基于循环多尺度卷积混合器的老电影修复方法研究

本文针对老电影序列的多种损伤及混合退化问题,提出一种循环结构的卷积混合器网络,可通过深度学习技术自动修复老电影中的受损画面。该网络包括时间融合模块和空间恢复模块,其中,时间融合模块通过比对相邻帧的特征来定位当前帧的损伤,并使用光流引导相邻帧填补当前帧的受损区域,空间恢复模块使用多尺度卷积混合器来处理融合后的时间信息,实现对老电影画面的逐帧修复。此外,本文构建了一个用于模拟老电影损伤的数据集,通过损伤纹理模拟老电影非结构化损伤,设计退化模型模拟老电影的结构化损伤。实验结果表明,该方法可以同时保证老电影单帧修复的质量以及整体的时间一致性。

综合多尺度信息和注意力机制的水下图像增强

针对水下图像由于水的散射和吸收而存在颜色失真和细节丢失等问题,提出了一种综合多尺度信息和注意力机制的生成对抗网络模型来增强水下图像。首先,为了充分利用和增强图像的局部信息和全局信息,使用局部编码器和全局编码器分别提取图像的局部特征和全局特征,并互相融合以实现互补性。接着,设计多尺度混合卷积来捕捉多尺度信息,增加网络对不同尺度特征的适应性。然后,利用注意力机制增加特征提取的准确性,加强网络对高价值特征的关注度。最后,重复使用多尺度混合卷积和注意力机制进一步细化特征后,逐步上采样得到增强图像。与六种经典和最新的方法相比,提出的模型不仅在主观评价中取得了最好的视觉感受,而且在整个测试集上,峰值信噪比(PSNR)、结构相似指数(SSIM)、水下图像质量指标(UIQM)和自然图像质量(NIQE)四种客观评价指标分别取得了22.499,0.789,2.911和4.175的平均分数,均优于六种对比方法,较对比方法中的最优值分别提升0.353,0.002,0.025和0.307,证明提出的模型不仅能够矫正图像颜色失真,而且在恢复图像细节、增加图像对比度和清晰度等方面均有较好的表现,具有良好的应用前景。