基于自适应级联的注意力网络的超分辨率重建

深度卷积神经网络显著提升了单图像超分辨率的性能. 通常, 网络越深, 性能越好. 然而加深网络往往会急剧增加参数量和计算负荷, 限制了在资源受限的移动设备上的应用. 提出一个基于轻量级自适应级联的注意力网络的单图像超分辨率方法. 特别地提出了局部像素级注意力模块, 给输入特征的每一个特征通道上的像素点都赋以不同的权值, 从而为重建高质量图像选取更精确的高频信息. 此外, 设计了自适应的级联残差连接, 可以自适应地结合网络产生的层次特征, 能够更好地进行特征重用. 最后, 为了充分利用网络产生的信息, 提出了多尺度全局自适应重建模块. 多尺度全局自适应重建模块使用不同大小的卷积核处理网络在不同深度处产生的信息, 提高了重建质量. 与当前最好的类似方法相比, 该方法的参数量更小, 客观和主观度量显著更好.     

基于CAD模型的直接快速成型软件

目前国内普遍使用的基于STL模型的快速成型软件在精确度和灵活性上都存在着很多缺陷，在一定程度上影响了快速成型技术在生产中所起的作用，以三维几何造型系统GEMS6．0为平台，实现了一个基于CAD模型的直接快速成型软件，可进行分层、填充、构造支撑体以及生成CLI文件等，针对其中的若干问题给出了相应的算法和应用实例。     

基于全局依赖Transformer的图像超分辨率网络

目前,基于深度学习的图像超分辨网络主要由卷积实现。相较于传统的卷积神经网络(CNN),Transformer在图像超分辨率任务中的主要优势是它的长距离依赖建模能力;然而大多数基于Transformer的图像超分辨率模型在参数量小、网络层数少的情况下无法建立全局依赖,限制了模型的性能。为了在超分辨率网络中建立全局依赖,提出了基于全局依赖Transformer的图像超分辨率网络(GDTSR),主要组成部分为残差方形轴向窗口块(RSAWB),它的内部轴向窗口Transformer残差层利用轴向窗口和自注意力,可以使每个像素与整个特征图建立起全局依赖。此外,目前大多数图像超分辨率模型的超分辨率图像重建模块都由卷积组成,为了动态整合提取到的特征信息,结合Transformer与卷积,共同重建超分辨率图像。实验结果表明,GDTSR在5个标准测试集Set5、Set14、B100、Urban100和Manga109上的测试结果中,3个倍数(×2,×3,×4)的峰值信噪比(PSNR)和结构相似性(SSIM)均达到了最优,特别是在大尺寸图像的Urban100和Manga109数据集上模型性能的提升尤为明显...     

基于多层次特征融合的图像超分辨率重建

深度卷积神经网络显著改进了单图像超分辨率的性能.更深的网络往往能获得更好的性能.但是,加深网络会导致参数量急剧增加,限制了它在资源受限设备上的应用,比如智能手机.提出了一个融合多层次特征的轻量级单图像超分辨率网络,主要构件是双层嵌套残差块.为了更好地提取特征,减少参数量,每个残差块采用对称结构:先两次扩张,然后两次压缩通道数.在残差块中,通过添加自相关权重单元,加权融合不同通道的特征信息.实验证明,该方法显著优于当前同类方法.     

边相关的联合彩色去马赛克和放大算法

提出了一个新的联合去马赛克和放大算法,适合于覆盖有彩色滤波阵列的单传感器数码相机. 该算法基于原始彩色滤波阵列图像中的局部梯度,估计插值方向,并一致应用于后续的去马赛克和放大过程中.实验结果显示,该算法显著优于其他现存的相似算法.     

基于权因子调整的NURBS曲线形状修改算法及其在人脸建模中的应用

提出了一种修改NURBS曲线形状的新算法．该算法运用约束优化方法，通过调整原始曲线的多个控制顶点的权因子，使得修改后的曲线更加自然地通过给定的目标点，推导出了用于计算新权因子的3变量线性方程组，并在此基础上，针对人脸建模中的具体问题，设计了一种基于NURBS曲线形状调整的人脸轮廓线编辑算法，实验结果表明了该算法的有效性。     

Loop细分曲面的等距曲面的逼近

提出了一种生成Loop细分曲面的等距曲面的逼近方法．通过让生成的等距曲面在对应于其控制网格顶点的地方是精确的等距，作者将等距曲面的逼近问题转化为求解一个线性方程组．文中提出了一个用于快速求解该线性方程组的改进的Gauss—Jacobi迭代法．另外，该文还考虑了逼近的误差控制和等距曲面的自交问题．     

平面扩展简单多边形的布尔运算

Rivero等最近提出了一种用来计算任意平面简单多边形的交、并、差的新方法，在这一算法基础上进行扩展，使其可以应用到带圆锥曲线边的平面扩展简单多边形上，并给出了完整的数学模型。     

基于最大似然估计的自适应图像降噪

应用Stein的无偏风险估计改进Mih？ak等提出的LAWML小波域图像降噪算法。该方法能在每一个子带为LAWML方法确定一个最佳的邻域窗口,也将建议的方法推广到对偶树复数小波变换。实验结果证实,该方法不仅优于LAWML,也优于当前其他一些图像降噪算法。     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.