申请/专利权人：河北师范大学

申请日：2021-10-21

公开（公告）日：2024-04-02

公开（公告）号：CN113989115B

主分类号：G06T3/4015

分类号：G06T3/4015;G06T3/4046;G06N3/0455;G06N3/0475;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本发明公开了一种基于对比学习的全局马赛克去除方法，包括搭建对抗网络训练模型、训练对抗网络和去除马赛克步骤。本发明将全局对比学习网络和局部对比学习网络相结合训练生成对抗网络，解决了全局对比学习训练过程达到一定的阶段时，阶段损失值的不再减少的问题。全局对比损失从马赛克图像捕获全局特征表示到真实图像，并恢复它接近真实图像。局部对比损失函数有助于保持马赛克块与对应的真实图像对应区域之间正确的局部特征表示。只要少量样本就可以学习马赛克图像和真实图像之间复杂映射关系。

主权项：1.一种基于对比学习的全局马赛克去除方法，其特征在于：包括以下步骤：步骤1：搭建对抗网络训练模型：所述发生器网络训练模型包括对抗网络、全局对比学习网络和损失计算模块；所述对抗网络包括发生器网络模块、判别网络模块；所述发生器网络模块包括第一编码器网络单元和解码器网络单元；所述判别网络模块包括第二编码器网络单元；所述全局对比学习网络为多层结构，每层包括全局编码器、两层MLP全局网络；全局对比学习网络用于捕获去除马赛克后的图像x′i到参考图像xk的图像级结构特征；第一编码器网络单元的输出端接解码器网络单元的输入端，解码器网络的输出端分别接第二编码器网络单元、全局编码器的输入端，第二编码器的输出端接损失计算模块的输入端，损失计算模块的输出端接第一编码器网络单元和解码器网络单元的控制端；步骤2：训练对抗网络，包括一下具体步骤：步骤2-1：训练集中图像依次经发生器网络模块去除马赛克后分别输出至判别网络模块和全局对比学习网络，训练集中各图像xim分别在原始图像xi上增加一个特定的马赛克；将最小损失值设置为系统可以表示的最大值；步骤2-2：判别网络模块用于计算对抗损失，判别去除马赛克后的图像x′i与参考图像xk是否为同一域图像，将判别结果反馈给发生器网络模块；对抗损失的计算方法为： 式中G为生成网络变换，D为判别网络变换；指xim与训练集图像服从相同分布概率的数学期望；指xi与生成网络输出图像服从相同分布概率的数学期望；步骤2-3：全局学习：全局编码器捕获含马赛克图像到真实图像的全局特征表示，并将含马赛克图像恢复到接近真实图像的状态，计算全局损失： 式中，τ是温度参数，L为全局学习网络的层数；ql,分别为第l层查询集{ql}＝{MlElGxim}、正例集和反例集中的元素，M1表示MPL网络变换，E1表示全局编码器变换，T为随机数据增强，随机地将一个负例变换到不同的视图；G表示生成网络变换；步骤2-4：网络优化：计算损失值：J＝LGANG,D+λ1LglocalG,E+LRG 其中，Gximm表示在Gxim上添加马赛克；D表示判别网络变换，G表示生成网络变换；比较损失值与上次损失值之差，如果损失值比最小损失值减小值大于预设阈值，更新最小损失值，按照预设步长调整第一编码器的网络参数；步骤3：去除马赛克：将含有马赛克图像输入训练好的第一编码器，去除马赛克。

全文数据：

权利要求：

百度查询： 河北师范大学 一种基于对比学习的全局马赛克去除方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD