基于多尺度前馈融合结构的重采样因子估计算法

【目的】重采样是掩盖图像篡改痕迹的重要手段,为了更加精确地实现对重采样缩放参数的检测,验证图像信息的真实性,本文提出一种基于多尺度前馈融合结构的重采样因子估计算法。【方法】在预处理层中,首先使用两个线性高通滤波器得到重采样图像的残差特征,抑制图像内容带来的影响,放大区域内像素之间的关联性,其次利用4个低阶高通滤波器在不同方向上强化像素的梯度特征,该算法的主体结构为卷积神经网络,在网络的不同层级处提取出多尺度重采样分类痕迹,结合注意力机制,形成多尺度残差融合模块(Multiscale Residual Fusion Module, MRFM),补偿卷积过程中重采样信息的丢失,标定特征信息传递过程中的有效性,同时去除信息冗余,加速网络收敛。【结果】实验表明,本文所提算法的网络增益由预处理层和多尺度残差融合模块共同决定,准确性明显高于对比的其他算法,尤其在强噪声的干扰下,本文所提算法具有明显的优势。

基于多尺度前馈结构的单幅图像去雨算法

图像中雨纹的存在将增大目标检测和识别的难度,而雨纹通常是图像的高频部分,其中也包含着大量图像细节,如何在去雨的同时保留有用的细节是需要解决的问题。为避免预处理带来去雨次优效果,模拟真实场景下物体成像过程,改进图像复原的通用模型,丰富网络的感受野,更精确去雨的同时增强对比度,提出一种基于多尺度、多层次和多注意力机制的卷积神经网络,通过多卷积的特征跳跃连接补偿卷积过程中细节信息的丢失以及融合不同层级特征信息,在网络分支中提取多尺度特征图,并结合注意力机制形成多个多尺度残差注意力子模块对全局信息在通道维度上进行权值重标定,去冗余的同时增强有用信息,将初级特征与高级特征相融合来学习雨图和无雨图之间的映射关系。考虑到实际情况,真实的雨图无对应的无雨图,所以本文采用合成的数据集来训练,并用合成数据集和真实场景图进行验证。实验结果表明,所提出的网络,无论雨纹的大小和密度,都能取得较好的去雨效果,同时保留了细节信息。