变分模型

摘要： 风云三号C星(FY-3C)上搭载的可见光红外扫描辐射计VIRR (Visible and Infra-Red Radiometer)是继承风云一号卫星光学成像仪器,它在高纬度昼夜交替区域附近由于地平线附近太阳光照射,导致仪器扫描镜和其他部件产生杂散光,导致对地观测图像被污染,尤其VIRR中红外第3通道(3.7 μm)图像产生了严重条带噪声,影响了后续产品的质量精度和数据应用.本文根据图像条带噪声各向异性的特点,利用单向变分条带去除模型,对VIRR第3通道图像进行条带噪声去除研究,采用噪声去除前后图像行均值曲线与定量评价指标辐射质量改进因子IF (Improvement Factors of Radiometric Quality)和逆变异系数ICV (Inverse Coefficient of Variation)等进行去除结果评价.结果 表明,单向变分模型对FY-3C VIRR第3通道观测数据太阳污染条带噪声具有较好的订正效果,实验中,PSNR提升到32.77 dB;在真实数据实验中,IF提升到16.99 dB.

摘要： 现有雾天图像处理方法能够实现较好的去雾效果,但会丢失部分细节并产生噪声放大的问题.将暗原色先验与基于TV、BH规则项的变分模型相结合,提出一种新的变分去雾模型H-TVBH.根据暗原色先验原理估计图像的初始透射率,采用四叉树分解估计大气光值,将初始透射率和大气光值输入H-TVBH模型中,采用分裂Bregman算法和快速傅立叶变换并引入辅助变量和Bregman迭代参数,通过交替迭代求得优化后的透射率和去雾图像.实验结果表明,H-TVBH在增强图像对比度的同时能够有效抑制图像中的噪声,保留图像的纹理细节,使去雾图像更加清晰自然.

摘要： 低照度图像增强是计算机视觉研究的一个重要领域,被广泛应用于计算机视觉任务的预处理中.近年来基于Ret-inex理论的低照度增强表现出旺盛的生命力,取得显著的进展.首先对研究问题定义,对基于Retinex模型低照度图像增强的不同技术分支进行分析研究,包括基于传统数学运算、基于卷积神经网络、基于图像融合等不同技术分支,最后给出对不同技术分支未来的研究方向的观点.

摘要： 模糊核估计在图像盲去模糊问题中十分重要.然而,目前大多数方法都没有考虑到利用模糊核本身的结构信息.针对这一问题,文章首先通过观察发现结构较为集中的模糊核可以恢复出更高质量的图像,然后设计了一种使得模糊核结构更集中的约束项,最后基于该约束项提出了一种图像盲去模糊的模型.实验结果表明,该方法相较于其他方法在峰值信噪比性能上有较大提升,可以更好地恢复出图像细节与纹理.

摘要： 模糊核估计在图像盲去模糊问题中十分重要。然而,目前大多数方法都没有考虑到利用模糊核本身的结构信息。针对这一问题,文章首先通过观察发现结构较为集中的模糊核可以恢复出更高质量的图像,然后设计了一种使得模糊核结构更集中的约束项,最后基于该约束项提出了一种图像盲去模糊的模型。实验结果表明,该方法相较于其他方法在峰值信噪比性能上有较大提升,可以更好地恢复出图像细节与纹理。

摘要： 彩色图像是当今数字图像的主要表现形式之一,彩色图像分割是图像处理的热点与难点问题之一.针对彩色图像分割的精度与速度问题,提出了一种基于色彩空间变换的彩色图像分割方法.该色彩空间重在突出图像三分量间的差异,从而充分利用彩色信息.同时,分割方法以向量化图像为对象,从背景去除的思想出发,采用分裂Bregman快速求解算法,从而达到高效分割的目的.数值实验表明,该方法能有效分割出图像的所有目标区域,分割区域较为完整,结果具有较高的精度.

摘要： 针对加性高斯噪声去除问题,在现有传统的K均值奇异值分解(K-SVD)字典学习算法的基础上,提出一种将字典学习与变分模型相融合的改进算法.首先,根据图像的几何和光度信息将图像进行聚类分组,再将图像组按照边缘和纹理类别进行分类,根据噪声水平和图像组类别训练一个自适应字典;其次,将通过所学字典得到的稀疏表示先验与图像本身的非局部相似先验进行融合来构建变分模型;最后,通过求解变分模型得到去噪后图像.实验结果表明,与同类去噪算法相比,当噪声比率较高时,所提算法可以解决前期算法准确性较差、纹理丢失较为严重、产生视觉伪影等问题,在视觉效果上要更为理想;同时该算法结构相似性指数有明显提高,峰值信噪比(PSNR)的值更是平均提高了10％以上.

摘要： 为了可以同时去除雾霾图像中的雾和噪声,提出了一个面向噪声抑制的单幅图像去雾变分模型.首先通过暗通道先验方法估算出雾霾图像的折射率,再结合非线性扩散规则项和CTV(Color Total Variation)模型规则项对带有噪声的雾霾图像进行处理.为了提高模型的计算效率,为模型设计了相应的Split Bregman算法,并对模型进行了去雾去噪效果,边缘保持效果和运行时间的对比实验.结果 显示此变分模型相比传统的去雾方法不仅可以去雾,而且可以去除图像中的噪声.可以有效地同时去除雾霾图像中的雾和噪声,并且有良好的边缘保持效果.使得恢复出的图像能保留更多信息,对比度更强.

摘要： 提出了一种基于变分模型的红外/可见光图像配准方法.该方法在变分框架下,通过构造位移场演化的相似性度量函数项和惩罚调整项,得到准确的图像配准位移场.针对红外/可见光图像,选取互信息作为相似性度量函数项,同时,采用各项异性扩散方程作为惩罚调整项,防止演化过速.试验结果表明,该方法有效可行.

摘要： 提出了一种基于变分模型的红外,可见光图像配准方法。该方法在变分框架下,通过构造位移场演化的相似性度量函数项和惩罚调整项,得到准确的图像配准位移场。针对红外/可见光图像,选取互信息作为相似性度量函数项,同时,采用各项异性扩散方程作为惩罚调整项,防止演化过速。实验结果表明,该方法有效可行。

摘要： 条带和模糊是高分辨率遥感影像常见的降质退化问题,严重影响影像判读和后续处理.遥感图像去条带和去模糊作为两个独立的问题各自得到了广泛研究,但对条带和模糊并存的校正研究甚少.本文提出将遥感图像去条带和去模糊问题统一到反问题模型框架下,边去条带、边去模糊,两个过程相互促进.结合条带单方向特性知识、图像多尺度多方向几何结构知识,构建包含多知识正则化约束的能量泛函,最优化求解得到高品质图像,实现条带和模糊联合校正.在仿真和真实遥感图像数据上,与级联处理方法进行了对比实验,实验结果表明本文方法条带校正和细节恢复性能优于对比方法,验证了其有效性.

摘要： 本发明公开一种多切分轧制变孔径切分轧辊、多切分轧制变孔径切分轧机及轧制工艺。所述的轧辊包括上、下对称布置的成对切分轧辊；所述的切分轧辊的辊身上开有多个切分槽；所述的切分槽的孔径，由外至内逐渐增大。本发明的变孔径的多切分轧制工艺，用上述的多切分轧制变孔径切分轧辊轧制棒材。与现有技术相比较，本发明采用的一种具有渐变孔径切分槽的多切分轧辊，通过变孔径的切分轧制工艺，实现了在切分轧制过程中，边部轧件比中部轧件多5％～10％的压下量，大压下量导致晶体内出现较大的畸变，使得边部轧材的温度升高，用于补偿大扁平比轧材由于边部温降而产生的温度损失，从而保证了成品棒材边、中力学性能一致性和稳定性。

摘要： 本发明公开了一种基于变分自编码器的恶意更新检测方法及模型，该方法包括步骤：采集本地更新数据，并对本地更新数据进行预处理，得到代理向量；将代理向量输入至多个变分自编码器，对变分自编码器进行预训练，将多轮次的代理向量输入至预训练完成的变分自编码器，得到多轮次的重构向量，根据多轮次的代理向量和多轮次的重构向量，得到多轮次的重构误差；根据多轮次的代理向量进行聚类，进而判断本地更新是否为恶意更新；该模型包括特征提取模块、重构误差计算模块和聚类模块；与现有技术相比，本发明通过多个变分自编码器得到重构误差，并通过聚类方法对代理向量进行聚类，进而判断本地更新是否为恶意更新，可以应对恶意更新占多数的情况。

摘要： 本发明公开了一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法，该方法将可见类训练图像的视觉特征和语义特征分别输入视觉模态和语义模态变分自编码器中对应生成第一伪视觉特征和伪语义特征，并将其输入生成器网络中生成第二伪视觉特征，再利用判别器网络判别真实特征和生成的特征，利用可见类训练图像数据集对变分自编码器对抗生成网络模型进行训练。对于零样本图像分类，在可见类上训练完成的模型生成未见类训练图像的伪视觉特征并结合类别标签训练分类器对未见类图像进行分类；能够有效融合图像的视觉信息和语义信息，生成更接近于真实数据分布且高质量的可见类和未见类图像，提高零样本图像分类准确率。

摘要： 本发明特别涉及一种计算机实现的机器学习方法。该方法包括为神经网络提供变分自动编码器(VAE)架构，该神经网络被配置为将2D草图和随机变量作为输入，并输出由2D草图表示的3D模型。机器学习方法还包括学习神经网络。

摘要： 变分自编码模型和生成对抗网络均属于目前深度学习中主流的生成模型。由于生成结果质量的关键取决于模型中推理模型的推理能力和生成器模型的生成能力。所以本发明在变分自编码模型和生成对抗网路的基础上提出两者部分模块相结合的生成模型。这个模型不仅可以生成比传统变分自编码模型更清晰的图像，而且可以生成更具多样性的图像。本发明从模型建模模块、构建优化目标函数模块两个模块进行介绍。随机噪声和原始图像一同进入推理模型；推理模型将最大限度表示出真实的后验概率分布；生成器模型将尽可能获得最大的似然估计值；判别器模型将最大限度提升生成器模型的生成能力。

摘要： 一种基于变分自编码和PixelCNN模型的心电信号降噪方法，变分自编码器依赖于概率分布，有利于减少重构误差，能够使模型学习数据的有用潜在表示并有效的模拟信号的全局结构。基于PixelCNN的自回归解码器进一步优化了变分自编码器压缩的潜在变量，能够在捕获大量潜在特征的同时捕捉边界小尺度特征。PixelCNN模型有助于对局部特征进行建模，这些特征与具有分解输出分布模型的VAE的全局特征互补。通过将模型扩展到不同尺度的潜在变量层次结构上，增大了感受野，减少了计算代价，更有利于细节特征信息的提取。

摘要： 一种基于变分模态分解的三维沉积旋回模型构建方法，包括以下步骤：一：选定计算线道号；二：得到地震数据的瞬时相位；三：对瞬时相位体中的各道数据分别进行S变换，得到每道时域数据对应的频域道集数据；四：调节γ和ρ使得频域道集数据达到频率分辨率最高、时间分辨率最低，且横向连续性较好；五：对频域道集数据进行降维处理，计算每道频域数据的振幅最大值对应的频率，就得到频域道集数据对应的峰值频率；六：将所得峰值频率曲线逐道放入对应线道号的地震数据中进行替换，完成沉积旋回体的构建。本发明不仅能能获得更加准确的地震数据的瞬时相位分量；而且，还能从频域进行沉积旋回识别和层序界面划分；揭示了地层纵向和横向的沉积变化规律。

摘要： 本发明公开了一种基于向量量化变分自编码器的医学影像分类模型及方法，模型包括预训练阶段和微调阶段；所述预训练阶段分为Encoder模块、特征增强模块、Decoder模块三个模块，Encoder模块用于提取图像特征，特征增强模块用于强化图像的特征，最后的Decoder模块用于进行图像的重构；所述微调阶段包括Encoder模块和特征增强模块；Encoder模块用于学习提取图像的特征；特征增强模块用于对学到的特征进行约束增强，该模块后连接一个全连接层，直接将输出的特征输入进去，直接输出分类的最终结果。本发明提出了全新VAE与自注意力机制结合的神经网络模型，既解决了VAE类模型分类任务效果差的问题，又解决了自注意力机制模型在小规模数据集上表现不好的问题。

摘要： 本发明提供一种基于变分循环网络模型的信念一致多智能体强化学习方法，该方法启发于人类团队之间的可以产生默契合作的现象，即通过共同的信念在任务上达成一致性共识。与人类社会群体类似，分布式学习系统中的智能体也可以受益于一致的信念，在有限的通信条件下实现协作。在本文中，我们展示了在分散式协作任务中智能体之间的一致性信念的作用。我们提出了一种新的基于值的方法——一致性信念多智能体强化学习方法，它使用变分模型来学习智能体之间的信念。我们还利用与变分模型结合的循环网络模型(RNN)充分利用智能体历史行为轨迹。我们的算法使智能体能够学习一致的信念，以优化完全分散的策略。我们在两个网格世界游戏以及星际争霸II微观管理基准上验证了该方法。我们的实验结果表明，该方法学习到的共同信念可以有效提高离散和连续状态下的智能体的协作效果。

摘要： 本发明公开了一种基于非凸正则化变分模型的受柯西噪声和各种模糊影响的图像复原处理方法，包括如下步骤：S1、通过传感器采集带有模糊和柯西噪声的图像；S2、构建移除柯西噪声和模糊的模型；S3、得到消除模糊和柯西噪声的图像。引入了具备更好地刻画图像边缘稀疏特征及边缘对比度的非凸正则化项，并根据柯西噪声的统计性质设计合适的数据保真项，同时改进以往求解非凸子问题时的邻近线性化近似策略，使用更精确的直接求解方案以保证迭代的准确性。改进后，所得结果图像边缘保持效果更好，并且分块区域更加平滑，提高了被柯西噪声及模糊破坏的图像清晰度。