所以协助用户在海量社交媒体数据中寻找有价值的信息有重要意义,本文基于社交媒体数据本身存在的大图结构提出一种社交媒体图可视分析方法,帮助用户在大规模社交媒体数据中获得一些关键信息。本文主要研究内容如下:首先,本文提
随着大数据、移动互联网和社交媒体等技术的发展,网络空间中所蕴含的文本数据量呈指数级增长。因此,如何对这些文本数据进行分析并挖掘出有价值的内容（例如术语、实体、关系等）成为当前备受关注的研究领域。其中,从文本集合中抽取出描述某一特定领域（例如生物学、社交等领域）的术语是文本挖掘和信息抽取等领域的关键基础问题和研究热点。本文主要研究内容如下:首先,设计了一个自动术语识别框架,其可以动态扩展现有的自动术
随着医学影像种类和数量大幅增加,对于医学图像自动识别辅助诊断的需求也急剧上升。本文将生成对抗网络GAN（Generative Adversarial Networks）应用于医学图像融合和检测,提出了适于医学图像融合和检测的GAN神经网络。主要工作和成果包括:（1）提出了一种基于GAN的医学图像融合方法。将传统的GAN模型改造成双输入单输出的模型。生成器采用六层卷积神经网络架构,删除下采样层以保证
在大范围的海上搜寻过程中,海上人体目标存在尺度小、特征弱的特点,导致海上搜寻存在难度大、效率低等问题。本文将基于深度学习的目标检测技术应用在海上搜寻领域,选择以既能保证较高检测精度,又能满足实时性的YOLOv3算法为基础,通过对小目标检测的研究对该算法进行改进,提出一种海上人体目标检测技术。本文主要工作如下:1.提出一种基于YOLOv3算法改进的小目标检测算法。使用Efficient Net网络中
随着信息时代的到来与科技的快速发展,数据成为一种重要的生产资料而越来越得到研究人员的关注和重视。具有时空特征的数据（例如交通时空数据、人员迁徙、天气记录等）因为其本身具有的时间和空间依赖性而在现实的预测研究中对缓解交通压力、预防化解重大安全风险等具有积极意义。基于上述问题,本文针对时空序列预测展开了具有创新性的研究,并进行了实证工作,具体工作如下:首先,本文设计了一个基于神经网络的时空序列预测框架