基于方向场正则化的线描画生成算法

图像风格转化在计算机视觉领域广受关注, 其研究目标在于将输入图像利用计算机转化为具有某种特定艺术风格的图像. 线描画作为一种古老的画种, 它通过简单的线条勾勒物体的轮廓, 具有简约、抽象的风格. 本文提出一种基于方向场正则化的线描画生成算法, 该算法由4部分构成: 1)采用非局部平均滤波对输入图像进行预处理; 2)计算输入图像的方向场, 并基于自表示的思想对方向场进行Tikhonov正则化, 为了提高运算速度, 采用Sherman-Morrison-Woodbury公式来对正则化算法进行加速; 3)以正则方向场作为引导, 对预处理图像作高斯差分滤波; 4)根据人类视觉系统的非线性特点, 设计感知阈值(Perceptual thresholding)算法来对高斯差分滤波的结果进行阈值处理, 得到二值化的线描画图像. 仿真实验表明, 该算法可将输入图像转化为线条流畅且能有效表达输入图像主要信息的线描画图像.     

全参考图像质量评价回顾与展望

全参考图像质量评价(Full Reference Image Quality Assessment,FR-IQA)是IQA领域广为研究的类型之一.本文回顾了FR-IQA的发展历程,对FR-IQA应用现状和通用FR-IQA问题的构建进行综述,以及对FR-IQA算法进行总结和梳理.并在此基础上,重点分析了现有研究中存在的问题,包括问题构建的合理性、建模的全面性问题、知识驱动与数据驱动结合的问题等.基于对主观评价过程的深入分析,结合现有研究存在的问题,探讨了主观评分采用模糊建模和知识与数据联合驱动构建算法两个可能的研究方向,以期对后续的研究者提供参考.     

基于颜色名称的彩色图像质量评价

图像质量评价(Image Quality Assessment, IQA)是计算机视觉领域研究的基本问题之一。目前,绝大多数图像质量模型都是基于灰度图像构建的,而彩色图像质量评价至今依然是IQA领域的开放性问题。彩色图像质量评价研究的关键在于建立与人类色彩认知能力相一致的色彩信息的量化描述。本文基于颜色名称(Colornames, CN)构建彩色图像质量评价模型,将图像的每个像素值映射为CN概率向量,利用Wasserstein距离计算两幅图像的感知色差,以亮度和梯度特征作为补充,在池化阶段采用显著性加权得到客观图像质量评分。在公开测试数据集上的实验结果表明,提出的模型在TID2008、TID2013和最新的KADID-10k数据集上表现最佳,其SROCC值分别为0.900 9,0.890 1,0.863 7。总体评价效果与目前最好的传统方法(非深度学习方法)相当;而对于颜色失真,则具有明显的优势。     

渐近非局部平均图像去噪算法

非局部平均去噪算法(Non-local means denoising algorithm, NLM)是图像处理领域具有里程碑意义的算法, NLM的提出开启了影响深远的非局部方法. 本文从以下两个方面来重新探讨非局部平均算法: 1) 针对NLM算法运算复杂度高的问题, 基于互相关(Cross-correlation, CC)和快速傅里叶变换(Fast Fourier transformation, FFT)构造了一种快速算法; 2) NLM在滤除噪声的同时会模糊图像结构信息, 在强噪声条件下更是如此. 针对这一问题, 提出了一种渐近非局部平均图像去噪算法, 该算法利用方差的性质来控制滤波参数. 数值实验表明, 快速算法较之经典算法, 在标准参数配置下运行速度可提高27倍左右; 渐近非局部平均图像去噪算法较之经典非局部平均图像去噪算法, 去噪效果显著改善.     

基于自注意力机制的多域卷积神经网络的视觉追踪

为了解决多域卷积神经网络（MDNet）在目标快速移动和外观剧烈变化时发生的模型漂移问题,提出了自注意力多域卷积神经网络（SAMDNet）,通过引入自注意力机制从通道和空间两个维度来提升追踪网络的性能。首先,利用空间注意力模块将所有位置上的特征的加权总和选择性地聚合到特征图中的所有位置上,使得相似的特征彼此相关;然后,利用通道注意力模块整合所有特征图来选择性地强调互相关联的通道的重要性;最后,融合得到最终的特征图。此外,针对MDNet算法因训练数据中存在较多相似但属性不同的序列所造成的网络模型分类不准的问题,构造了复合损失函数。该复合损失函数由分类损失函数和实例判别损失函数组成,首先,用分类损失函数来统计分类的损失值;然后,利用实例判别损失函数来提高目标在当前视频序列中的权重,抑制其在其他序列中的权重;最后,融合两项损失作为模型的最终损失。在目前广泛采用的测试基准数据集OTB50和OTB2015上进行实验,结果表明所提出的算法在成功率指标上相比2015年视觉目标跟踪挑战（VOT2015）的冠军算法MDNet分别提高了1.6个百分点和1.4个百分点,在精确率和成功率指标上优于连续域卷积相关滤波（CCOT）算法,在OTB50上的精确率指标优于高效卷积操作（ECO）算法,验证了该算法的有效性。     

高频信息对齐的多尺度融合去雾网络

目前，在去雾领域鲜有将先验信息引入到以数据驱动的深度学习方法中的工作，且大多数基于深度学习的去雾网络通常对计算机内存和算力有较高要求。为解决上述问题，本文提出一个高频信息对齐的多尺度融合去雾网络（HFMS-Net）。网络框架采用循环模式：对于生成器，通过在轻量卷积神经网络的不同深度引入残差连接，以充分利用网络的中间层特征，实现多尺度特征融合；对于判别器，网络需对其输入进行纹理信息提取，逼近去雾图像和有雾图像之间的高频信息，使基于数据驱动的网络更具物理解释性。与PFDN相比，HFMS-Net在相同设置下以约1/5的内存占用取得了更优越的性能，PSNR和SSIM分别提升了0.71、0.016。通过大量的对比实验和消融实验证明本网络的去雾性能与现有算法相比有一定的提升，对纹理信息具有更高的保真度。     

基于非局部双边随机投影低秩逼近图像去噪算法

该文提出一种基于非局部双边随机投影的低秩逼近图像去噪新方法。首先,对每个图像块通过非局部搜索寻找相似匹配块簇,然后对相似匹配块簇进行双边随机投影,用投影后的低秩结构恢复原图像。实验结果表明,所提方法比奇异值分解方法有较低的计算复杂度,比单边随机投影方法有较小的重构误差。特别是和3维块匹配方法相比,所提方法能保持相近的信噪比和较好的视觉质量。     

波原子纹理图像阈值算法

该文提出了一个新的依赖于Besov光滑参数和尺度的波原子软阈值纹理图像去噪模型。该模型充分考虑了新的多尺度几何分析工具波原子的优良特性,比如波原子正交基和框架的灵活选取,对振荡纹理图像的稀疏表示,波长和支撑尺寸满足抛物尺度关系等。数值实验表明,新模型比硬阈值和软阈值具有更好的去噪性能,而且随着Besov光滑参数的增加信噪比有明显提高。     

基于梯度感知的单幅图像超分辨

随着生成对抗网络在图像超分辨（SR）领域的应用,一些感知驱动的SR方法可以恢复出纹理细节更加丰富的SR图像,有效地缓解了由PSNR主导的SR方法导致重建图像趋于平滑的问题。然而梯度信息作为图像纹理的一种重要表现形式,鲜有SR方法能准确、高效地利用。为此,提出一种基于梯度感知的图像超分辨（GASR）算法,可以更准确地利用梯度信息。一方面,使用梯度域的特征图作为作用在图像域特征图上的卷积核,有效地避免了不同域特征图串联所带来的域冲突问题;另一方面,通过对卷积核尺寸等设计细节的调整使两个分支对应位置所输出的图像域与梯度域特征图的感受野一致。此外,由于实际应用对网络轻量化需求的提高,提出的GASR算法还有效降低了参数量和计算量。与同样利用梯度信息的SPSR相比,GASR最终以约1/6的参数量与1/10的计算量取得了与其相近的性能。在Set14数据集上,LPIPS与PSNR分别提升了0.002 2与0.217。实验结果验证了GASR可以在纹理生成与图像平滑度之间取得一个很好的平衡,视觉化效果也验证了GASR不仅可以准确地恢复SR图像,而且在一定程度上缓解了杂乱纹理的生成。     

基于混合注意力与强化学习的文本摘要生成

基于递归神经网络的序列到序列的模型在文本摘要生成任务中取得了非常好的效果,但这类模型大多存在生成文本重复、曝光偏差等问题。针对重复问题,提出一种由存储注意力和解码自注意力构成的混合注意力,通过存储历史注意力和增加对历史生成单词的注意力来克服该问题;使用强化学习作为一种新的训练方式来解决曝光偏差问题,同时修正损失函数。在CNN/Daily Mail数据集对模型进行测试,以ROUGE为评价指标,结果证明了混合注意力对重复问题有较大的改善,借助强化学习可以消除曝光偏差,整合后的模型在测试集上超越先进算法。