隨著智能手機(jī)和微單相機(jī)的普及,拍照已經(jīng)變成人們?nèi)粘Ｉ钪胁豢扇鄙俚囊徊糠?圖像也已成為人類社會的重要信息媒介。然而受到拍照環(huán)境、設(shè)備和技術(shù)的影響,圖像中難免會出現(xiàn)退化現(xiàn)象,如何從圖像處理的角度提升拍攝照片的質(zhì)量具有重要的研究意義與應(yīng)用價值。近年來,深度學(xué)習(xí)技術(shù)得到了巨大的發(fā)展,并廣泛應(yīng)用于圖像處理領(lǐng)域。相對于許多傳統(tǒng)算法,深度學(xué)習(xí)技術(shù)從海量的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的先驗知識具有更強(qiáng)的泛化能力和更復(fù)雜的參數(shù)化表達(dá),且無需調(diào)節(jié)算法參數(shù)以適應(yīng)不同的應(yīng)用場景。得益于上述優(yōu)勢,深度學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用于圖像處理領(lǐng)域,如何利用深度學(xué)習(xí)算法提升圖像處理的效果也變成了一個重要的研究方向。盡管深度學(xué)習(xí)技術(shù)顯著促進(jìn)了圖像處理領(lǐng)域的發(fā)展,但是受限于其對訓(xùn)練數(shù)據(jù)的敏感性,在面對無標(biāo)簽、僅有弱標(biāo)簽或者合成偽標(biāo)簽的數(shù)據(jù)時,深度學(xué)習(xí)技術(shù)的優(yōu)勢難以充分體現(xiàn)。本學(xué)位論文針對以上挑戰(zhàn),重點研究了缺失完整數(shù)據(jù)標(biāo)簽的經(jīng)典圖像處理問題,包括圖像平滑、反光去除和本征圖像分解等。本文通過將上述問題抽象為對圖像結(jié)構(gòu)敏感的圖像分解問題,將顯著的目標(biāo)邊緣信息通過優(yōu)化或者濾波的方式編碼進(jìn)深度學(xué)習(xí)的算法設(shè)計中。根據(jù)圖像處理問題中數(shù)據(jù)標(biāo)簽的類型和數(shù)... 

【文章頁數(shù)】：208 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究內(nèi)容
        1.1.2 研究意義
        1.1.3 深度學(xué)習(xí)技術(shù)的價值和挑戰(zhàn)
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像平滑
        1.2.2 基于反光的圖像復(fù)原
        1.2.3 本征圖像分解
        1.2.4 參數(shù)化圖像處理
    1.3 本文的主要工作和創(chuàng)新點
    1.4 論文組織結(jié)構(gòu)
第2章 基于無監(jiān)督學(xué)習(xí)的空間自適應(yīng)圖像平滑算法
    2.1 引言
    2.2 基于無監(jiān)督學(xué)習(xí)的空間自適應(yīng)圖像平滑算法
        2.2.1 目標(biāo)函數(shù)的定義
        2.2.2 動態(tài)空間自適應(yīng)的Lp平滑項
        2.2.3 基于深度學(xué)習(xí)的優(yōu)化
    2.3 實現(xiàn)細(xì)節(jié)
    2.4 方法分析和討論
        2.4.1 不同優(yōu)化器的視覺效果
        2.4.2 帶有固定L_p分布的不同優(yōu)化器的性能比較
        2.4.3 帶有動態(tài)L_p分布的不同優(yōu)化器的性能比較
    2.5 實驗結(jié)果
        2.5.1 自對比實驗
        2.5.2 與傳統(tǒng)方法的對比
    2.6 應(yīng)用
        2.6.1 圖像抽象化和鉛筆素描
        2.6.2 細(xì)節(jié)增強(qiáng)
        2.6.3 紋理去除
        2.6.4 基于內(nèi)容的圖像處理
    2.7 本章小結(jié)
第3章 基于弱監(jiān)督學(xué)習(xí)的圖像反光去除算法
    3.1 引言
    3.2 基于弱監(jiān)督學(xué)習(xí)的圖像反光去除算法
        3.2.1 邊緣學(xué)習(xí)算法
        3.2.2 圖像重建算法
        3.2.3 基于深度學(xué)習(xí)的算法實現(xiàn)
        3.2.4 目標(biāo)函數(shù)的定義
        3.2.5 弱監(jiān)督信號的生成
    3.3 實驗結(jié)果
        3.3.1 自對比實驗
        3.3.2 圖像反光去除
        3.3.3 圖像平滑
    3.4 本章小結(jié)
第4章 基于多標(biāo)簽聯(lián)合訓(xùn)練的本征圖像分解算法
    4.1 引言
    4.2 基于多標(biāo)簽聯(lián)合訓(xùn)練的本征圖像分解算法
        4.2.1 直接本征圖像估計網(wǎng)絡(luò)
        4.2.2 導(dǎo)向網(wǎng)絡(luò)
        4.2.3 域濾波器
    4.3 靈活的監(jiān)督損失層
        4.3.1 稀疏的成對比較數(shù)據(jù)
        4.3.2 密集的圖像標(biāo)簽
    4.4 實驗結(jié)果
        4.4.1 在IIW數(shù)據(jù)上的稀疏成對監(jiān)督
        4.4.2 在MPI-Sintel和MIT數(shù)據(jù)集的密集監(jiān)督
        4.4.3 基于多標(biāo)簽的聯(lián)合監(jiān)督
    4.5 本章小結(jié)
第5章 基于解耦學(xué)習(xí)的實時參數(shù)化圖像處理算法
    5.1 引言
    5.2 基于解耦學(xué)習(xí)的實時參數(shù)化圖像處理算法
        5.2.1 問題定義和動機(jī)
        5.2.2 深度學(xué)習(xí)的算法實現(xiàn)
        5.2.3 圖像算子的選擇
        5.2.4 數(shù)據(jù)采樣
    5.3 實驗結(jié)果
        5.3.1 定性和定量比較
        5.3.2 拓展到多個輸入?yún)?shù)
        5.3.3 拓展到多個圖像算子的聯(lián)合訓(xùn)練
        5.3.4 與先進(jìn)圖像算子的性能比較
        5.3.5 理解和分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄
攻讀學(xué)位期間參與科研項目及獲獎情況
外文論文
學(xué)位論文評閱及答辯情況表



本文編號：3701826