专利交易市场

本发明公开了一种基于重启策略与近似交替惩罚算法的图像补全方法，包括获取待补全的自然图像数据输入低秩全变分修复模型；利用近似交替惩罚算法迭代求解所述低秩全变分修复模型，并在迭代次数达到N的倍数时利用重启策略重置近似交替惩罚算法中的变量，直至迭代至预设的最大迭代次数；输出求解得到的补全后的自然图像数据。本申请建立的低秩全变分修复模型从多维度考虑图像修复，并且采用近似交替惩罚算法对低秩全变分修复模型进行求解，以应用于自然图像修复，求解速度快，同时使用了重新策略，即迭代到一定次数，重新给参数赋初值，以显著提高近似交替惩罚算法的性能，在提高修复效率的同时达到较优的修复效果。

本发明属于张量补全技术领域，尤其涉及一种基于低秩全变分深度先验融合的视觉数据补全方法。本发明包括构建低秩全变分深度先验融合算法，将观测张量输入低秩全变分深度先验融合算法，采用ADMM算法对低秩全变分深度先验融合算法的变量，输出复原张量。通过基于log范数的转化张量核范数以及3DTV的加权提升方案以及利用灰度图像进行训练的卷积神经网络提供的隐式先验，以同时捕获低秩、分段平滑和数据驱动先验；选用基于酉矩阵变换的转化张量核范数挖掘张量本质的低秩属性；引入非凸log函数代替TNN中的l1范数来有效减缓秩函数的偏离情况，以构建基于酉矩阵变换的非凸转化张量核范数正则项，提供本质秩函数的更优逼近。

本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。