【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种基于图像特性的图像恢复方法及系统。
技术介绍
1、近几十年来，人工智能技术得到了长足发展，并在诸多领域(如机器人技术、回归分析、模式识别等)取得了成功。深度学习作为人工智能技术的代表性技术之一，随着计算资源的提升，深度学习方法在计算机视觉领域得到快速发展，尤其在图像处理任务中(如去噪、超分辨、分割、风格转换等)表现出了良好的处理效果。为了进一步提升深度学习方法处理结果的精度和信息表达的有效性，相关研究者提出了大量效果良好的网络处理模型。为了针对特定问题进行优化设计，相关研究者开发了新的网络体系结构。同时，为了提升神经网络的可解释性，大量的研究工作在了解神经网络的内部机制及其内在局限性方面进行了探索。例如，通过开发反向处理网络或试图欺骗具有特定输入的网络。
2、在机器学习中，所有的算法都需要最大化或最小化一个函数，这个函数通常称为“损失函数”。其中，我们一般将需要最小化的函数称为“损失函数”，它能根据预测结果，衡量出网络模型预测能力的好坏。损失函数是深度学习模型中一个重要的组成部分，它用来衡...
【技术保护点】
1.一种基于图像特性的图像恢复方法，其特征在于，包含：
2.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，收集图像数据集并进行预处理，包含：
3.根据权利要求2所述的基于图像特性的图像恢复方法，其特征在于，收集图像数据集并进行预处理，还包含：
4.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，所述神经网络模型，包含：
5.根据权利要求1或4所述的基于图像特性的图像恢复方法，其特征在于，基于图像特征对模型输出图像和标签图像之间的损失函数各像素进行加权求和来设置用于模型训练的非对称损失函数，包含：
6.根...
【技术特征摘要】
1.一种基于图像特性的图像恢复方法，其特征在于，包含：
2.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，收集图像数据集并进行预处理，包含：
3.根据权利要求2所述的基于图像特性的图像恢复方法，其特征在于，收集图像数据集并进行预处理，还包含：
4.根据权利要求1所述的基于图像特性的图像恢复方法，其特征在于，所述神经网络模型，包含：
5.根据权利要求1或4所述的基于图像特性的图像恢复方法，其特征在于，基于图像特征对模型输出图像和标签图像之间的损失函数各像素进行加权求和来设置用于模型训练的非对称损失函数，包含：
6.根据权利要求5所述的基于图像特性的图像恢复方法，其特征在于，非对称损失函数表示为：lasy(f(ii-norm),i...
【专利技术属性】
技术研发人员：韩玉，朱林林，李磊，闫镔，席晓琦，刘梦楠，张智存，谭思宇，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。