基于差分Causal LSTM模型的气象图像短时预测研究

为解决气象图像序列在短时预测时预测精度低的问题,利用一种具有级联记忆单元的Causal LSTM,将图像梯度差分惩罚因子引入训练过程,来提高预测模型对短时序列动态和突变的建模能力,提出了差分Causal LSTM模型。研究首先通过循环神经网络建立气象图像短时预测模型,然后分析了ConvLSTM模型对气象雷达回波图与卫星云图序列的预测效果,对于ConvLSTM模型预测气象图像存在严重模糊的问题,使用差分Causal LSTM模型进行优化,结果表明改进的模型能够有效改善模糊,提升预测结果的准确性。改进后的差分Causal LSTM模型在HKO-7数据集的测试样本中,关键成功指数(CSI)提高了0.019,在气象云图数据集中提高了0.078,模糊程度有所减弱。

基于DeblurGAN和低秩分解的去运动模糊

为研究出一种快速且有效的图像去模糊方法,基于DeblurGAN提出一种利用条件生成对抗网络实现的端到端图像去运动模糊方法。该方法将DeblurGAN的标准卷积层改成瓶颈结构,并对瓶颈结构中的卷积进行低秩分解,且添加两个残差对称跳跃连接,以加速网络收敛。为解决DeblurGAN复原图像不够清晰这个问题,向网络损失函数添加互信息损失和梯度图像L1损失,通过最大化输入图像和其隐含特征间的互信息,使所提取的隐含特征能很好地表征输入信息,从而利用隐含特征还原出清晰图像,而L1损失有利于使复原图像的边缘更明显。同时,通过实验对该方法的有效性进行了验证,并与其他已有的同类算法进行了比较。结果表明:相比DeblurGAN,文中方法峰值信噪比更高,两者的结构相似性指标相当,且文中模型参数量压缩至DeblurGAN的3.25%,去模糊速度提高3倍,模型性能优于已有的其他同类算法。

面向浅层特征高频分量的深度伪造检测算法

近年来,深度伪造技术大幅提升了合成人脸的真实感,且相较于传统伪造方法,其生成的虚假视频更加难以分辨。基于深度伪造图像视觉伪影常常存在于特征提取网络浅层特征高频分量中这一特性,设计了一种面向浅层特征高频分量的深度伪造图像检测算法。针对高通滤波器的缺陷,本实验在拉普拉斯金字塔的基础上设计了一种具有更好的过滤性能的高频残差提取模块。在增强模块中,使用Convolutional Block Attention Module(CBAM)增加特征图关键区域以及关键特征通道的权重,提升特征图的空间以及通道相关性。针对深层网络中高频分量学习优先级低的问题,设计了一种图像梯度损失算法,防止高频信息随着网络的加深而丢失。将梯度中心化引入AdamW优化器,解决了深度伪造检测模型训练时间长、泛化性差的问题。所提两种模型在FaceForensics++和Celeb-DF数据集上的准确率均优于主流算法,证明了算法的有效性以及泛化性。