- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[计算机科学讲义] 模式识别与计算机视觉 第11256卷（首届中国会议，PRCV 2018，中国广州，2018年11月23-26日，会议录，第一部分）|| 基于生成对抗网络的X射线安检违禁物品图像生成方法
摘要： 智能识别违禁物品对自动X射线行李安检具有重要意义。该领域中，基于卷积神经网络（CNN）的方法在X射线图像内容分析方面更具优势。由于传统上训练可靠的违禁物品检测CNN模型需要大量数据，我们提出一种利用最新生成对抗网络（GANs）生成X射线违禁物品图像的方法。首先，提出一种新颖的基于姿态的物品分类方法对训练图像进行分类和标注；随后应用CT-GAN模型生成大量逼真图像；为增加多样性，我们对条件生成对抗网络（CGAN）进行了改进；最后采用简单CNN模型验证生成图像是否与训练图像属于同一物品类别。
关键词： 图像生成、特征转换、生成对抗网络、X光违禁品图像
更新于2025-09-23 15:21:01
-
人类对受自然图像流形模型约束的扰动的敏感性
摘要： 人类对自然图像的统计特性具有高度适应性。然而由于大多数对自然图像的参数化处理都会使其显得不自然，因此量化描述自然图像域内的处理过程一直存在困难。我们利用生成对抗网络（GAN）将参数化处理约束在自然图像流形的近似范围内。在第一项实验中，七名观察者需判断两个合成扰动图像中哪一个与未受扰动的合成对照图像匹配。相较于直接作用于像素空间的扰动，观察者对受限于自然图像近似流形的扰动表现出显著更高的敏感性。逐次试验的错误模式表明，这些扰动会破坏用于图像分割的视觉结构构型特征。第二项实验中，五名观察者对GAN重建的图像流形路径进行判别。观察者在此任务中表现优异，证实了人类确实能感知自然图像近似流形的精细属性。我们得出结论：人类对自然图像的适应性不仅体现为检测非自然外观的偏差，在某种程度上还能把握自然图像间的精细关联关系。
关键词： 自然图像、图像识别、噪声扰动、人工神经网络、生成对抗网络
更新于2025-09-23 15:21:01
-
[IEEE 2018年第25届国际图像处理大会(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理大会(ICIP) - HESCNET：一种用于人类胚胎干细胞集落分类的合成预训练卷积神经网络
摘要： 本文提出一种利用合成图像样本提升深度卷积神经网络分类效果的方法。通过生成对抗网络从相差显微镜下的人类胚胎干细胞（hESC）图像数据集中生成合成图像。训练了一个名为hESCnet的深度卷积神经网络，并展示了不同合成图像与真实图像组合的分类结果，从而以最少的数据量实现分类效果的优化。
关键词： 图像处理、生成对抗网络、深度学习、计算机视觉、视频生物信息学
更新于2025-09-23 15:21:01
-
基于3D自上下文局部自适应多模态生成对抗网络的PET合成方法
摘要： 正电子发射断层扫描（PET）近年来得到广泛应用。为降低PET扫描固有示踪剂辐射带来的潜在健康风险，从低剂量扫描合成高质量PET图像以减少辐射暴露具有重要研究价值。本文提出基于三维自上下文局部自适应多模态生成对抗网络模型（LA-GANs），利用提供解剖学信息的伴随MRI图像，从低剂量FDG PET图像合成高质量成像。本研究的贡献包括：首先，区别于传统方法将各模态图像作为统一输入通道并采用相同卷积核处理整幅图像的思路，我们提出不同模态对图像不同区域的影响权重存在差异，因此采用全局统一卷积核并非最优方案，进而提出多模态融合的局部自适应策略；其次，通过1×1×1微型卷积核实现该局部自适应融合，使新增参数量降至最低；第三，将提出的局部自适应融合机制与三维条件GAN图像合成联合训练，通过采用大尺寸图像块和层次化特征生成高质量PET图像；第四，应用自上下文策略构建自上下文LA-GAN模型进一步优化合成图像质量。实验结果表明，本方法在深度网络多模态融合及前沿PET估算领域均优于现有方法。
关键词： 图像合成、正电子发射断层扫描（PET）、局部自适应融合、生成对抗网络（GANs）、多模态
更新于2025-09-23 15:21:01
-
基于电致发光图像的深度学习光伏组件自动缺陷识别
摘要： 多年来，大规模光伏电站的维护一直被视为重大挑战。本文通过解决两大技术难题，提出了一种基于深度学习的电致发光图像光伏组件缺陷检测方法：（1）针对电致发光（EL）图像样本有限的问题，提供大量高质量EL图像生成方案；（2）利用生成的EL图像实现高效自动缺陷分类模型。该EL图像生成方法融合传统图像处理技术与生成对抗网络特性，能以有限样本生成大量高分辨率EL图像样本。随后提出基于卷积神经网络（CNN）的EL图像缺陷自动分类模型，通过提取EL图像深层特征，在检测精度与效率上显著优于其他方案。研究采用VGG16、ResNet50、Inception V3和MobileNet等现有机器学习模型作为对比基准进行实验验证，数值结果表明：所提深度学习方案能利用电致发光图像实现高效精准的自动缺陷检测。
关键词： 自动缺陷分类，电致发光图像，生成对抗网络，卷积神经网络
更新于2025-09-23 15:19:57
-
利用神经网络对切伦科夫探测器进行快速模拟
摘要： 我们提出一种利用生成对抗神经网络模拟切伦科夫探测器响应的方法，以绕过低层级细节。该网络通过输入入射粒子的可观测参数来重现模拟探测器事件的高层特征，从而显著提升模拟速度。我们证明该方法提供的模拟精度与基线一致，并讨论了这些结果可能产生的影响。
关键词： 快速模拟，切伦科夫探测器，生成对抗网络
更新于2025-09-22 17:51:55
-
[IEEE 2018第八届图像处理理论、工具与应用国际会议(IPTA) - 中国西安(2018.11.7-2018.11.10)] 2018第八届图像处理理论、工具与应用国际会议(IPTA) - 一种用于纹理保持图像去噪的新型生成对抗网络
摘要： 本文提出了一种用于图像去噪的新型生成对抗网络（GAN）。该GAN采用新型生成器网络，以含噪图像为输入生成去噪图像，整个网络通过新设计的损失函数进行训练，该损失函数用于表征干净图像与去噪图像的数据分布距离?；诙坑攵ㄐ云拦辣曜?，我们将本方法与其他去噪方法进行对比，结果表明本方法具有优越性。
关键词： 损失函数、纹理保持、生成对抗网络、图像去噪
更新于2025-09-22 22:37:11
-
[IEEE 2018数字图像计算：技术与应用会议(DICTA) - 澳大利亚堪培拉(2018.12.10-2018.12.13)] 2018数字图像计算：技术与应用(DICTA) - 用于低光照图像增强的对抗性上下文聚合网络
摘要： 低光照环境下拍摄的图像通常存在动态范围不足和噪声问题，这会降低图像质量。近年来，卷积神经网络（CNN）被用于低光照图像增强，以同时实现亮度提升和降噪。虽然基于传统CNN的技术相比非CNN方法表现更优，但由于其网络感受野较小，?；岵泳跷庇?。为解决这一问题，我们提出了一种对抗式上下文聚合网络（ACA-net）用于低光照图像增强，该网络通过全分辨率中间层有效聚合全局上下文。本方法首先采用两种不同的伽马校正函数提升低光照图像亮度，再将增亮后的图像输入CNN获取增强结果。为此，我们通过L1像素级重建损失和鼓励生成自然图像的对抗损失来训练ACA网络。实验结果表明，该方法在峰值信噪比（PSNR）和结构相似性指数（SSIM）指标上均达到最先进水平。
关键词： 上下文聚合、低光照图像增强、卷积神经网络、生成对抗网络
更新于2025-09-23 05:01:34
-
基于上下文编码器的有限角度迭代重建算法与投影数据补全在微CT中的应用开发
摘要： 有限角度迭代重建（LAIR）通过减小投影角度范围来降低计算机断层扫描（CT）成像所需的辐射剂量。我们开发了一种基于图像质量的停止标准方法，并采用灵活创新的仪器设计，与LAIR结合使用时可提供与传统CT系统相当的图像质量。本研究描述了针对微CT系统应用构建的不同扫描采集方案。以全采样Feldkamp（FDK）重建图像作为参考基准，用于评估这些测试方案产生的图像质量。通过将上下文编码器（CE，一种生成对抗网络）应用于LAIR过程，对正弦图的不足部分进行修复。该上下文图像经过编码器处理以提取特征，并通过通道全连接层与解码器相连。结果表明这种新方法具有卓越性能：即使将辐射剂量减少至1/4，基于迭代的LAIR仍使半高宽、对比噪声比和信噪比较全采样FDK重建提升20%至40%。数据证实这种基于CE的正弦图补全方法增强了LAIR的效能与效率，使得有限角度重建成为可行方案。
关键词： 生成对抗网络（GAN）、上下文编码器（CE）、有限角度迭代重建（LAIR）
更新于2025-09-23 19:37:51
-
基于生成对抗网络的数据增强方法，用于提升电致发光图像中光伏组件缺陷电池分类的卷积神经网络性能
摘要： 电致发光（EL）成像是检测光伏（PV）组件的一种有效方法。与人工分析相比，使用卷积神经网络（CNN）进行分类更为便捷，但需要一定数量的标注训练样本，而这些样本不易获取。本文提出一种利用生成对抗网络（GAN）扩充现有EL图像数据集的方法，并为此设计了一个名为AC-PG GAN的模型。通过选用三种CNN模型验证该GAN模型的有效性，在经过调整后，使用扩充数据集的分类准确率得到了提升，最高提升幅度达14%。
关键词： 数据增强、电致发光、光伏组件、生成对抗网络、卷积神经网络
更新于2025-09-16 10:30:52