生成式对抗网络在图像补全中的应用*

图像补全是数字图像处理领域的重要研究方向,具有广阔的应用前景。提出了一种基于生成式对抗网络(GAN)的图像补全方法。生成式对抗网络模型由生成器模型和判别器模型两部分构成,通过采用卷积神经网络(CNN)实现。首先,通过生成器模型对图像的缺失区域进行补全;然后,利用判别器模型对图像的补全效果进行判别。采用马尔科夫随机场(MRF)与均方误差(MSE)相结合的损失函数训练生成器模型,加强对图像纹理细节的处理能力。实验结果证明,基于生成式对抗网络的图像补全方法,相较于其他现有的方法,具有更好的补全效果。     

E5 利用声致发光照相和印相

本文提出和初步研究了声致荧光方法,给出了实验装置,测出了三种Luminol-氢氧化物[C₈H₇N₃O₂-NaOH、C₈H₇N₃O₂一Ca(OH)₂]水溶液的声致荧光光谱,并比测了它们的光致荧光光谱。结果表明,这类物质的荧光可以由声波激发获得,而且声激发和光激发的荧光波长都在C₈H₇N₃O_{2水溶液的光致荧光的发射波长370nm~750nm之间,属于可见光和近紫外光。}     

基于自适应特征融合的无纹理3D目标跟踪

基于轮廓匹配的无纹理3D目标跟踪算法需要根据3D模型和2D投影轮廓的3D—2D匹配点连续估计目标的位置和姿态,但在背景复杂和运动模糊的情况下容易错配导致跟踪失败.针对此问题,提出一种基于自适应特征融合的3D目标跟踪算法.首先在3D模型投影轮廓附近进行轮廓匹配和颜色统计建模,以提取轮廓特征和颜色特征;然后定义基于轮廓特征和颜色特征自适应加权的能量函数,并计算其相对于位置和姿态参数的偏导数;最后通过LM优化算法求解位置和姿态参数的最优值.为处理目标和相机的快速运动,采用由粗到细的策略在多尺度视频帧中迭代跟踪.定性和定量实验结果表明,在复杂背景和运动模糊的情况下,该算法仍能实现快速稳定的跟踪,具有较高的精确性和鲁棒性.     

基于WSSD的不规则图像块快速匹配

传统的图像块匹配加速算法都要求待匹配的图像块具有预先定义好的形状。但有时候由于数据损坏、丢失等原因,待匹配块的形状是不规则的（如图像修复）。针对这种情况,提出了一种无损精度的不规则块匹配加速算法,将不规则块匹配扩展为一求最小加权平方差和（WSSD）的问题,块的形状间接地通过每个像素的权重来控制,这使得图像块都能被统一地当成矩形块。为了进行加速,提出了用快速傅里叶变换（FFT）计算WSSD的方法。并利用待匹配块及其权重在傅里叶变换过程中需大面积补零的特殊性改进了FFT算法,在不损失精度的前提下,进一步降低了其复杂度。最后以图像修复为例,说明WSSD是比SSD更一般的图像块相似度,并为各种图像块匹配的应用提供了一种统一的处理框架。