- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
深度学习实现荧光显微镜的跨模态超分辨率成像
摘要： 我们展示了跨不同荧光显微镜模态的深度学习超分辨率技术。这种数据驱动的方法无需对成像过程进行数值建模或估计点扩散函数，其核心是通过训练生成对抗网络（GAN）将衍射极限输入图像转换为超分辨率图像?；诟每蚣埽颐翘嵘说褪悼拙段锞挡杉目沓⊥枷穹直媛?，使其达到高数值孔径物镜的成像水平。我们还实现了跨模态超分辨率转换，将共聚焦显微镜图像提升至受激发射损耗（STED）显微镜的分辨率。进一步研究表明，细胞及组织内亚细胞结构的总内反射荧光（TIRF）显微镜图像可被转换为基于TIRF的结构光照明显微镜效果。该深度网络能快速输出这些超分辨率图像，无需任何迭代或参数搜索，有望推动超分辨率成像技术的普及应用。
关键词： 生成对抗网络、跨模态、超分辨率、荧光显微镜、深度学习
更新于2025-11-21 11:24:58
-
一种用于多光谱影像变化检测的生成式判别分类网络
摘要： 基于深度学习的多光谱图像变化检测通常需要大量训练数据，但获取大量标注数据既困难又昂贵。为此，我们提出一种用于多光谱图像变化检测的生成对抗分类网络（GDCN），该网络利用标注数据、未标注数据以及生成对抗网络生成的新伪数据。GDCN由判别分类网络（DCN）和生成器构成：DCN将输入数据划分为变化类、未变化类和额外类（即伪类）；生成器通过输入噪声重建真实数据以提供额外训练样本，从而提升DCN性能。最终将双时相多光谱图像输入DCN获得最终变化图。在真实多光谱影像数据集上的实验结果表明，仅利用未标注数据和少量标注数据训练的GDCN，其性能可与现有方法相媲美。
关键词： 变化检测、深度学习、多光谱影像、生成对抗网络（GANs）
更新于2025-09-23 15:23:52
-
基于深度卷积神经网络的单幅红外图像增强
摘要： 本文提出一种用于单幅红外图像增强的深度学习方法。采用全卷积神经网络（CNN）生成对比度和细节增强的图像，并将条件生成对抗网络纳入优化框架以避免背景噪声放大，同时进一步提升对比度与细节表现。现有卷积神经网络架构（如残差架构和编码器-解码器架构）在网络性能和应用范围上均未能实现红外图像增强任务的最佳效果。为此，我们专门设计了一种新型精细化卷积神经网络架构，相比其他网络架构能产生视觉效果更佳、对比度更高且细节更锐利的输出。由于红外图像样本较少，训练过程使用可见光图像，并通过生成合适的训练样本来确?；诳杉馔枷裱盗返耐缒苡行вτ糜诤焱馔枷?。实验表明，本方法在对比度和细节增强方面优于现有图像增强算法。代码详见：https://github.com/Kuangxd/IE-CGAN。
关键词： 残差网络，增强，红外图像，深度学习，编码器-解码器网络，生成对抗网络
更新于2025-09-23 15:23:52
-
[IEEE 2018年第25届机电一体化与机器视觉实践国际会议(M2VIP) - 德国斯图加特(2018.11.20-2018.11.22)] 2018年第25届机电一体化与机器视觉实践国际会议(M2VIP) - 直接生成数控刀具路径的生成模型
摘要： 如今，数控系统（CNC）已成为机床与工业机器人生产控制的标准配置，尤其适用于频繁变更的生产任务，能实现高度灵活高效的生产。数控系统采用离散输入输出模式，但在数控通道内需要解析描述曲线以计算位置给定值并限制加加速度。这种离散与连续描述形式之间的转换，以及数控通道内连续曲线插补并行化处理的显著限制，会导致性能开销，进而制约数控通道在新位置给定值计算方面的效能，可能造成生产速度下降及生产周期延长。针对该问题，本文提出一种新方法：基于深度生成模型的应用，无需计算连续曲线及后续离散化处理，即可直接生成插补刀具路径。通过训练使生成模型能直接以离散点序列形式创建特定类型曲线（如直线、抛物线或样条曲线）。该方法在并行化方面具有良好可行性，可降低数控通道内的计算负荷。首批针对直线与抛物线的实验结果表明，该新方法在生成CNC刀具路径方面具有可行性。
关键词： 机器学习、计算机数控、插补、数控系统、生成对抗网络
更新于2025-09-23 15:22:29
-
[IEEE 2018 OCEANS - MTS/IEEE神户海洋技术会议(OTO) - 日本神户 (2018.5.28-2018.5.31)] 2018 OCEANS - MTS/IEEE神户海洋技术会议(OTO) - 基于生成对抗网络与相似度测量的水下图像生成
摘要： 水下环境的复杂性使得获取水下图像较为困难，因此无法为基于深度学习的图像处理提供大量所需的训练数据。传统颜色迁移方法只能将源图像的颜色分布逐一映射到目标图像，未考虑水下成像环境的复杂性，导致效果和性能存在缺陷。本文提出的基于生成对抗网络（GANs）的方法具有优势，其通过引入水下成像模型来训练生成网络，将空气图像批量转换为水下图像，从而实现数据增广的目的。此外，我们阐述了若干提升GANs性能的实现细节。最后，我们首次利用SIMILATION、结构相似性指数（SSIM）和多尺度结构相似性指数（MS-SSIM）计算颜色与结构相似度水平，以评估生成样本的质量。结果表明，该方法在数据增广方面表现良好。
关键词： 生成对抗网络、水下成像、相似性度量、数据增强
更新于2025-09-23 15:22:29
-
面向任务的生成对抗网络在极化合成孔径雷达图像分类与聚类中的应用
摘要： 基于生成对抗网络（GAN），本文提出了一种名为任务导向型GAN的新版本，用于解决极化合成孔径雷达（PolSAR）图像解译中的难题，包括PolSAR数据分析和样本量不足问题。除GAN中典型的生成器（G-Net）和判别器（D-Net）两部分外，任务导向型GAN还包含第三部分——任务网络（T-Net），其用于完成特定任务。本文研究了PolSAR图像分类与聚类两项任务，其中T-Net分别作为分类器和聚类器。任务导向型GAN的学习过程分为两个主要阶段：第一阶段中，G-Net与D-Net像常规GAN那样相互博弈；第二阶段中，通过T-Net调整并引导G-Net，从而生成更多有利于任务的样本（称为伪数据）。因此，任务导向型GAN不仅具备GAN的优势（无假设数据建模），还克服了GAN的缺陷（无任务导向）。学习完成后，伪数据被用于扩充训练集以避免过拟合，使得该方法即使在人工标注数据较少时仍表现良好。为验证T-Net的有效性，文中提供了可视化对比，展示了任务导向型GAN与常规GAN生成的伪数字样本。此外，考虑到PolSAR数据与常规数据的显著差异，在PolSAR图像分类与聚类任务中，我们将特定的PolSAR信息嵌入任务导向型GAN结构中。这使得研究人员无需任何数据假设即可挖掘PolSAR数据的内在信息，同时解决小样本问题。在三个PolSAR图像上的实验结果表明，所提方法在处理PolSAR图像分类与聚类任务时表现优异。
关键词： 生成对抗网络（GAN）、面向任务、聚类、极化合成孔径雷达图像分类
更新于2025-09-23 15:22:29
-
[IEEE 2018年第24届国际模式识别会议（ICPR） - 北京（2018年8月20日至2018年8月24日）] 2018年第24届国际模式识别会议（ICPR） - 基于特定领域编码器/解码器的无监督多域图像转换
摘要： 无监督图像到图像转换技术如今已取得显著进展。然而现有方法主要针对双域单一模型，在需要任意n（n>2）个域自由转换的通用场景下，训练耗时和模型参数量都会带来沉重负担。为此，我们提出名为"域库"的创新统一框架——该框架包含全局共享自编码器和n个特定域编解码器，其核心假设是存在可投影的通用共享潜在空间。这一设计不仅大幅减少模型参数量，更显著降低时间成本。除高效性外，我们在人脸图像转换、绘画风格转换等具有挑战性的无监督图像转换任务中，均展现出媲美（甚至超越）现有最优水平的转换效果。将该框架应用于域适应任务时，也在数字基准数据集上取得了最先进的性能表现。
关键词： 共享潜在空间、无监督图像到图像转换、生成对抗网络、变分自编码器、域库、多域
更新于2025-09-23 15:22:29
-
[IEEE 2018年第五届越南国家科学基金会信息与计算机科学会议(NICS) - 越南胡志明市 (2018.11.23-2018.11.24)] 2018年第五届越南国家科学基金会信息与计算机科学会议(NICS) - 基于深度生成对抗网络的牌照图像联合去模糊与二值化方法
摘要： 图像去模糊是一个高度不适定的逆问题，其目标是从模糊图像中（无论是否了解模糊过程）估计出清晰图像。尽管基于模型的图像去模糊方法（其中反卷积是恢复清晰图像的主要步骤）已取得成功，但在实际应用中仍存在局限——尤其是当物体运动、相机运动、成像设备非均匀灵敏度等多种因素共同影响成像过程时。在移动车辆的自动车牌识别（ALPR）中，模糊图像会严重降低识别准确率。同时，虽然车牌二值化图像在ALPR系统中具有重要作用，但其精度很大程度上受模糊图像影响。本文采用基于生成对抗网络的深度架构，联合执行车牌图像的去模糊与二值化处理。我们的模型直接从模糊图像映射到二值图像，无需像传统方法那样经过去模糊步骤。该方法的创新性在于：对于移动物体而言，获取真实清晰的标注车牌较为困难，而准确的二值图像却可以从模糊图像中人工推导获得。
关键词： 逆问题、车牌去模糊、图像去模糊、生成对抗网络（GAN）
更新于2025-09-23 15:22:29
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - SAR图像数据集的数据增强方法
摘要： 大规模、高质量、标准化、可测量且精确的数据是推动雷达遥感算法进步的关键。数据扩展是一种通过特定数据转换来增加标记训练集规模的技术。基于计算机辅助制图模型的合成孔径雷达（SAR）图像模拟器在自动目标识别和图像解译等SAR应用中发挥着重要作用，但该模拟器的准确性受几何误差和电磁计算简化的影响。为了获得具有已知目标和方位角的SAR图像数据集，我们可以直接从已知图像数据库生成所需图像。通过线性合成和生成对抗网络，可以实现SAR图像数据集的增强，从而生成指定方位角的SAR图像。
关键词： 生成对抗网络，合成孔径雷达图像，线性合成
更新于2025-09-23 15:21:21
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于全卷积半监督生成对抗网络的极化SAR分类
摘要： 我们提出了一种用于极化合成孔径雷达（PolSAR）地形分类的新型半监督全卷积网络。首先，通过设计全卷积结构，我们可以执行基于像素的分类任务。然后，通过应用半监督生成对抗网络（GAN），我们利用标记和未标记样本，旨在获得更高的分类精度。通过极小极大化的双人博弈，GAN比其他"单玩家"分类器具有更优性能。最后，我们将全卷积结构与半监督GAN相结合。我们的全卷积半监督GAN（FC-SGAN）具有出色的空间特征学习能力，能够执行端到端的基于像素的分类任务。实验结果表明，与现有方法相比，所提方法具有更优性能。即使训练集规模缩小，我们的方法仍能保持高精度。
关键词： 地形分类、全卷积网络、生成对抗网络、半监督学习
更新于2025-09-23 15:21:21