基于深度学习的图像修复方法研究综述

图像修复是指通过使用计算机算法和图像处理技术还原损坏、缺失或被破坏的图像区域,其目标是使修复后的图像在视觉上具有合理的结构、纹理和连贯性,并且尽可能与原始图像的外观和信息接近。传统的图像修复技术通常基于规则和启发式方法,利用像素间的局部关系、边缘信息、纹理统计等低级特征进行图像修复,难以修复具有复杂语义的图像。近年来,深度学习技术由于其强大的特征提取能力,在图像修复任务中逐渐成为主流方法。这些方法借助大规模数据集进行训练,通过深层次的卷积神经网络或生成对抗网络自动学习图像的高级特征和复杂语义信息。然而,现有的图像修复总结研究较少,且深度学习技术更新太快,为了更好地推动深度学习技术在图像修复领域中的应用及发展,有必要对现有相关方法进行分类和总结。该文对基于深度学习的图像修复方法进行了系统回顾和全面概述,从修复策略的角度出发对图像修复方法进行系统性总结。具体分析了每类方法的优势和局限性,总结了常用的数据集、定量评价指标及代表性方法的性能对比,对图像修复领域存在的难点问题及未来研究方向进行了展望。

文物高光谱数据采集及其多尺度多支路融合增强方法

随着光学成像技术的发展,越来越多的成像技术应用于文物保护分析领域。其中,高光谱成像以其无损、非接触以及“图谱合一”的特点受到广泛关注。然而,受成像传感器的物理限制,现有高光谱图像空间分辨率远不及RGB三通道的高清数码相机,极大阻碍了文物高光谱数字化的应用。针对此问题,该文首先设计了一套文物高光谱数字化采集流程,便于规范化采集同一场景的RGB和高光谱图像数据,为后续融合增强带来便利。其次,提出了基于多尺度多支路的RGB和高光谱图像融合方法,通过设计空间光谱融合模块和细化模块,获取具有高空间和高光谱分辨率的数字化影像。实验结果表明,无论从主观视觉还是客观指标,提出的方法在保持光谱分辨率的同时,更好地提高了空间分辨率。

基于分组LSTM与CNN的青铜器锈蚀类别智能标识方法

青铜器锈蚀标识在青铜器保护修复中具有重要作用。目前,青铜器锈蚀标识以人工标识为主,但是,由于该青铜器锈蚀较为混杂,不易识别,也会因个人经验差异出现标注不一致等问题。因此,该文提出了一种青铜器锈蚀智能标识方法,即基于分组LSTM与CNN的标识方法(multi-group LSTM and CNN,MGLC)。该方法对青铜器高光谱图像设计了一种端到端的网络,该网络在CNN网络的基础上引入了多分组策略的LSTM网络,CNN网络可以提取丰富的空间信息,多分组策略的LSTM可以探索光谱的上下文信息,MGLC网络有效地结合了青铜器高光谱图像的空间信息和光谱信息。实验表明,该方法在青铜器锈蚀类别的智能标识中具有良好的效果。