• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度卷積神經(jīng)網(wǎng)絡(luò)的視覺(jué)SLAM去模糊系統(tǒng)

    2018-01-17 11:00繆弘張文強(qiáng)
    中興通訊技術(shù) 2018年5期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)

    繆弘 張文強(qiáng)

    摘要:提出了一種高效的、基于深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)的圖像去模糊算法。網(wǎng)絡(luò)結(jié)構(gòu)基于條件生成對(duì)抗網(wǎng)絡(luò),并使用堆疊的自編碼器結(jié)構(gòu)與跳躍相連接。相關(guān)的試驗(yàn)結(jié)果表明:該算法有良好的圖像去模糊效果,并且能夠大幅度地降低時(shí)間與內(nèi)存開(kāi)銷。

    關(guān)鍵詞:圖像去模糊;卷積神經(jīng)網(wǎng)絡(luò);對(duì)抗生成網(wǎng)絡(luò)

    1 模糊對(duì)視覺(jué)SLAM的影響及圖像去模糊簡(jiǎn)介

    同時(shí)定位與地圖構(gòu)建(SLAMS)的目的是讓機(jī)器人利用各類傳感器信息來(lái)得知自身的位置以及周圍的環(huán)境。因此,SLAM是實(shí)現(xiàn)機(jī)器人自主移動(dòng)的一項(xiàng)關(guān)鍵技術(shù)。視覺(jué)SLAM是指利用視覺(jué)傳感器的信息的SLAM系統(tǒng),其輸入就是視覺(jué)傳感器得到的圖像。

    在機(jī)器人運(yùn)行過(guò)程中,因?yàn)橄鄼C(jī)抖動(dòng)、景物移動(dòng)等原因,都會(huì)造成圖像模糊。無(wú)論是特征點(diǎn)法還是直接法,模糊的圖像輸入都會(huì)直接影響視覺(jué)SLAM系統(tǒng),降低系統(tǒng)整體的運(yùn)行效率。視覺(jué)SLAM系統(tǒng)需要將拍攝的前后兩幀圖像進(jìn)行匹配,根據(jù)匹配結(jié)果對(duì)自身進(jìn)行定位,這一過(guò)程稱為跟蹤。在跟蹤過(guò)程中,模糊的輸入圖像會(huì)造成匹配失準(zhǔn)或無(wú)法匹配,這被稱為跟蹤失敗。當(dāng)出現(xiàn)跟蹤失敗時(shí),需要讓整個(gè)機(jī)器人停止運(yùn)動(dòng)或者回退,重新拍攝清晰的圖像,同時(shí)需要進(jìn)行全局的地圖搜索,定位當(dāng)前機(jī)器人的位置,直至跟蹤成功,機(jī)器人再重新開(kāi)始運(yùn)動(dòng)。全局的地圖搜索是一個(gè)相對(duì)耗時(shí)的操作,如果頻繁地觸發(fā)這一操作,會(huì)影響整個(gè)SLAM系統(tǒng)的運(yùn)行效率。同時(shí),每次機(jī)器人停止運(yùn)動(dòng)或者回退,都使得運(yùn)行過(guò)程變得不連續(xù),影響了流暢性。因此,模糊的輸入圖像是需要避免的。為了避免模糊的輸入圖像,我們可以使用去模糊算法對(duì)圖像進(jìn)行處理,恢復(fù)出清晰的圖像。

    相機(jī)抖動(dòng)、相機(jī)與景物之間的相對(duì)運(yùn)動(dòng)造成模糊一般被稱為運(yùn)動(dòng)模糊。圖像中的運(yùn)動(dòng)模糊效果通常在空間上是不均勻的,這是由于不同對(duì)象的運(yùn)動(dòng)經(jīng)常是彼此不同的。取模糊算法的目的就是恢復(fù)出一張沒(méi)有模糊的清晰的圖像。以前的大部分方法都是通過(guò)這個(gè)模型來(lái)建模圖像上的模糊:

    其中B,K,S和n分別是模糊的圖像、模糊核、潛在的清晰圖像和噪聲。在去模糊問(wèn)題中,模糊核是未知的。因此,這些方法需要在只有給定的模糊圖像B同時(shí)估計(jì)模糊核K和潛在清晰圖像S,這其實(shí)可以看為一個(gè)病態(tài)的問(wèn)題。

    實(shí)際上,真實(shí)世界模糊圖像的模糊核往往在空間上不均勻。估計(jì)空間非均勻的模糊核是一個(gè)難題,因?yàn)槊總€(gè)像素的模糊核都可能不同。因此,以前的一些方法[1-4]都對(duì)模糊來(lái)源做了一些簡(jiǎn)單的假設(shè),以簡(jiǎn)化模糊核估計(jì)。然而,由于實(shí)際的模糊核通常比所假設(shè)的模糊核更加復(fù)雜,所以通過(guò)這些方法估計(jì)的模糊核是不準(zhǔn)確的。不準(zhǔn)確的模糊核的估計(jì)直接會(huì)降低潛在的清晰圖像的質(zhì)量。因此,這些方法只適用于幾種特定的模糊類型。

    近年來(lái),越來(lái)越多的方法使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)解決去模糊問(wèn)題的方法[5-10]。由于缺乏真實(shí)場(chǎng)景下的模糊清晰圖像對(duì),文獻(xiàn)[5-8]中的方法通過(guò)合成模糊核進(jìn)行卷積來(lái)產(chǎn)生模糊圖像進(jìn)行訓(xùn)練。另外,這些方法不是以端到端的方式,并且仍然需要估計(jì)模糊核或逆模糊核。因此,這些方法仍然存在模糊核的估計(jì)不準(zhǔn)確的問(wèn)題,而且它們?cè)谡鎸?shí)模糊圖像上的表現(xiàn)比人工生成的模糊圖像要差。文獻(xiàn)[9]提出了一個(gè)由高速攝像機(jī)拍攝的真實(shí)場(chǎng)景下的模糊清晰圖像數(shù)據(jù)集,文獻(xiàn)[9-10]中的模型在這個(gè)數(shù)據(jù)集上進(jìn)行了訓(xùn)練。此外,兩種方法都是以端對(duì)端的方式,直接生成清晰圖像,沒(méi)有進(jìn)行模糊核的估計(jì)。因此,這兩種方法在性能上都超越了以前的方法。然而,文獻(xiàn)[9]中的方法運(yùn)行緩慢,文獻(xiàn)[10]中的方法相對(duì)較快,但仍需要大量?jī)?nèi)存資源,這使得人們很難在實(shí)踐中應(yīng)用這些方法。

    基于上述的研究現(xiàn)狀,我們提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像去模糊算法。算法整體基于條件對(duì)抗生成網(wǎng)絡(luò),在網(wǎng)絡(luò)結(jié)構(gòu)上使用堆疊的自編碼器結(jié)構(gòu)與跳躍連接。通過(guò)在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn),算法表現(xiàn)出了良好的圖像去模糊效果,并且能夠大幅度地降低時(shí)間與內(nèi)存開(kāi)銷。算法的高效性使其更容易與視覺(jué)SLAM系統(tǒng)相結(jié)合。

    2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的去模糊算法

    2.1 網(wǎng)絡(luò)結(jié)構(gòu)

    我們的網(wǎng)絡(luò)是基于對(duì)抗生成網(wǎng)絡(luò)設(shè)計(jì)的,包含有1個(gè)生成器和1個(gè)鑒別器。生成器的任務(wù)是從輸入的模糊圖像中提取特征,利用特征生成出一張足以“騙過(guò)”鑒別器的圖像。鑒別器的任務(wù)是正確地判別出一張圖像是真實(shí)的清晰圖像,還是一張生成器生成出來(lái)的圖像。通過(guò)讓生成器和鑒別器互相對(duì)抗式地學(xué)習(xí),生成器和鑒別器的能力都能得到提升,最終生成器能從一張輸入的模糊圖像中生成出一張真實(shí)的清晰圖像。

    生成器的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。生成器的結(jié)構(gòu)包括3個(gè)部分:頭部、中部與尾部。

    頭部只包含有一個(gè)5×5的卷積層。這個(gè)卷積層將3通道的輸入圖像映射為一個(gè)64通道的特征映射,作為生成器中部的基礎(chǔ)。我們并沒(méi)有在頭部的卷積層后接一個(gè)激活層,這是因?yàn)槲覀冊(cè)谏善髦胁康臉?gòu)建模塊中使用了文獻(xiàn)[11]中提到的前置激活層的方法,所以頭部卷積層的激活層包含在了中部的構(gòu)建模塊中。

    中部包含有連續(xù)N個(gè)構(gòu)建模塊,并且每一個(gè)構(gòu)建模塊都有一個(gè)殘差連接。因?yàn)闃?gòu)建模塊是基于自編碼器結(jié)構(gòu)的,所以我們把構(gòu)建模塊稱為“自編碼器模塊”。因?yàn)檩斎氲哪:龍D像與要輸出的清晰圖像在數(shù)值上很接近,所以網(wǎng)絡(luò)所需要學(xué)習(xí)的函數(shù)比起零映射更接近與恒等映射,而帶有殘差連接的結(jié)構(gòu)更容易學(xué)習(xí)到一個(gè)恒等映射[12]。我們選擇將N個(gè)自編碼器模塊順序地堆疊,因?yàn)檫@使得網(wǎng)絡(luò)能夠重復(fù)地從整張圖像中提取特征。每一個(gè)自編碼器模塊只需要在輸入的特征映射上做一點(diǎn)改進(jìn),最終就能得到一個(gè)足夠好的特征映射。在實(shí)驗(yàn)中,我們選擇N=2。

    尾部包含有一個(gè)激活層和一個(gè)5×5的卷積層。尾部的任務(wù)是將中部產(chǎn)生的特征映射變換到最終的輸出圖像。在整個(gè)生成器中,我們都沒(méi)有使用任何歸一化層,因?yàn)槲覀儼l(fā)現(xiàn)添加歸一化層反而會(huì)使得結(jié)果變差,同時(shí)會(huì)帶來(lái)更大的時(shí)間與內(nèi)存開(kāi)銷。

    2.2 自編碼器模塊結(jié)構(gòu)

    自編碼器模塊的結(jié)構(gòu)如圖2所示。我們使用一種殘差模塊、最大池化層和最近鄰插值層來(lái)構(gòu)建自編碼器模塊。我們稱這種殘差模塊為“基礎(chǔ)模塊”。基礎(chǔ)模塊能生成維度與其輸入一樣的特征映射。我們將一個(gè)基礎(chǔ)模塊和一個(gè)最大池化層定義為一組“上采樣組”,將一個(gè)基礎(chǔ)模塊和一個(gè)最近鄰插值層定義為一組“下采樣組”。在自編碼器模塊中,輸入的特征映射先經(jīng)過(guò)L組下采樣組不斷下采樣,直至到達(dá)瓶頸層(包含一個(gè)基礎(chǔ)模塊),然后再經(jīng)過(guò)L組上采樣組不斷上采樣。同時(shí),我們?cè)诘趇個(gè)最大池化層和第L-i個(gè)最近鄰插值層中添加了跳躍連接,共L個(gè)跳躍連接。在實(shí)驗(yàn)中,我們選擇L=4。

    自編碼模塊的結(jié)構(gòu)與Hourglass Network[13]和U-Net[14]的結(jié)構(gòu)類似。類似自編碼器的結(jié)構(gòu)能夠提取不同尺度的特征,而跳躍連接能夠?qū)⑺鼈兘M合起來(lái)。因?yàn)橥粡垐D像,模糊的程度會(huì)隨著尺度的降低而降低,所以不同尺度的特征可以用來(lái)處理不同程度的模糊。因?yàn)檩斎雸D像上各處的模糊程度都可能相同,所以提取不同尺度的特征是很重要的[15]。我們使用跳躍連接是因?yàn)樘S連接能直接將網(wǎng)絡(luò)的低層信息傳遞到網(wǎng)絡(luò)的高層,這能讓網(wǎng)絡(luò)的輸出共享低層信息。另外,跳躍連接還能直接將梯度信息從高層傳遞到低層,這會(huì)讓網(wǎng)絡(luò)的訓(xùn)練更加容易。

    2.3 基礎(chǔ)模塊結(jié)構(gòu)

    基礎(chǔ)模塊的結(jié)構(gòu)如圖3所示。基礎(chǔ)模塊的輸入與輸出維度相同,我們將輸入與輸出的通道數(shù)定義為Chr。在一個(gè)基礎(chǔ)模塊中,共有C條路徑。每一條路徑包含兩個(gè)卷積核大小為3×3的卷積層,并且在每個(gè)卷積層之前都有一個(gè)激活層。第1個(gè)卷積層的輸出與第2的卷積層的輸入通道數(shù)相同,都為D。每條路徑除了卷積層的膨脹系數(shù)都相同。C條路徑中,每個(gè)卷積層的膨脹系數(shù)從1增加到C?;A(chǔ)模塊也包含一個(gè)殘差連接。我們將所有路徑的輸出與模塊的輸入相加,得到最后的輸出。在實(shí)驗(yàn)中,我們選擇Chr =64,C =4,D =16。

    基礎(chǔ)模塊的結(jié)構(gòu)設(shè)計(jì)受到了ResNeXt[16]中殘差模塊的啟發(fā)。這2種模塊都使用了殘差連接,并且將多路操作聚合起來(lái)。但與ResNeXt中的殘差模塊不同的是:基礎(chǔ)模塊中每一路操作都不同,而ResNeXt中每一路操作都相同。每一路中使用不同的膨脹系數(shù),可以在不增加參數(shù)量的情況下增大了感受域,同時(shí)還能提取到不同尺度的特征。

    2.4 鑒別器結(jié)構(gòu)

    鑒別器是基于條件對(duì)抗生成網(wǎng)絡(luò)設(shè)計(jì)的,需要兩組圖像對(duì)作為輸入。一組圖像對(duì)包含一張模糊圖像與對(duì)應(yīng)的清晰圖像,另一對(duì)圖像對(duì)包含模糊圖像和對(duì)應(yīng)的經(jīng)生成器處理的圖像。與傳統(tǒng)的對(duì)抗生成網(wǎng)絡(luò)相比,條件對(duì)抗生成網(wǎng)絡(luò)的鑒別器需要一張額外的模糊圖像作為輸入。這樣做的好處是在讓生成器生成的圖像“欺騙”鑒別器的同時(shí),還能保持與輸入的模糊圖像的一致性。

    鑒別器結(jié)構(gòu)的設(shè)計(jì)參照PatchGAN[17],只包含5個(gè)卷積層。鑒別器輸出的是一個(gè)特征映射,特征映射中的每一個(gè)值都對(duì)應(yīng)于輸入圖像中的一塊。因此,比起整張圖像,鑒別器更著重于局部的圖像塊,這會(huì)鼓勵(lì)生成器去生成更清晰的局部邊緣與結(jié)構(gòu)。而且,淺層的鑒別器結(jié)構(gòu)也能節(jié)約訓(xùn)練的時(shí)間。

    2.5 損失函數(shù)

    生成器的損失函數(shù)包含了[?1]損失函數(shù)和對(duì)抗損失函數(shù)。[?1]損失函數(shù)常常被用于圖像恢復(fù)任務(wù),它可以讓生成圖像與目標(biāo)圖像的像素值更接近。然而,只使用[?1]損失函數(shù)會(huì)導(dǎo)致結(jié)果過(guò)于平滑。為了防止過(guò)于平滑,我們將對(duì)抗損失函數(shù)與[?1]相結(jié)合。我們沒(méi)有使用文獻(xiàn)[18]中使用的對(duì)抗損失函數(shù)形式,而是使用了最小二乘生成對(duì)抗網(wǎng)絡(luò)(LS-GAN)19]中的形式。鑒別器的對(duì)抗損失函數(shù)定義如式(2):

    生成器的對(duì)抗損失函數(shù)定義如式(3):

    其中,B和S分別表示模糊圖像集合和清晰圖像集合,a和b分別表示生成圖像和真實(shí)圖像的標(biāo)簽,c表示生成圖片想要達(dá)到的標(biāo)簽。根據(jù)文獻(xiàn)[19]中的設(shè)置,我們選擇a=0,b=1,c=1。與文獻(xiàn)[18]中的對(duì)抗損失函數(shù)相比,LS-GAN中的形式在訓(xùn)練中更加穩(wěn)定,更容易訓(xùn)練。最后,整體的損失函數(shù)如公式(4)所示:

    在實(shí)驗(yàn)中,我們將權(quán)重系數(shù)設(shè)為[λ=0.01]。

    3 相關(guān)實(shí)驗(yàn)

    所有的實(shí)驗(yàn)都是在同一臺(tái)使用Titan XP顯卡的工作站上進(jìn)行的。我們的模型使用pytorch庫(kù)來(lái)實(shí)現(xiàn)。

    3.1 GOPRO數(shù)據(jù)集上的實(shí)驗(yàn)

    GOPRO數(shù)據(jù)集包含了3 214對(duì)高速攝像機(jī)拍攝的模糊清晰圖像對(duì),其中訓(xùn)練集包含2 103對(duì),測(cè)試集包含1 111對(duì)。我們與其他先進(jìn)的去模糊算法進(jìn)行了對(duì)比實(shí)驗(yàn),并進(jìn)行了定性與定量的分析。圖4展示了一些去模型效果圖,從中我們能看出多尺度卷積神經(jīng)網(wǎng)絡(luò)(MS-CNN)方法[9]與孫的方法[7]都出現(xiàn)了振鈴效應(yīng),而我們的方法則避免了這一情況。表1展示了定量分析的結(jié)果,我們的方法在峰值信噪比(PSNR)和結(jié)構(gòu)相似性(SSIM)的指標(biāo)上都遠(yuǎn)遠(yuǎn)超越了其他的一些方法。

    3.2 K?hler數(shù)據(jù)集上的實(shí)驗(yàn)

    K?hler數(shù)據(jù)集[20]包含4張清晰圖像,每張清晰圖片有12張對(duì)應(yīng)的模糊圖像。作者記錄了12條不同的相機(jī)軌跡來(lái)生成12張不同的模糊圖像。我們?cè)贙?hler數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn),并做了定量分析,如表2所示。

    3.3 時(shí)間與內(nèi)存開(kāi)銷

    我們?cè)跁r(shí)間與內(nèi)存開(kāi)銷上與其他方法做了對(duì)比。為了公平起見(jiàn),我們用pytorch庫(kù)重新實(shí)現(xiàn)了MS-CNN[9]與深度對(duì)抗濾波(DGF)[10]。對(duì)于每一個(gè)方法,我們分別測(cè)試了1 000張1 280×720的圖片,計(jì)算平均的時(shí)間與內(nèi)存開(kāi)銷。對(duì)于時(shí)間測(cè)試,我們只計(jì)算正向傳播的時(shí)間,不考慮反向傳播的時(shí)間。對(duì)于內(nèi)存測(cè)試,我們只計(jì)算生成器的內(nèi)存開(kāi)銷,不考慮鑒別器的內(nèi)存開(kāi)銷。表3展示了時(shí)間與內(nèi)存開(kāi)銷的對(duì)比實(shí)驗(yàn)。我們的方法比DGF快3.4倍,比MS-CNN快8.4倍,同時(shí)消耗的內(nèi)存是DGF的25.59%,是MS-CNN的27.65%。這顯示出我們的方法更加高效,更容易應(yīng)用于實(shí)際場(chǎng)景中。

    4 結(jié)束語(yǔ)

    本文中,我們提出了一種基于深度CNN的圖像去模糊方法。與現(xiàn)有方法相比,該方法更加高效。通過(guò)在不同數(shù)據(jù)集上的測(cè)試,該方法與目前最先進(jìn)的方法效果相當(dāng),同時(shí)速度更快,所需內(nèi)存空間更少。運(yùn)行速度快與所需內(nèi)存少的特性,使這種方法更容易應(yīng)用于包含視覺(jué)SLAM系統(tǒng)在內(nèi)的實(shí)際應(yīng)用中。

    參考文獻(xiàn)

    [1] GUPTA A, JOSHI N, ZITNICK C L, et al. Single Image Deblurring Using Motion Density Functions[C]// European Conference on Computer Vision. German: Springer, 2010: 171-184

    [2] KIM T H, AHN B, LEE K M. Dynamic Scene Deblurring[C]//International Conference on Computer Vision. USA:IEEE, 2013:3160-3167. DOI: 10.1109/ICCV.2013.392

    [3] KIM T H, LEE K M. Segmentationfree Dynamic Scene Deblurring[C]//Computer Vision and Pattern Recognition. USA:IEEE, 2014:2766-2773. DOI: 10.1109/CVPR.2014.348

    [4] WHYTE O, SIVIC J, ZISSERMAN A,et al. Non-Uniform Deblurring for Shaken Images[J]. International Journal of Computer Vision, 2012, 98(2): 168-186

    [5] CHAKRABARTI A. A neural Approach to Blind Motion Deblurring[C]//European Conference on Computer Vision. German: Springer, 2016: 221-235

    [6] SCHULER C J, HIRSCH M, HARMELING S, et al. Learning to Deblur[J]. Transactions on Pattern Analysis and Machine Intelligence, USA: IEEE, 2016, 38(7): 1439-1451. DOI: 10.1109/TPAMI.2015.2481418

    [7] SUN J, CAO W, XU Z, et al. Learning a Convolutional Neural Network for Nonuniform Motion Blur Removal[C]//Computer Vision and Pattern Recognition. USA: IEEE, 2015:769-777. DOI: 10.1109/CVPR.2015.7298677

    [8] XU L, REN J S J, LIU C L, et al. Deep Convolutional Neural Network for Image Deconvolution[C]//Advances in Neural Information Processing Systems. USA: MIT Press, 2014: 1790-1798

    [9] NAH S, KIM T H, LEE K M. Deep Multi-Scale Convolutional Neural Network for Dynamic Scene Deblurring[C]//Computer Vision and Pattern Recognition. USA: IEEE, 2017. DOI: 10.1109/CVPR.2017.35

    [10] RAMAKRISHNAN S, PACHORI S, RAMAN S. Deep Generative Filter for Motion Deblurring[C]// International Conference on Computer Vision. USA: IEEE, 2017. DOI: 10.1109/ICCVW.2017.353

    [11] HE K, ZHANG X, REN S, et al. Identity Mappings in Deep Residual Networks[C]//European Conference on Computer Vision. German: Springer, 2016: 630-645

    [12] HE K, ZHANG X, REN S, et al. Deep Residual Learning for Image Recognition[C]//Computer Vision and Pattern Recognition. USA: IEEE, 2016: 770-778. DOI: 10.1109/CVPR.2016.90

    [13] NEWELL A, YANG K, DENG J. Stacked Hourglass Networks for Human Pose Estimation[C]// European Conference on Computer Vision. German: Springer, 2016: 483-499

    [14] RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional Networks for Biomedical Image Segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. German: Springer, 2015: 234-241

    [15] MICHAELI T, IRANI M. Blind Deblurring Using Internal Patch Recurrence[C]// European Conference on Computer Vision. German: Springer, 2014: 783-798

    [16] XIE S, GIRSHICK R, DOLL Doll' AR P, et al. Aggregated Residual Transformations for Deep Neural Networks[C]//Computer Vision and Pattern Recognition. USA: IEEE, 2017: 5987-5995. DOI: 10.1109/CVPR.2017.634

    [17] ISOLA P, ZHU J Y, ZHOU T H, et al. Image-to-Image Translation with Conditional Ad-Versarial Networks[C]//Computer Vision and Pattern Recognition. USA: IEEE, 2017. DOI: 10.1109/CVPR.2017.632

    [18] GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative Adversarial Nets[C]//Advances in Neural Information Processing Systems. USA: MIT Press, 2014: 2672-2680

    [19] MAO X, LI Q, XIE H, LAU R YK, et al. Least Squares Generative Adversarial Networks[C]//International Conference on Computer Vision. USA: IEEE, 2017. DOI: 10.1109/ICCV.2017.304

    [20] KOHLER R, HIRSCH M, MOHLER B, et al. Recording and Playback of Camera Shake: Benchmarking Blind Deconvolution with A Real-world Database[C]//European Conference on Computer Vision. German: Springer, 2012: 27-40

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)
    基于深度神經(jīng)網(wǎng)絡(luò)的微表情識(shí)別
    卷積神經(jīng)網(wǎng)絡(luò)中減少訓(xùn)練樣本時(shí)間方法研究
    卷積神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型研究
    基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢索方法研究
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    深度學(xué)習(xí)技術(shù)下的中文微博情感的分析與研究
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
    啦啦啦 在线观看视频| 中文字幕人妻熟女乱码| 国产激情久久老熟女| 国产成+人综合+亚洲专区| 女人被躁到高潮嗷嗷叫费观| 十八禁网站免费在线| 国产精品久久视频播放| 日本vs欧美在线观看视频| 久久影院123| 亚洲色图av天堂| 亚洲第一av免费看| 国产精品av久久久久免费| 国产欧美日韩综合在线一区二区| 夜夜躁狠狠躁天天躁| 国产精品免费视频内射| 精品一品国产午夜福利视频| 一级片免费观看大全| 中出人妻视频一区二区| 激情在线观看视频在线高清| 日本欧美视频一区| av网站免费在线观看视频| 久久久国产成人精品二区 | 国产av在哪里看| 琪琪午夜伦伦电影理论片6080| 国产熟女午夜一区二区三区| 麻豆一二三区av精品| 身体一侧抽搐| 国产黄a三级三级三级人| 一区二区三区精品91| 夫妻午夜视频| 久久精品91蜜桃| 国产一卡二卡三卡精品| 亚洲色图 男人天堂 中文字幕| 搡老乐熟女国产| 色婷婷久久久亚洲欧美| 免费看a级黄色片| 亚洲精品美女久久久久99蜜臀| 高清毛片免费观看视频网站 | 18禁观看日本| 天堂√8在线中文| 在线观看免费日韩欧美大片| 可以在线观看毛片的网站| 国产成人欧美| 欧美黄色片欧美黄色片| 日韩有码中文字幕| 9191精品国产免费久久| 亚洲第一av免费看| 精品国产乱码久久久久久男人| 三级毛片av免费| 啦啦啦在线免费观看视频4| 黄色 视频免费看| 男女床上黄色一级片免费看| 欧美成狂野欧美在线观看| 亚洲在线自拍视频| 大型黄色视频在线免费观看| 国产一区二区三区在线臀色熟女 | 男人舔女人下体高潮全视频| 99riav亚洲国产免费| 久久伊人香网站| 九色亚洲精品在线播放| 亚洲成av片中文字幕在线观看| 中文欧美无线码| 国产精品一区二区免费欧美| 亚洲专区中文字幕在线| 91av网站免费观看| 欧美一级毛片孕妇| a级毛片黄视频| 美女大奶头视频| 国产亚洲精品久久久久5区| 国产成人欧美在线观看| av免费在线观看网站| 国产av一区二区精品久久| 一级,二级,三级黄色视频| www.熟女人妻精品国产| 成人av一区二区三区在线看| 亚洲av电影在线进入| 很黄的视频免费| 欧美日韩国产mv在线观看视频| 国产男靠女视频免费网站| 亚洲九九香蕉| 少妇的丰满在线观看| 欧美精品啪啪一区二区三区| 亚洲av美国av| x7x7x7水蜜桃| 成年版毛片免费区| 人人妻人人爽人人添夜夜欢视频| 国产极品粉嫩免费观看在线| 色婷婷久久久亚洲欧美| www.999成人在线观看| 午夜精品在线福利| 女人爽到高潮嗷嗷叫在线视频| 午夜影院日韩av| 亚洲av第一区精品v没综合| 欧美日韩亚洲国产一区二区在线观看| 国产乱人伦免费视频| 免费av毛片视频| 亚洲五月婷婷丁香| 热re99久久国产66热| 精品人妻1区二区| 午夜亚洲福利在线播放| 校园春色视频在线观看| 一区福利在线观看| 欧美乱妇无乱码| 日日摸夜夜添夜夜添小说| ponron亚洲| 国产精品爽爽va在线观看网站 | 久久久久久大精品| 在线av久久热| 亚洲午夜精品一区,二区,三区| 婷婷六月久久综合丁香| 午夜精品在线福利| 精品卡一卡二卡四卡免费| 成人三级黄色视频| 在线观看午夜福利视频| 美女福利国产在线| 亚洲国产看品久久| 欧美精品一区二区免费开放| 在线观看舔阴道视频| 亚洲第一av免费看| 香蕉国产在线看| 免费一级毛片在线播放高清视频 | 日本免费a在线| 精品久久久久久成人av| 丝袜在线中文字幕| 精品久久久久久久毛片微露脸| 国产成人欧美在线观看| 成人特级黄色片久久久久久久| 欧美日本中文国产一区发布| 国产亚洲欧美98| 色老头精品视频在线观看| 在线永久观看黄色视频| 一进一出抽搐动态| 国产伦一二天堂av在线观看| 国产精品香港三级国产av潘金莲| 欧美人与性动交α欧美精品济南到| 久久久久久久久中文| 日韩成人在线观看一区二区三区| 大香蕉久久成人网| 午夜福利影视在线免费观看| 欧美黄色片欧美黄色片| 99热国产这里只有精品6| 午夜福利影视在线免费观看| 日韩欧美一区视频在线观看| 在线观看日韩欧美| 岛国在线观看网站| 国产一区二区三区综合在线观看| 少妇的丰满在线观看| 少妇 在线观看| 国产一区二区三区综合在线观看| 久久草成人影院| 麻豆成人av在线观看| 成年人免费黄色播放视频| 欧美丝袜亚洲另类 | 亚洲激情在线av| 亚洲一卡2卡3卡4卡5卡精品中文| a级毛片黄视频| 人人妻人人爽人人添夜夜欢视频| 可以免费在线观看a视频的电影网站| 久热爱精品视频在线9| 国产欧美日韩精品亚洲av| 色婷婷av一区二区三区视频| 一区二区三区激情视频| 欧美日韩乱码在线| 亚洲在线自拍视频| 国产在线观看jvid| a在线观看视频网站| 麻豆一二三区av精品| 精品国产一区二区三区四区第35| 日韩有码中文字幕| 亚洲五月色婷婷综合| 国产一区二区三区综合在线观看| 亚洲精品国产一区二区精华液| 身体一侧抽搐| 一个人观看的视频www高清免费观看 | 日韩一卡2卡3卡4卡2021年| www日本在线高清视频| 亚洲精品一二三| 国产精品秋霞免费鲁丝片| 一边摸一边抽搐一进一出视频| 免费在线观看完整版高清| x7x7x7水蜜桃| 国产无遮挡羞羞视频在线观看| 99国产综合亚洲精品| 男女高潮啪啪啪动态图| 村上凉子中文字幕在线| tocl精华| 亚洲一区中文字幕在线| 国产免费现黄频在线看| 久久国产精品人妻蜜桃| 一级a爱片免费观看的视频| 黄片大片在线免费观看| 岛国在线观看网站| 国产一区二区三区在线臀色熟女 | 19禁男女啪啪无遮挡网站| 久久久久国产一级毛片高清牌| 一区二区三区激情视频| 国产成人精品无人区| 50天的宝宝边吃奶边哭怎么回事| 日韩欧美一区视频在线观看| 十分钟在线观看高清视频www| 一级黄色大片毛片| 国产有黄有色有爽视频| 免费观看精品视频网站| 日韩欧美一区二区三区在线观看| 十分钟在线观看高清视频www| 天堂俺去俺来也www色官网| 亚洲性夜色夜夜综合| 成人国语在线视频| 欧美国产精品va在线观看不卡| 在线永久观看黄色视频| 如日韩欧美国产精品一区二区三区| 最近最新中文字幕大全电影3 | 99久久99久久久精品蜜桃| 午夜福利一区二区在线看| 国产成人一区二区三区免费视频网站| 精品国产亚洲在线| 亚洲国产欧美一区二区综合| 91九色精品人成在线观看| 91麻豆精品激情在线观看国产 | 午夜免费观看网址| 成熟少妇高潮喷水视频| 精品人妻1区二区| 18禁裸乳无遮挡免费网站照片 | 久久精品国产99精品国产亚洲性色 | 不卡av一区二区三区| 国产欧美日韩精品亚洲av| 亚洲欧美精品综合久久99| 老司机靠b影院| 日韩av在线大香蕉| 女人爽到高潮嗷嗷叫在线视频| 欧美老熟妇乱子伦牲交| 亚洲avbb在线观看| 美女大奶头视频| 99精品久久久久人妻精品| 9热在线视频观看99| 国产精品日韩av在线免费观看 | 亚洲欧美激情在线| 国产成人精品无人区| 黄色毛片三级朝国网站| 日韩欧美三级三区| 99久久国产精品久久久| 色哟哟哟哟哟哟| 大型av网站在线播放| 日日摸夜夜添夜夜添小说| 日韩欧美一区二区三区在线观看| 一级片'在线观看视频| 自线自在国产av| 高清毛片免费观看视频网站 | 成人亚洲精品一区在线观看| 高潮久久久久久久久久久不卡| 日韩 欧美 亚洲 中文字幕| 一进一出抽搐动态| 免费在线观看影片大全网站| 在线观看免费日韩欧美大片| 久热爱精品视频在线9| 免费观看人在逋| 欧美最黄视频在线播放免费 | 大码成人一级视频| 亚洲av成人不卡在线观看播放网| 成人手机av| 色婷婷久久久亚洲欧美| 中文字幕另类日韩欧美亚洲嫩草| 色综合婷婷激情| 1024香蕉在线观看| 成人18禁在线播放| 午夜a级毛片| 久久久久久亚洲精品国产蜜桃av| 国产精品综合久久久久久久免费 | 国产精品美女特级片免费视频播放器 | 亚洲精品国产区一区二| 十八禁人妻一区二区| 岛国在线观看网站| 亚洲欧美一区二区三区黑人| 精品久久久精品久久久| 国产一区二区激情短视频| 成人影院久久| 国产主播在线观看一区二区| 成人亚洲精品av一区二区 | 黄色丝袜av网址大全| 美女大奶头视频| 久久久精品国产亚洲av高清涩受| 搡老熟女国产l中国老女人| 在线观看一区二区三区激情| 亚洲国产精品一区二区三区在线| 国产精品香港三级国产av潘金莲| 黑丝袜美女国产一区| 多毛熟女@视频| 女人被躁到高潮嗷嗷叫费观| 亚洲人成77777在线视频| 欧美大码av| 在线视频色国产色| 波多野结衣一区麻豆| 亚洲自偷自拍图片 自拍| 男女床上黄色一级片免费看| x7x7x7水蜜桃| 国产精品一区二区精品视频观看| 亚洲av日韩精品久久久久久密| www国产在线视频色| 久久香蕉精品热| 一个人免费在线观看的高清视频| 黑人猛操日本美女一级片| 国产精品影院久久| 免费看十八禁软件| 亚洲av片天天在线观看| 精品国产一区二区三区四区第35| 夜夜爽天天搞| 国产aⅴ精品一区二区三区波| 国产深夜福利视频在线观看| 超色免费av| 一本综合久久免费| 男女做爰动态图高潮gif福利片 | 老熟妇仑乱视频hdxx| 亚洲av第一区精品v没综合| 国产激情久久老熟女| 身体一侧抽搐| 成在线人永久免费视频| 国产亚洲欧美精品永久| 少妇 在线观看| 天堂√8在线中文| 久久久国产成人精品二区 | 人成视频在线观看免费观看| 久久热在线av| 91字幕亚洲| 丝袜美腿诱惑在线| 婷婷丁香在线五月| 不卡一级毛片| 美女高潮喷水抽搐中文字幕| 日韩欧美在线二视频| 免费少妇av软件| 最新在线观看一区二区三区| 成人国产一区最新在线观看| 亚洲色图 男人天堂 中文字幕| 侵犯人妻中文字幕一二三四区| 亚洲国产精品一区二区三区在线| 一边摸一边抽搐一进一出视频| 亚洲欧美一区二区三区黑人| 一本大道久久a久久精品| av在线天堂中文字幕 | 日本精品一区二区三区蜜桃| 怎么达到女性高潮| 国产午夜精品久久久久久| 人人妻人人添人人爽欧美一区卜| 久久精品影院6| 人人妻人人添人人爽欧美一区卜| 成年人免费黄色播放视频| 黄色怎么调成土黄色| 88av欧美| 我的亚洲天堂| 亚洲精品国产精品久久久不卡| 50天的宝宝边吃奶边哭怎么回事| 亚洲精品美女久久av网站| xxxhd国产人妻xxx| 久久久久久久午夜电影 | 亚洲av熟女| 亚洲va日本ⅴa欧美va伊人久久| 91av网站免费观看| 欧美日韩瑟瑟在线播放| 国产成人精品久久二区二区91| 99国产精品一区二区三区| 嫩草影院精品99| 91在线观看av| 亚洲精品中文字幕一二三四区| 亚洲va日本ⅴa欧美va伊人久久| 久久人妻熟女aⅴ| 99国产精品一区二区三区| 中文字幕人妻丝袜制服| 美女国产高潮福利片在线看| 麻豆av在线久日| 麻豆成人av在线观看| 一边摸一边抽搐一进一小说| 国产无遮挡羞羞视频在线观看| 制服诱惑二区| 好男人电影高清在线观看| 一进一出抽搐动态| 国产亚洲精品第一综合不卡| 精品欧美一区二区三区在线| 国产主播在线观看一区二区| 欧美大码av| 欧美黄色片欧美黄色片| 99精品在免费线老司机午夜| 国产一区二区在线av高清观看| 亚洲精品av麻豆狂野| 视频区欧美日本亚洲| 亚洲国产欧美网| av在线天堂中文字幕 | 久久精品人人爽人人爽视色| 精品久久久精品久久久| 男女下面插进去视频免费观看| 曰老女人黄片| 在线观看午夜福利视频| 999精品在线视频| 69精品国产乱码久久久| 久久久久亚洲av毛片大全| 国产亚洲欧美98| 搡老岳熟女国产| 久久久久国产一级毛片高清牌| 久久狼人影院| 成人18禁高潮啪啪吃奶动态图| 亚洲成人国产一区在线观看| 国产激情欧美一区二区| 亚洲性夜色夜夜综合| 一本大道久久a久久精品| 久久精品国产亚洲av高清一级| a级毛片黄视频| 麻豆av在线久日| 丰满饥渴人妻一区二区三| 久9热在线精品视频| 伊人久久大香线蕉亚洲五| 久久天躁狠狠躁夜夜2o2o| 一级黄色大片毛片| 99在线视频只有这里精品首页| 91字幕亚洲| 桃色一区二区三区在线观看| 日韩精品免费视频一区二区三区| 正在播放国产对白刺激| 亚洲熟妇中文字幕五十中出 | 久久精品国产亚洲av高清一级| 9热在线视频观看99| 亚洲一区二区三区欧美精品| 亚洲一区二区三区色噜噜 | 亚洲欧美日韩另类电影网站| 欧美乱妇无乱码| 日本免费一区二区三区高清不卡 | 中文字幕精品免费在线观看视频| 欧美在线一区亚洲| 久久精品91蜜桃| 亚洲人成电影免费在线| 91成人精品电影| 大码成人一级视频| 欧美老熟妇乱子伦牲交| 久久国产亚洲av麻豆专区| 99国产综合亚洲精品| 色老头精品视频在线观看| 久久久久国内视频| 久久久久久人人人人人| 女人精品久久久久毛片| 男女做爰动态图高潮gif福利片 | 欧美人与性动交α欧美软件| 亚洲五月天丁香| 亚洲成人免费电影在线观看| 欧美日韩福利视频一区二区| 亚洲国产毛片av蜜桃av| 国产高清国产精品国产三级| 国产亚洲欧美在线一区二区| 国产精品乱码一区二三区的特点 | 国产精品一区二区免费欧美| 国产免费现黄频在线看| 久久久久国产精品人妻aⅴ院| 亚洲国产欧美一区二区综合| 国产成人欧美| 亚洲一区高清亚洲精品| 黄色女人牲交| 国产精品野战在线观看 | 午夜两性在线视频| 国产成人av教育| 巨乳人妻的诱惑在线观看| 中文字幕最新亚洲高清| 久久精品人人爽人人爽视色| 激情在线观看视频在线高清| 嫁个100分男人电影在线观看| 1024视频免费在线观看| 在线国产一区二区在线| 男人舔女人下体高潮全视频| 色婷婷av一区二区三区视频| 亚洲成人免费电影在线观看| 午夜免费激情av| 国产精品久久久久成人av| 中文字幕另类日韩欧美亚洲嫩草| 又黄又粗又硬又大视频| 国产精品av久久久久免费| 看片在线看免费视频| 淫秽高清视频在线观看| 9191精品国产免费久久| 国内毛片毛片毛片毛片毛片| 韩国av一区二区三区四区| 久久狼人影院| 久久伊人香网站| 亚洲第一av免费看| 亚洲成国产人片在线观看| 日韩精品青青久久久久久| 免费在线观看黄色视频的| 在线观看免费视频日本深夜| 亚洲国产欧美一区二区综合| 欧美日韩瑟瑟在线播放| 欧美日韩乱码在线| 在线十欧美十亚洲十日本专区| 国产有黄有色有爽视频| 美国免费a级毛片| 大陆偷拍与自拍| 在线观看舔阴道视频| 淫秽高清视频在线观看| 看黄色毛片网站| 久久久久久久午夜电影 | 国产主播在线观看一区二区| 高清av免费在线| 国产精品香港三级国产av潘金莲| 色综合欧美亚洲国产小说| 精品一区二区三区视频在线观看免费 | 搡老熟女国产l中国老女人| 亚洲视频免费观看视频| www.熟女人妻精品国产| 国产91精品成人一区二区三区| 国产人伦9x9x在线观看| 欧美老熟妇乱子伦牲交| 黄片播放在线免费| 成年人免费黄色播放视频| 色播在线永久视频| 国产精品爽爽va在线观看网站 | 99精品欧美一区二区三区四区| 伦理电影免费视频| 国产在线观看jvid| 欧美中文日本在线观看视频| 午夜免费成人在线视频| 欧美人与性动交α欧美精品济南到| 久久久久久免费高清国产稀缺| 国产成人影院久久av| 久久国产精品影院| 在线观看午夜福利视频| 欧美成人午夜精品| 日韩高清综合在线| 黄网站色视频无遮挡免费观看| 桃红色精品国产亚洲av| 色哟哟哟哟哟哟| 一级作爱视频免费观看| 欧美一区二区精品小视频在线| 日本一区二区免费在线视频| 波多野结衣高清无吗| 亚洲成a人片在线一区二区| 国产亚洲精品第一综合不卡| 久久精品国产99精品国产亚洲性色 | 亚洲精品国产色婷婷电影| 久久中文看片网| 高潮久久久久久久久久久不卡| 国产黄a三级三级三级人| 中文字幕av电影在线播放| 天堂中文最新版在线下载| 超碰97精品在线观看| 久久精品国产99精品国产亚洲性色 | 美女午夜性视频免费| 精品国内亚洲2022精品成人| 欧美在线一区亚洲| 嫩草影视91久久| 高清在线国产一区| 叶爱在线成人免费视频播放| 亚洲精品在线美女| 大码成人一级视频| 国产精品国产av在线观看| 亚洲 欧美一区二区三区| 99国产精品一区二区蜜桃av| 纯流量卡能插随身wifi吗| 欧美中文综合在线视频| 久久久久久大精品| 欧美成人午夜精品| 国产成人欧美在线观看| 国产一区二区三区综合在线观看| 亚洲午夜精品一区,二区,三区| 国产欧美日韩综合在线一区二区| 两个人免费观看高清视频| 9191精品国产免费久久| 亚洲五月婷婷丁香| 国产在线观看jvid| 可以在线观看毛片的网站| 亚洲国产欧美一区二区综合| 人人妻,人人澡人人爽秒播| 最新美女视频免费是黄的| 午夜亚洲福利在线播放| 欧美日韩亚洲高清精品| 国产精品久久电影中文字幕| av有码第一页| 国产亚洲av高清不卡| 亚洲成国产人片在线观看| 天堂√8在线中文| 老司机在亚洲福利影院| 欧美日韩一级在线毛片| 80岁老熟妇乱子伦牲交| 美国免费a级毛片| 真人一进一出gif抽搐免费| 国产一区在线观看成人免费| 一级毛片高清免费大全| 亚洲人成电影观看| 欧美av亚洲av综合av国产av| 怎么达到女性高潮| 亚洲五月天丁香| 欧美日本亚洲视频在线播放| 亚洲欧美日韩高清在线视频| 交换朋友夫妻互换小说| 日本五十路高清| 黄片播放在线免费| 人成视频在线观看免费观看| 人人妻,人人澡人人爽秒播| 国产在线精品亚洲第一网站| 国产成人精品久久二区二区91| 欧美+亚洲+日韩+国产| 国产精品一区二区在线不卡| 亚洲精品中文字幕一二三四区| 亚洲全国av大片| 国产日韩一区二区三区精品不卡| 日日干狠狠操夜夜爽| 韩国精品一区二区三区| 电影成人av| 亚洲少妇的诱惑av| 日韩大尺度精品在线看网址 | 中文字幕最新亚洲高清| 天堂中文最新版在线下载| 亚洲全国av大片| 两个人看的免费小视频| 欧美成人性av电影在线观看| 99久久人妻综合| 人妻丰满熟妇av一区二区三区| 色精品久久人妻99蜜桃| 成人三级黄色视频| 亚洲中文日韩欧美视频| 久久午夜亚洲精品久久| 国产av一区二区精品久久| 两性午夜刺激爽爽歪歪视频在线观看 |