[發明專利]基于條件生成對抗網絡的去模糊方法、系統、設備及介質

在審

• 申請號: 202011549596.2
• 申請日: 2020-12-24
• 公開（公告）號: CN112541877A
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 杜振鋒;周曉清;龔汝洪
• 申請（專利權）人: 廣東宜教通教育有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

本發明公開了一種基于條件生成對抗網絡的去模糊方法、系統、設備及介質，所述方法包括：構建生成對抗網絡；獲取模糊圖像和清晰圖像；將模糊圖像輸入生成器的輸入層，依次經過標準卷積層、第一激活函數層和第一特征歸一化層進行處理；將處理結果輸入多個Group?SE模塊中提取特征；將提取的特征輸入反卷積層中進行上采樣，得到模擬圖像；以模擬圖像作為負樣本，以清晰圖像作為正樣本，將負樣本和正樣本輸入判別器中進行判別，輸出清晰圖像的真假判別結果；通過迭代訓練生成器和判別器，直到生成對抗網絡達到納什均衡；利用訓練好的生成對抗網絡對待處理圖像進行去模糊處理。本發明可以解決圖像去模糊技術運用在人臉識別相關場景中準確率提升不明顯等問題。

技術領域

本發明涉及一種基于條件生成對抗網絡的去模糊方法、系統、設備及介質，屬于深度學習、計算機視覺和圖像處理領域。

背景技術

盡管近幾年計算機成像已經取得了巨大的進步，但對于處理捕獲的運動模糊內容仍然是一個挑戰。運動模糊是由傳感器曝光期間場景中的物體或照相機的運動引起。除了明顯降低圖像的視覺質量外，模糊造成的失真會導致諸多計算機視覺任務的性能大幅下降(如人臉識別)。商業上有一些可用的相機，它們可以以高幀頻捕獲幀，從而減少模糊現象，但是這會使圖像擁有更多噪聲且相機價格很昂貴。

由于運動模糊本身的不適定性，它依然是計算機視覺中一個具有挑戰性的問題。目前運用相對廣泛的圖像去模糊方法主要有以下兩類：盲去模糊和非盲去模糊。非盲去模糊是當模糊核已知時，采取有針對性的反卷積操作獲取清晰圖像，因此模糊核估計的準確性就成了圖像去模糊的關鍵。目前主流的模糊核估計方法大部分建立在概率先驗模型之上。朝陽提出兩階段圖像恢復方法，首先利用圖像的稀疏性，在多尺度情況下估計模糊核，再結合非盲反卷積獲取清晰圖像。徐弦秋等提出利用模糊核對各個通道彩色分量圖造成的差異性，對圖像的RBG通道分別進行模糊核估計，此方法取得了不錯的去模糊效果，但其運算較為復雜且運行速度緩慢。

隨著人工智能的不斷興起，新興的深度學習技術推動了圖像修復任務的突破。在圖像去模糊任務中，盲去模糊的方法越來越受到研究者的青睞。Nah等通過使用多尺度殘差網絡，以粗到細的方式聚合特征，直接對圖像去模糊，避免了對模糊核進行估計；Ramakrishnan等結合使用pix2pix框架和稠密連接網絡DenseNet執行圖像無核盲去模糊；陳陽等提出一種基于自編碼深度神經網絡的方法，對輸入圖像中的模糊區域進行準確標記，并對這些區域進行去模糊處理，這能在保證圖像不發生失真的同時有效去除局部模糊；Kupyn等針對運動模糊提出一種基于生成對抗網絡的圖像盲去模糊方法，將梯度懲罰和感知損失引入生成對抗神經網絡，這不僅使圖像保留了更多的紋理細節，運行效率也有大幅提高。Yan等采用數據驅動的先驗鑒別并設計了基于半二次分裂法的圖像盲去模糊算法；Tao等提出尺度循環網絡(Scale-Recurrent Network，SRN)，將不同尺度上的權重共享用于圖像去模糊；Dai等提出區域自適應稠密網絡(Region-Adaptive Dense Network，RADN)，通過使用空間注意力來處理局部特征和在全卷積中嵌入DenseNet預訓練層的方法，實現了高效的圖像去運動模糊效果。

現有大部分基于深度神經網絡的圖像去運動模糊算法存在參數量眾多，運用在一些人臉識別場景中，對識別準確率的提升微小或者對識別率產生負面影響的問題。

發明內容

有鑒于此，本發明提供了一種基于條件生成對抗網絡的去模糊方法、系統、設備及介質，其可以解決圖像去模糊技術運用在人臉識別相關場景中準確率提升不明顯等問題。

本發明的第一個目的在于提供一種基于條件生成對抗網絡的去模糊方法。

本發明的第二個目的在于提供一種基于條件生成對抗網絡的去模糊系統。

本發明的第三個目的在于提供一種計算機設備。

本發明的第四個目的在于提供一種存儲介質。

本發明的第一個目的可以通過采取如下技術方案達到：