降噪卷积自编码装置及降噪卷积自编码方法制造方法及图纸

一种降噪卷积自编码方法，包含：接收一失真图片，并将失真图片输入一降噪卷积自编码模型；于降噪卷积自编码模型中，通过跳跃连接(skip

【技术实现步骤摘要】
降噪卷积自编码装置及降噪卷积自编码方法


[0001]本专利技术是关于一种图片降噪的装置，特别是关于一种适用于一降噪卷积自编码装置及降噪卷积自编码方法。

技术介绍

[0002]由于深度学习的蓬勃发展，越来越多使用深度学习方法进行图像去噪的文献，早期，Viren Jain和H.Sebastian Seung是提出使用卷积神经网络作为图像去噪架构的先驱，并提供了与传统影像处理方法相当的性能，但构造太简单，无法与近期的已知技术相匹敌，近期的已知技术例如，残差编码解码网络(Residual Encoder
‑
Decoder Networks，“RED
‑
Net”))。然而，RED
‑
Net也存在需要使用很深层的网络来训练以提升去噪性能，造成需要大量运算的缺点。
[0003]此外，大多数使用深度学习方法去除噪声或去模糊的方法都需要根据不同类型的失真去修改或重新训练模型架构，并且模型训练完后，也只能处理单一种失真类型的图片。但是，在现实世界中，无法确定输入的图片会出现什么样的失真，失真的类型是随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种降噪卷积自编码装置，包含：一处理器；以及一存储装置，该处理器用以存取该存储装置所存储的一降噪卷积自编码模型，以执行该降噪卷积自编码模型，其中该处理器执行：接收一失真图片，并将该失真图片输入该降噪卷积自编码模型；于该降噪卷积自编码模型中，通过跳跃连接传递该失真图片的一图像特征给一第一反卷积层；针对该失真图片执行多个编码多步伐卷积层以降维，再执行一同维编码卷积层；依据对应所述编码多步伐卷积层、该同维编码卷积层，所对应的多个解码多步伐卷积层与一同维解码卷积层进行升维；以及借由该第一反卷积层将升维完成后的一结果输入一平衡通道的的同维解码卷积层，该平衡通道的同维解码卷积层输出一重建图片。2.如权利要求1所述的降噪卷积自编码装置，其中，该失真图片输入该降噪卷积自编码模型后，该降噪卷积自编码模型中的每个所述编码多步伐卷积层及该同维编码卷积层输出各自的该图像特征，并将各自的该图像特征通过跳跃传送到各自对应的所述解码多步伐卷积层及该同维解码卷积层。3.如权利要求1所述的降噪卷积自编码装置，其中，被传送到所述解码多步伐卷积层或该同维解码卷积层的该图像特征用以作为解码时的参考特征。4.如权利要求1所述的降噪卷积自编码装置，其中，所述编码多步伐卷积层用以定义进行卷积运算时的核心像素位移量。5.如权利要求4所述的降噪卷积自编码装置，其中，当所述编码多步伐卷积层为多个2步伐编码卷积层时，代表在进行降维时，卷积运算的核心像素位移量为2；对应于所述编码多步伐卷积层，当所述解码多步伐卷积层为多个2步伐解码卷积层时，代表在进行升维时，卷积运算的核心像素位移量为2。6.如权利要求4所述的降噪卷积自编码装置，其中，当所述编码多步伐卷积层所定义的进行卷积运算时的核心像素位移量越高，则降维效果越高，撷取出的该图像特征越少，且撷取出的该图像特征越明显。7.如权利要求1所述的降噪卷积自编码装置，其中，所述编码多步伐卷积层连续排序后，该处理器将所述编码多步伐卷积层连续排序的最后一个编码多步伐卷积层，所输出的该图像特征...

【专利技术属性】
技术研发人员：王亮尧，陈绍基，
申请(专利权)人：宏碁股份有限公司，
类型：发明
国别省市：