渐进式多尺度特征融合的图像去镜头雨滴方法

针对附着在镜头上的雨滴会造成图像退化和背景信息丢失问题,提出一种渐进式多尺度特征融合的单幅图像去镜头雨滴的方法,以采样至不同尺度的镜头雨滴附着图像为输入,通过重复堆叠的残差模块和循环神经网络进行渐进式雨滴特征提取,捕获从局部到全局的雨滴特征信息,在不同空间维度上探索互补的信息来更好地表征尺寸形状多变、位置随机分布的雨滴,对多尺度的雨滴特征进行融合,最后按照线性叠加物理模型恢复出清晰背景图像。使用公开数据集进行训练得到去镜头雨滴模型,在其测试集以及真实采集的镜头雨滴附着图像上进行了测试,在量化指标和可视化结果方面都取得了较好的效果,并表现出良好的泛化性能。     

一种基于PL-ICP及NDT点云匹配的单线激光里程计

近年来随着人工智能的迅速发展,服务机器人在许多领域得到应用。里程计为机器人提供基础位姿信息,是机器人完成SLAM、路径规划及导航等任务的基础。基于PL-ICP及NDT点云匹配算法分别构建两种激光里程计,并基于Kalman滤波的思想对两种里程计信息进行校正融合,构建了一种适用于小场景下的二维单线激光里程计。经实验,该里程计在点云形状较完整的小场景下具有较高的定位精度和较好的鲁棒性。     

利用背景进行多尺度融合的多分辨率图像分割

提出了一种基于背景的小波域多分辨率图像分割新方法—CLTVWseg。与常见的多分辨率分割方法不同,该方法采用背景信息来实现尺度间的交互;同时采用可变的权重参数连接小波分解的多尺度特征场和标记场。每一尺度上,通过权重参数的调整使得该尺度的特征场和标记场在分割过程中依次起主导作用,获得该尺度更为准确的分割结果。最细尺度上的分割结果作为该方法的分割结果。实验表明,该算法的分割结果,在保持边界的同时,区域一致性也比较好。     

基于密度分类引导的双阶段雨天图像复原方法

雨天作为最常见的恶劣天气，对图像造成的退化效应主要包括雨线对背景的遮挡、雨线累积形成的雨雾效应，从而导致很多为清晰成像条件设计的视觉系统运行效果大打折扣。为了实现雨线和雨雾同时去除、更鲁棒地处理各种真实雨天场景，该文提出了一种雨密度分类引导的双阶段雨天图像复原方法。该方法结合雨天物理模型先验与cGAN网络优化，综合考虑不同模式的雨线与雨雾，利用单独的雨密度分类网络为优化阶段提供引导信息，可以实现不同密度的雨线和雨雾图像复原。在公开合成数据集和真实雨天图像上进行了大量实验，定量和定性的结果均表明了所提方法在去雨有效性和泛化性上的优势。