科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于生成对抗网络的多数图像修复算法所修复的图像纹理细节不清晰，不能充分融合神经网络提取的纹理细节信息和语义信息的问题，本文提出了一种基于残差网络和特征融合的双阶段生成网络图像修复模型，通过修复训练集中被遮挡的图像，获取符合训练集整体分布的修复图像。首先，设计一种轻量型多尺度感受野残差模块，通过多个感受野不同的卷积核提取特征信息，提升粗化生成网络保留纹理信息的能力。其次构建一种双边精细修复网络结构，分别处理纹理细节信息和语义信息并进行聚合，实现图像的精细修复。最后基于GWHD数据集进行实验验证本文算法的有效性。实验结果表明，本文模型较CE、GL、PEN-Net、CA算法，客观评价指标L1-loss降低了0.56个百分点～3.79个百分点，PSNR和SSIM提升了0.2～1.8dB和0.02～0.08，并在人眼直观感受中实现了纹理结构清晰、语义特征合理的修复效果。相较于原GWHD数据集，在基于本文算法所扩充的小麦数据集中，运用YOLOv5s预测小麦麦穗的检测平均精度mAP提升了1.41个百分点，准确率提升了3.65个百分点，召回率提升了0.36个百分点。
- 单位
