• <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 ?

    基于多尺度深度可分離卷積的低照度圖像增強(qiáng)算法*

    2023-10-24 02:52:52陳清江
    關(guān)鍵詞:深度特征

    陳清江,顧 媛

    (西安建筑科技大學(xué)理學(xué)院,陜西 西安 710055)

    1 引言

    在圖像采集過(guò)程中,所在環(huán)境的光照條件是影響圖像質(zhì)量的重要因素之一。在弱光環(huán)境下,由于視覺(jué)質(zhì)量較低,如對(duì)比度低、顏色失真等,導(dǎo)致對(duì)觀(guān)測(cè)圖像的檢測(cè)、識(shí)別、跟蹤等工作無(wú)法有效進(jìn)行。因此,研究低照度圖像增強(qiáng)算法就顯得尤為重要。

    低照度圖像增強(qiáng)算法主要分為傳統(tǒng)算法和深度學(xué)習(xí)算法2類(lèi)。在傳統(tǒng)算法中,Hummel[1]提出了直方圖均衡化HE(Histogram Equalization)方法,是圖像增強(qiáng)領(lǐng)域最簡(jiǎn)單的技術(shù)之一,但其易出現(xiàn)顏色失真的情況;Pizer等[2]提出了局部直方圖均衡化AHE(Adaptive Histogram Equalization)方法,但由于不同區(qū)域的直方圖不同,導(dǎo)致對(duì)光照不均勻的圖像增強(qiáng)效果較差;Land[3]提出了Retinex理論,將圖像分解為反射分量與光照分量?;赗etinex理論,Jobson等[4,5]提出單尺度Retinex SSR(Single Scale Retinex)算法與帶色彩恢復(fù)的多尺度Retinex MSRCR(Multi-Scale Retinex with Color Restoration)算法,將反射分量作為最終增強(qiáng)結(jié)果進(jìn)行處理,但易出現(xiàn)色偏和過(guò)度增強(qiáng)的問(wèn)題。

    隨著深度學(xué)習(xí)技術(shù)在圖像修復(fù)[6]、超分辨率重建[7]等領(lǐng)域的成功應(yīng)用,基于卷積神經(jīng)網(wǎng)絡(luò)的低照度圖像增強(qiáng)算法極大地改善了傳統(tǒng)算法中存在的顏色失真與亮度提升不佳的問(wèn)題。Wei等[8]提出了一種將Retinex理論與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法(RetinexNet),但會(huì)出現(xiàn)隨機(jī)噪聲;Zhang等[9]在RetinexNet算法的分解和重建結(jié)構(gòu)上增加了調(diào)節(jié)網(wǎng)絡(luò),提出了KinD(Kindling the Darkness)算法,在色彩恢復(fù)上有較好的效果,但存在局部細(xì)節(jié)不清晰的問(wèn)題;Lü等[10]對(duì)不同層次的特征進(jìn)行提取和融合,提出了MBLLEN(Multi-Branch Low-Light Enhancement Network)算法,但出現(xiàn)了邊緣模糊與偽影現(xiàn)象;Zhao等[11]提出了基于圖像分解網(wǎng)絡(luò)和圖像增強(qiáng)網(wǎng)絡(luò)的RISSNet(Retain low-light Image details and improve the Structural Similarity Net)算法,該算法可以應(yīng)用于任何低照度圖像;Li等[12]將低照度圖像增強(qiáng)制定為基于深度網(wǎng)絡(luò)的特定曲線(xiàn)估計(jì)任務(wù),提出了Zero-DCE(Zero-reference Deep Curve Estimation)算法;Lü等[13]提出了一種基于多分支卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)的端到端的注意力引導(dǎo)算法,在增強(qiáng)圖像顏色和對(duì)比圖時(shí)可以避免放大噪聲。然而,現(xiàn)有的低照度圖像增強(qiáng)算法大多在細(xì)節(jié)恢復(fù)方面不夠充分,仍存在較大的提升空間。

    針對(duì)增強(qiáng)后的圖像細(xì)節(jié)恢復(fù)不充分以及不能充分利用不同尺度間的信息交流的問(wèn)題,本文提出了一種新的多尺度深度可分離卷積算法,用于低照度圖像增強(qiáng)。使用深度可分離卷積(Depthwise Separable Convolution)[14]代替標(biāo)準(zhǔn)卷積,大大減少了參數(shù)量與計(jì)算量,加快了模型收斂速度。本文的主要工作如下:

    (1)提出多尺度混合空洞卷積模塊MDC(Multi-scale hybrid Dilated Convolution module),多尺度綜合獲取顏色、亮度等全局信息。為避免連續(xù)使用相同擴(kuò)張率的空洞卷積(Dilation Convolution)[15]導(dǎo)致出現(xiàn)網(wǎng)格效應(yīng)(Gridding Problem)[16]的情況,本文使用4種空洞率分別為1,2,4,8的空洞卷積,使其具有連續(xù)的感受野。

    (2)提出多尺度特征提取模塊MFE(Multi-scale Feature Extraction module),使用4種不同尺寸的卷積核,提取具有不同尺度感受野的特征信息。其中,連續(xù)使用小尺寸卷積核代替大尺寸卷積核來(lái)降低計(jì)算量與參數(shù)量,并融合不同尺度的信息,綜合提取紋理細(xì)節(jié)信息。

    (3)設(shè)計(jì)多尺度深度可分離卷積網(wǎng)絡(luò),對(duì)4種不同尺寸圖像進(jìn)行全局與局部信息提取,有效地獲取更加豐富的圖像特征。不同尺度間進(jìn)行參數(shù)共享,有效地降低模型參數(shù)量。

    2 基本理論

    2.1 深度可分離卷積

    深度可分離卷積[14]不僅能夠處理空間維度,還可以處理深度維度通道的數(shù)量。這主要分為2個(gè)過(guò)程:逐通道卷積(Depthwise Convolution)和逐點(diǎn)卷積(Pointwise Convolution)。逐通道卷積的一個(gè)卷積核負(fù)責(zé)一個(gè)通道,一個(gè)通道只被一個(gè)卷積核卷積,這個(gè)過(guò)程產(chǎn)生了與輸入特征圖通道數(shù)一樣的特征圖。逐通道卷積完全是在二維平面內(nèi)進(jìn)行,卷積核的數(shù)量與上一層的通道數(shù)相同,通道和卷積核一一對(duì)應(yīng),一個(gè)三通道的圖像經(jīng)過(guò)運(yùn)算后生成了3個(gè)特征圖。逐點(diǎn)卷積是指用1×1的卷積核組合不同深度卷積的輸出,得到一組新的輸出。逐點(diǎn)卷積的運(yùn)算與標(biāo)準(zhǔn)卷積的運(yùn)算類(lèi)似,這里的卷積運(yùn)算會(huì)將上一步的特征圖在通道方向上進(jìn)行加權(quán)組合,生成新的特征圖,其目的是實(shí)現(xiàn)不同通道間特征的融合以及通道方向上的升維或降維。其計(jì)算過(guò)程如圖1所示。

    Figure 1 Process of depthwise separable convolution

    若輸入特征圖的大小為H×H×M,輸出特征圖的大小為H×H×N,卷積核大小為F×F,則標(biāo)準(zhǔn)卷積的計(jì)算量與參數(shù)量分別如式(1)和式(2)所示:

    Jsj=H×H×M×F×F×N

    (1)

    Jsp=F×F×M×N

    (2)

    深度可分離卷積的計(jì)算量與參數(shù)量分別如式(3)和式(4)所示:

    Jdj=H×H×M×F×F+H×H×M×N

    (3)

    Jdp=F×F×M+M×N

    (4)

    因此,深度可分離卷積與標(biāo)準(zhǔn)卷積的計(jì)算量之比如式(5)所示:

    (5)

    2.2 空洞卷積

    空洞卷積(Dilation Convolution)[15]是在標(biāo)準(zhǔn)卷積核中注入空洞(補(bǔ)零),在不改變卷積參數(shù)量的情況下將卷積核尺寸變大,擴(kuò)大的幅度稱(chēng)為擴(kuò)張率(Dilation Rate)。圖2給出了不同擴(kuò)張率的空洞卷積核,實(shí)現(xiàn)了在不增加參數(shù)量的基礎(chǔ)上擴(kuò)大感受野,多尺度綜合更大范圍的特征信息。

    Figure 2 Dilation convolutions with different dilation rates

    空洞卷積的計(jì)算過(guò)程如式(6)所示:

    (6)

    其中,y[i,j]為空洞卷積的輸出,x[i,j]為輸入,r為擴(kuò)張率,ω[k]為尺寸為k的卷積核。

    3 本文算法

    本文基于深度可分離卷積和空洞卷積,提出了多尺度混合空洞卷積模塊MDC(Multiscale hybrid Dilated Convolutional module)和多尺度特征提取模塊MFE(Multiscale Feature Extraction module)。首先,對(duì)256×256大小的輸入圖像進(jìn)行多尺度混合空洞卷積模塊操作與下采樣操作,得到4種大小的特征圖,分別為128×128,64×64,32×32,16×16,同時(shí)還提取邊緣、顏色及亮度等低層特征;其次,對(duì)4種不同大小的特征圖分別經(jīng)過(guò)多尺度特征提取模塊,提取到紋理細(xì)節(jié)高層特征;最后,不同大小的紋理細(xì)節(jié)高層特征圖再經(jīng)過(guò)多尺度混合空洞卷積模塊,并通過(guò)上采樣操作與上一尺寸的輸出融合,獲得增強(qiáng)后圖像。這樣有效地將低層特征圖的空間信息與高層特征圖的語(yǔ)義信息充分融合,獲取了更加豐富的特征信息。所提算法的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示:

    Figure 3 Network structure of the proposed algorithm

    3.1 多尺度混合空洞卷積模塊

    空洞卷積雖然可以在不使用大尺寸卷積核、不增加參數(shù)量的基礎(chǔ)上實(shí)現(xiàn)指數(shù)級(jí)擴(kuò)大感受野,但由于空洞卷積的卷積核中有空洞,連續(xù)使用相同擴(kuò)張率的空洞卷積會(huì)導(dǎo)致采樣特征不連續(xù),產(chǎn)生網(wǎng)格效應(yīng)[16]。為解決網(wǎng)格效應(yīng),本文提出了多尺度混合空洞卷積模塊,并聯(lián)4個(gè)擴(kuò)張率分別為1,2,4,8的空洞卷積分支,以保證感受野的連續(xù)性,其卷積均為深度可分離卷積。多尺度混合空洞卷積模塊如圖4所示。

    Figure 4 Multi-scale hybrid dilated convolution module

    3.2 多尺度特征提取模塊

    為獲取豐富的細(xì)節(jié)信息,設(shè)計(jì)了多尺度特征提取模塊。使用4種尺寸分別為3×3,5×5,7×7,9×9的卷積核,提取具有不同尺度感受野的特征信息,再融合不同尺度下提取的信息,多尺度綜合細(xì)節(jié)特征。多尺度特征提取模塊如圖5所示。其中5×5卷積核用2層3×3卷積核代替,7×7卷積核用3層3×3卷積核代替,9×9卷積核用4層3×3卷積核代替,且所有的卷積均為深度可分離卷積。使用連續(xù)的3×3卷積核代替更大的卷積核,以達(dá)到減少模型參數(shù)量、提高收斂速度的目的。由式(5)可知,深度可分離卷積的使用可進(jìn)一步減少網(wǎng)絡(luò)參數(shù)量,加快模型運(yùn)行速度。

    Figure 5 Multi-scale feature extraction module

    3.3 損失函數(shù)

    本文的損失函數(shù)由結(jié)構(gòu)損失(Structural Loss)和感知損失(Perceptual Loss)2部分組成,其計(jì)算公式如式(7)所示:

    L=λ1LS+λ2LP

    (7)

    其中,L為總損失,LS為結(jié)構(gòu)損失,LP為感知損失,λ1,λ2分別為其對(duì)應(yīng)的權(quán)重。

    結(jié)構(gòu)損失(Structural Loss):為了衡量真實(shí)圖像與所提算法增強(qiáng)后的圖像之間的差異性,改善整體視覺(jué)效果,保持圖像結(jié)構(gòu),避免圖像模糊,引入結(jié)構(gòu)損失。結(jié)構(gòu)損失計(jì)算如式(8)所示:

    (8)

    (9)

    其中,N為訓(xùn)練樣本的數(shù)量,img表示真實(shí)圖像和增強(qiáng)后圖像的集合。

    感知損失(Perceptual Loss):為利用圖像的深層信息來(lái)改善視覺(jué)質(zhì)量,引入訓(xùn)練過(guò)的VGG16[17]作為特征提取器,測(cè)量重建圖像的特征和相應(yīng)真實(shí)圖像之間的差異,其計(jì)算過(guò)程如式(10)所示:

    (10)

    4 實(shí)驗(yàn)及結(jié)果分析

    4.1 實(shí)驗(yàn)條件及參數(shù)配置

    本文實(shí)驗(yàn)使用的是TensorFlow2.0深度學(xué)習(xí)框架,在Windows 10,Intel?i7-10750H,2.6 GHz,16 GB RAM,NVIDIA?GeForce?1660Ti GPU平臺(tái)上完成。采用Adam優(yōu)化器對(duì)模型進(jìn)行優(yōu)化;動(dòng)量參數(shù)為β1=0.9,β2=0.999;設(shè)置固定學(xué)習(xí)率lr=0.0001;損失函數(shù)的權(quán)重參數(shù)設(shè)置為:λ1=0.8,λ2=0.2;epoch設(shè)置為3 000次。

    4.2 合成的低照度圖像實(shí)驗(yàn)結(jié)果分析

    首先對(duì)人工合成的低照度圖像進(jìn)行實(shí)驗(yàn)。從公開(kāi)數(shù)據(jù)集Berkeley Segmentation Dataset[18]中選取330幅正常光照?qǐng)D像,利用Retinex理論[3]對(duì)光照分量隨機(jī)取值,合成330幅低照度圖像。本文算法與經(jīng)典算法、現(xiàn)階段主流算法均作了比較。對(duì)比的傳統(tǒng)算法有HE[1]、SSR[4]以及基于深度學(xué)習(xí)的RetinexNet[8]、KinD[7]、MBLLEN[10]和RISSNet[12]算法。隨機(jī)選取測(cè)試集中的4幅圖像為例進(jìn)行主觀(guān)評(píng)價(jià),對(duì)比結(jié)果如圖6所示。

    Figure 6 Comparison of enhancement effects of different algorithms on synthesizing low-light images

    由圖6可以看出,HE算法出現(xiàn)嚴(yán)重顏色失真問(wèn)題;相比SSR算法,增強(qiáng)后圖像的質(zhì)量有一定的提升,但存在過(guò)度曝光現(xiàn)象;MBLLEN算法雖提升了圖像的亮度及對(duì)比度,但部分區(qū)域出現(xiàn)了偽影,如圖6a中天空出現(xiàn)偏色現(xiàn)象;KinD算法從主觀(guān)效果來(lái)看很大程度地改善了低照度圖像,但在色彩恢復(fù)方面有所欠缺,如圖6c中天空出現(xiàn)了黑影;RISSNet算法在主觀(guān)視覺(jué)效果方面與所提算法較為相似;本文所提算法能有效增強(qiáng)圖像亮度及對(duì)比度,且在色彩恢復(fù)方面更接近真實(shí)圖像。

    在定量對(duì)比中,參考已知圖像,選用峰值信噪比PSNR(Peak Signal-to-Noise Ratio)[19]、結(jié)構(gòu)相似度(SSIM)[20]、均方誤差MSE(Mean Squared Error)及視覺(jué)信息保真度VIF(Visual Information Fidelity)[21]4項(xiàng)評(píng)價(jià)指標(biāo)來(lái)測(cè)試本文算法的性能。PSNR是一種全參考的圖像質(zhì)量評(píng)價(jià)指標(biāo),其值越大表明圖像質(zhì)量越好;SSIM是一種衡量2幅圖像相似度的指標(biāo),其值越大表明增強(qiáng)圖像越接近參考圖像;MSE是一種反映2幅圖像之間差異性的指標(biāo),其值越小表明圖像失真越小;VIF是一種衡量2幅圖像之間互信息的指標(biāo),其值越大表明圖像細(xì)節(jié)信息保留得越好。不同算法在上述4幅圖像上的指標(biāo)平均值如表1所示。

    Table 1 Performance of different algorithms on synthesizing low-light images

    由表1可以看出,本文算法在以上指標(biāo)上的平均值均優(yōu)于其他算法的,說(shuō)明所提多尺度深度可分離卷積算法的增強(qiáng)效果最接近真實(shí)圖像。

    4.3 真實(shí)的低照度圖像實(shí)驗(yàn)結(jié)果分析

    本文使用LOL(LOw-Light) dataset[22]公開(kāi)數(shù)據(jù)集測(cè)試模型,LOL dataset數(shù)據(jù)集中包含500對(duì)低照度圖像和正常照度圖像。為檢驗(yàn)本文算法在真實(shí)的低照度圖像上的有效性,與現(xiàn)有的低照度圖像增強(qiáng)算法進(jìn)行對(duì)比,包括HE[1]、SSR[4]、RetinexNet[8]、KinD[7]、MBLLEN[10]以及RISSNet[12]算法。隨機(jī)選取測(cè)試集中的4幅圖像為例進(jìn)行主觀(guān)評(píng)價(jià),對(duì)比結(jié)果如圖7所示。

    Figure 7 Comparison of enhancement effects of different algorithms on real low-light images

    由圖7可以看出,HE算法增強(qiáng)后的圖像出現(xiàn)了顏色失真;SSR算法增強(qiáng)后的圖像亮度比真實(shí)圖像的亮度高很多,出現(xiàn)了曝光;RetinexNet算法增強(qiáng)后的圖像整體出現(xiàn)色偏,如圖7a和圖7b中出現(xiàn)了噪聲;MBLLEN算法增強(qiáng)后圖像色彩比真實(shí)圖像的深,圖像背景出現(xiàn)陰影條;與真實(shí)圖像相比,RISSNet算法在暗區(qū)域中的增強(qiáng)程度過(guò)高;KinD算法與本文所提算法在主觀(guān)視覺(jué)效果方面比較相似,但在細(xì)節(jié)與色彩恢復(fù)方面,本文算法增強(qiáng)后的圖像在視覺(jué)感官上效果更好,顯得更加自然。

    在定量對(duì)比中,仍利用峰值信噪比(PSNR)、結(jié)構(gòu)相似度(SSIM)、均方誤差(MSE)及視覺(jué)信息保真度(VIF)4項(xiàng)評(píng)價(jià)指標(biāo)來(lái)驗(yàn)證本文算法的有效性。不同算法在上述4幅圖像上的指標(biāo)平均值如表2所示。

    Table 2 Performance of different algorithms on real low-light images

    由表2可以看出,本文算法在以上指標(biāo)上均優(yōu)于其他對(duì)比算法的,說(shuō)明本文算法增強(qiáng)后的圖像與真實(shí)圖像最接近。

    4.4 無(wú)參考的低照度圖像實(shí)驗(yàn)結(jié)果分析

    除了在上述有參考的真實(shí)低照度圖像上,本文算法在無(wú)參考的真實(shí)低照度圖像上的增強(qiáng)效果也較好。實(shí)驗(yàn)從低照度圖像數(shù)據(jù)庫(kù)MEF[23]的測(cè)試集中隨機(jī)選取3幅圖像為例進(jìn)行主觀(guān)評(píng)價(jià),對(duì)比結(jié)果如圖8所示。

    Figure 8 Comparison of enhancement effects of different algorithms on no reference low-light images

    由圖8可以看出,HE算法與SSR算法增強(qiáng)后的圖像出現(xiàn)了嚴(yán)重色偏;RetinexNet算法增強(qiáng)后的圖像亮度較高,出現(xiàn)了曝光現(xiàn)象;KinD算法增強(qiáng)后的圖像存在模糊與噪聲,如圖8a中存在不規(guī)則噪聲;MBLLEN算法增強(qiáng)后的圖像存在曝光現(xiàn)象且部分圖像有偽影,如圖8b中存在偽影;本文算法在主觀(guān)視覺(jué)方面的亮度及色彩恢復(fù)較好。

    在定量對(duì)比中,由于沒(méi)有同一場(chǎng)景下正常照度的圖像作為參考,故選用無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)。本文選用信息熵IE(Information Entropy)、自然圖像質(zhì)量評(píng)估NIQE(Natural Image Quality Evaluator)[24]、無(wú)參考結(jié)構(gòu)相似度NRSS(NoReference Structural Sharpness)[25]及對(duì)比度失真的無(wú)參考圖像質(zhì)量度量NIQMC(No reference Image Quality Measure of Contrast distortion)[26]對(duì)增強(qiáng)圖像進(jìn)行評(píng)價(jià)。其中,IE反映圖像信息量的大小,其值越大圖像信息越豐富;NIQE用來(lái)評(píng)估圖像的失真程度,其值越小圖像失真度越小;NRSS用來(lái)衡量圖像高頻信息的多少,其值越大圖像質(zhì)量越好;NIQMC用來(lái)衡量圖像的對(duì)比度,其值越大圖像質(zhì)量越好。不同算法在上述3幅圖像上的指標(biāo)平均值如表3所示。

    Table 3 Performance of different algorithms on no reference low-light images

    由表3可以看出,本文算法在IE指標(biāo)上略低于HE算法的,在NIQE、NRSS與NIQMC指標(biāo)上均優(yōu)于其他對(duì)比算法的,說(shuō)明所提算法增強(qiáng)后的圖像失真度更小,細(xì)節(jié)恢復(fù)更好,圖像更加自然。

    4.5 消融實(shí)驗(yàn)

    為證明本文模型中將標(biāo)準(zhǔn)卷積替換為空洞卷積的效果以及l(fā)ayer數(shù)量設(shè)計(jì)為4的作用,對(duì)各模塊進(jìn)行消融實(shí)驗(yàn)。首先,將多尺度混合空洞卷積模塊中的深度可分離卷積的擴(kuò)張率均設(shè)置為1(Model1)進(jìn)行實(shí)驗(yàn)。其次,對(duì)layer數(shù)量為1(Model2),2(Model3),3(Model4)以及5(Model6)的模型依次進(jìn)行實(shí)驗(yàn)。最后,與本文模型(Model5)進(jìn)行對(duì)比。選取上述LOL dataset數(shù)據(jù)集中的圖7d對(duì)不同模型進(jìn)行實(shí)驗(yàn),低照度圖像增強(qiáng)的主觀(guān)視覺(jué)效果如圖9所示。

    Figure 9 Subjective visual comparison of low-light image enhancement with different models

    由圖9可以看出,Model2與Model3增強(qiáng)后的圖像亮度過(guò)高,出現(xiàn)了曝光現(xiàn)象;Model1、Model4、Model6與本文模型的增強(qiáng)圖像在主觀(guān)視覺(jué)方面較為相似。為進(jìn)一步衡量本文模型的有效性,利用PSNR與SSIM進(jìn)行客觀(guān)評(píng)價(jià),不同模型的指標(biāo)值如表4所示。

    Table 4 PSNR and SSIM of different models

    由表4可以看出,空洞卷積的使用可以提高圖像的PSNR與SSIM值。layer數(shù)量由1增加到4時(shí),PSNR與SSIM值在逐漸上升,而layer數(shù)量增加到5時(shí),PSNR與SSIM值開(kāi)始下降,說(shuō)明模型性能開(kāi)始退化。故本文選用4個(gè)layer構(gòu)建網(wǎng)絡(luò)模型,以達(dá)到最佳效果。

    5 結(jié)束語(yǔ)

    為解決低照度圖像顏色失真、對(duì)比度低等問(wèn)題,本文提出一種新的低照度圖像增強(qiáng)算法,通過(guò)端到端的方式學(xué)習(xí)低照度圖像與正常照度圖像之間的映射關(guān)系。本文算法實(shí)現(xiàn)模型包含2個(gè)模塊,即MDC和MFE。MDC通過(guò)并聯(lián)不同擴(kuò)張率的空洞卷積進(jìn)行全局特征提取,MFE通過(guò)并聯(lián)不同尺度的卷積提取豐富的細(xì)節(jié)信息,整個(gè)網(wǎng)絡(luò)通過(guò)上采樣融合不同尺度的特征信息,恢復(fù)圖像的紋理細(xì)節(jié)。深度可分離卷積的使用在不降低網(wǎng)絡(luò)性能的基礎(chǔ)上,減少了模型參數(shù)量與計(jì)算量。實(shí)驗(yàn)結(jié)果表明,本文所提算法在真實(shí)圖像上的峰值信噪比及結(jié)構(gòu)相似度分別達(dá)到了29.631 2 dB和0.901 6,均優(yōu)于其他對(duì)比算法的。為提高本文算法的泛化性,下一步考慮擴(kuò)大數(shù)據(jù)集,將其應(yīng)用于更多的場(chǎng)景中。

    猜你喜歡
    深度特征
    抓住特征巧觀(guān)察
    深度理解一元一次方程
    新型冠狀病毒及其流行病學(xué)特征認(rèn)識(shí)
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    深度觀(guān)察
    深度觀(guān)察
    深度觀(guān)察
    深度觀(guān)察
    抓住特征巧觀(guān)察
    搡老乐熟女国产| 美女午夜性视频免费| 村上凉子中文字幕在线| 国产精品免费大片| 亚洲欧美激情综合另类| 电影成人av| 99精国产麻豆久久婷婷| 欧美激情极品国产一区二区三区| 成年人免费黄色播放视频| 亚洲久久久国产精品| 人妻一区二区av| 人人妻人人爽人人添夜夜欢视频| 一二三四社区在线视频社区8| 日本欧美视频一区| 精品视频人人做人人爽| 国产不卡av网站在线观看| 欧美激情 高清一区二区三区| 午夜福利一区二区在线看| 国产精品免费一区二区三区在线 | 美女高潮到喷水免费观看| 99在线人妻在线中文字幕 | av国产精品久久久久影院| 夜夜躁狠狠躁天天躁| 制服人妻中文乱码| 自拍欧美九色日韩亚洲蝌蚪91| 成人18禁在线播放| 黑人欧美特级aaaaaa片| 黄色怎么调成土黄色| 国精品久久久久久国模美| 丁香六月欧美| 日韩免费高清中文字幕av| 亚洲精品一卡2卡三卡4卡5卡| 水蜜桃什么品种好| 精品一区二区三区视频在线观看免费 | 黄色女人牲交| 日韩欧美三级三区| 在线天堂中文资源库| 亚洲中文av在线| 99国产综合亚洲精品| 中文字幕另类日韩欧美亚洲嫩草| 日韩欧美免费精品| 99热只有精品国产| 成年人免费黄色播放视频| 成在线人永久免费视频| 国产成人精品无人区| 国产精品 国内视频| 中文欧美无线码| 最新在线观看一区二区三区| 91麻豆av在线| 国产高清videossex| 国产日韩一区二区三区精品不卡| 亚洲国产欧美网| 黄色成人免费大全| 建设人人有责人人尽责人人享有的| 亚洲色图av天堂| 黄网站色视频无遮挡免费观看| 国产成人欧美| 欧美日韩精品网址| 在线十欧美十亚洲十日本专区| 久热爱精品视频在线9| 国产高清视频在线播放一区| 黑人巨大精品欧美一区二区mp4| 欧美日韩黄片免| 国产精品久久久久久精品古装| 一本大道久久a久久精品| 国产精品国产高清国产av | av天堂在线播放| 亚洲成人免费电影在线观看| 一边摸一边抽搐一进一小说 | 成熟少妇高潮喷水视频| 日韩有码中文字幕| 亚洲人成电影观看| 久久精品国产亚洲av高清一级| 十八禁网站免费在线| 无遮挡黄片免费观看| 色老头精品视频在线观看| 9色porny在线观看| av天堂久久9| 免费久久久久久久精品成人欧美视频| 久久午夜亚洲精品久久| 国产男女超爽视频在线观看| 丰满饥渴人妻一区二区三| 欧美日韩精品网址| 亚洲一区二区三区不卡视频| 欧美国产精品一级二级三级| 国产精品九九99| videosex国产| 久久人妻熟女aⅴ| 最近最新免费中文字幕在线| 一区在线观看完整版| 亚洲一区高清亚洲精品| 高清在线国产一区| 欧美最黄视频在线播放免费 | 老司机午夜十八禁免费视频| 777米奇影视久久| 国产熟女午夜一区二区三区| 国产成人精品在线电影| 久久久久视频综合| a级片在线免费高清观看视频| 亚洲成人免费av在线播放| 成年动漫av网址| 在线观看一区二区三区激情| 午夜免费成人在线视频| 亚洲三区欧美一区| 精品福利观看| 中文字幕精品免费在线观看视频| 啦啦啦视频在线资源免费观看| 精品第一国产精品| 精品第一国产精品| 亚洲精品国产一区二区精华液| 十八禁人妻一区二区| 电影成人av| 高清黄色对白视频在线免费看| 亚洲av日韩精品久久久久久密| 美女高潮到喷水免费观看| 在线视频色国产色| 国产深夜福利视频在线观看| 国产欧美日韩一区二区三区在线| 麻豆成人av在线观看| 黄色a级毛片大全视频| 黄色丝袜av网址大全| 夜夜夜夜夜久久久久| 欧美日韩一级在线毛片| a在线观看视频网站| 色精品久久人妻99蜜桃| 国产男女超爽视频在线观看| 女性生殖器流出的白浆| 欧美黄色片欧美黄色片| 一区二区三区激情视频| 国产精品国产高清国产av | 老汉色∧v一级毛片| 在线十欧美十亚洲十日本专区| 黄色毛片三级朝国网站| 两性夫妻黄色片| 久久精品亚洲av国产电影网| 最新的欧美精品一区二区| 啪啪无遮挡十八禁网站| 欧美日本中文国产一区发布| 欧美午夜高清在线| 久久精品aⅴ一区二区三区四区| 国产一区有黄有色的免费视频| av天堂在线播放| 韩国精品一区二区三区| 老熟妇仑乱视频hdxx| 亚洲精品成人av观看孕妇| 777久久人妻少妇嫩草av网站| 国精品久久久久久国模美| 久久人人爽av亚洲精品天堂| 国产aⅴ精品一区二区三区波| 色婷婷av一区二区三区视频| 免费在线观看黄色视频的| 亚洲熟女精品中文字幕| 美女高潮喷水抽搐中文字幕| 欧美精品高潮呻吟av久久| 一级黄色大片毛片| 亚洲中文日韩欧美视频| av国产精品久久久久影院| 高清在线国产一区| 成人影院久久| 亚洲欧洲精品一区二区精品久久久| 成人国语在线视频| 欧美成人免费av一区二区三区 | 男女免费视频国产| 中文字幕人妻丝袜一区二区| 亚洲男人天堂网一区| 日本精品一区二区三区蜜桃| 亚洲国产精品sss在线观看 | 国产精品国产av在线观看| 亚洲欧美色中文字幕在线| 大码成人一级视频| 黄色视频,在线免费观看| 国产成人精品在线电影| 亚洲精品美女久久av网站| 1024香蕉在线观看| 日本黄色视频三级网站网址 | 黄色视频不卡| 人人妻人人爽人人添夜夜欢视频| 国产主播在线观看一区二区| 国产一区二区激情短视频| 亚洲精品中文字幕一二三四区| 成年人黄色毛片网站| 夜夜夜夜夜久久久久| 精品久久蜜臀av无| 亚洲在线自拍视频| a级毛片黄视频| 久久久久久人人人人人| 国产精品香港三级国产av潘金莲| 91精品三级在线观看| 天堂√8在线中文| 午夜福利欧美成人| 精品国产一区二区三区四区第35| 91成人精品电影| 久久久国产欧美日韩av| 久久国产精品男人的天堂亚洲| 午夜免费成人在线视频| 99国产极品粉嫩在线观看| 亚洲少妇的诱惑av| 国产日韩欧美亚洲二区| 欧美成人午夜精品| 久热爱精品视频在线9| 亚洲欧美日韩另类电影网站| 女人爽到高潮嗷嗷叫在线视频| 91在线观看av| 美国免费a级毛片| 国产成人精品久久二区二区免费| 人人妻人人添人人爽欧美一区卜| 91大片在线观看| 亚洲精品av麻豆狂野| 国产高清激情床上av| 午夜91福利影院| 午夜激情av网站| 久久婷婷成人综合色麻豆| 久久精品aⅴ一区二区三区四区| 午夜福利,免费看| 五月开心婷婷网| 满18在线观看网站| 久久久久久久久久久久大奶| 日本vs欧美在线观看视频| 亚洲精品国产色婷婷电影| 亚洲 欧美一区二区三区| 中文字幕精品免费在线观看视频| 麻豆乱淫一区二区| 在线视频色国产色| 亚洲,欧美精品.| 交换朋友夫妻互换小说| 久久久精品国产亚洲av高清涩受| 国产片内射在线| 亚洲午夜理论影院| 一边摸一边做爽爽视频免费| 悠悠久久av| 在线永久观看黄色视频| 久久中文字幕一级| 国产精品偷伦视频观看了| 亚洲精品国产一区二区精华液| 亚洲中文日韩欧美视频| 女同久久另类99精品国产91| 免费黄频网站在线观看国产| 黄色视频不卡| 欧美乱妇无乱码| 少妇的丰满在线观看| 91老司机精品| 亚洲欧美激情在线| 国产又色又爽无遮挡免费看| 男女之事视频高清在线观看| 黄色片一级片一级黄色片| 黄色丝袜av网址大全| 国产亚洲精品一区二区www | 捣出白浆h1v1| 国产精华一区二区三区| 老司机福利观看| 啦啦啦在线免费观看视频4| 欧美成人午夜精品| 亚洲国产看品久久| 黄频高清免费视频| 十分钟在线观看高清视频www| 亚洲 欧美一区二区三区| 精品国产亚洲在线| 免费在线观看完整版高清| 一级,二级,三级黄色视频| 99久久综合精品五月天人人| 国产在视频线精品| 精品亚洲成a人片在线观看| 老汉色av国产亚洲站长工具| 亚洲精品自拍成人| 欧洲精品卡2卡3卡4卡5卡区| 超碰成人久久| 自线自在国产av| 国产精品免费一区二区三区在线 | 国产极品粉嫩免费观看在线| netflix在线观看网站| 亚洲午夜理论影院| 婷婷成人精品国产| 亚洲视频免费观看视频| 欧美在线一区亚洲| 久久久国产成人精品二区 | 成年女人毛片免费观看观看9 | 一进一出抽搐gif免费好疼 | 欧美+亚洲+日韩+国产| 日韩欧美三级三区| 久久精品成人免费网站| 两人在一起打扑克的视频| 热re99久久国产66热| 好男人电影高清在线观看| 国产亚洲欧美在线一区二区| 午夜精品久久久久久毛片777| 50天的宝宝边吃奶边哭怎么回事| 精品国产亚洲在线| 热99久久久久精品小说推荐| 母亲3免费完整高清在线观看| 成年女人毛片免费观看观看9 | 91成人精品电影| 日韩视频一区二区在线观看| 日韩一卡2卡3卡4卡2021年| 亚洲欧美一区二区三区久久| 国产精品影院久久| 国内毛片毛片毛片毛片毛片| 侵犯人妻中文字幕一二三四区| 国产成人系列免费观看| 久久久久精品人妻al黑| av福利片在线| 国精品久久久久久国模美| 精品电影一区二区在线| 天堂√8在线中文| 欧美成狂野欧美在线观看| 久久ye,这里只有精品| 国产精品免费视频内射| 两个人免费观看高清视频| 俄罗斯特黄特色一大片| 亚洲成国产人片在线观看| 久久精品亚洲熟妇少妇任你| 日本欧美视频一区| 男女之事视频高清在线观看| 久久久国产一区二区| 少妇 在线观看| 国产欧美日韩一区二区三| 国产精品久久久久久人妻精品电影| 亚洲第一欧美日韩一区二区三区| 亚洲专区字幕在线| av在线播放免费不卡| 国产成人精品久久二区二区91| 在线av久久热| 亚洲成人手机| 日韩中文字幕欧美一区二区| 国产免费av片在线观看野外av| 国产精品 国内视频| 精品第一国产精品| 久久久精品区二区三区| 国产精品.久久久| 免费在线观看亚洲国产| 女人爽到高潮嗷嗷叫在线视频| 巨乳人妻的诱惑在线观看| 亚洲欧美一区二区三区黑人| 午夜久久久在线观看| 国产亚洲av高清不卡| 深夜精品福利| 桃红色精品国产亚洲av| 精品久久久久久久久久免费视频 | 国产精品偷伦视频观看了| 亚洲欧美日韩高清在线视频| 中文字幕制服av| 久久久久久久午夜电影 | 久久中文看片网| 又大又爽又粗| 搡老乐熟女国产| 亚洲国产欧美日韩在线播放| 岛国毛片在线播放| 在线观看免费日韩欧美大片| 亚洲情色 制服丝袜| 欧美日韩av久久| 中文字幕人妻丝袜一区二区| 女警被强在线播放| 757午夜福利合集在线观看| 久热这里只有精品99| 国产成人影院久久av| 久久午夜综合久久蜜桃| 999精品在线视频| 午夜福利免费观看在线| 国产97色在线日韩免费| 国产精品98久久久久久宅男小说| 高清视频免费观看一区二区| 后天国语完整版免费观看| 色综合婷婷激情| 亚洲伊人色综图| 亚洲欧美一区二区三区黑人| 法律面前人人平等表现在哪些方面| 欧美精品亚洲一区二区| 国产精品二区激情视频| 日本wwww免费看| 久久久久国产精品人妻aⅴ院 | 大片电影免费在线观看免费| 国产精品98久久久久久宅男小说| 国产精品免费一区二区三区在线 | 热re99久久国产66热| 亚洲av成人不卡在线观看播放网| 亚洲七黄色美女视频| 91大片在线观看| 黄色 视频免费看| 午夜福利免费观看在线| 可以免费在线观看a视频的电影网站| 亚洲欧美激情在线| 国产亚洲欧美在线一区二区| 最新在线观看一区二区三区| 成年版毛片免费区| 首页视频小说图片口味搜索| www日本在线高清视频| 少妇被粗大的猛进出69影院| 麻豆国产av国片精品| 国产在视频线精品| 国产欧美日韩一区二区三| 欧美日韩视频精品一区| 丝袜美足系列| 免费黄频网站在线观看国产| 亚洲av日韩在线播放| 高清在线国产一区| 免费在线观看影片大全网站| 啦啦啦 在线观看视频| 99久久精品国产亚洲精品| 激情在线观看视频在线高清 | 精品无人区乱码1区二区| 亚洲午夜精品一区,二区,三区| 国产欧美日韩一区二区三| 夜夜夜夜夜久久久久| 亚洲一区中文字幕在线| 人人妻人人爽人人添夜夜欢视频| 在线观看免费午夜福利视频| 又黄又爽又免费观看的视频| 国产91精品成人一区二区三区| 美女 人体艺术 gogo| 美女国产高潮福利片在线看| 亚洲视频免费观看视频| 在线观看免费午夜福利视频| 欧美乱色亚洲激情| 国产精品免费一区二区三区在线 | 精品久久久久久久久久免费视频 | 日韩免费高清中文字幕av| 日韩精品免费视频一区二区三区| 黄片大片在线免费观看| 咕卡用的链子| 欧美激情 高清一区二区三区| aaaaa片日本免费| 侵犯人妻中文字幕一二三四区| 午夜福利,免费看| 狂野欧美激情性xxxx| 日韩中文字幕欧美一区二区| 午夜福利在线免费观看网站| 中出人妻视频一区二区| 12—13女人毛片做爰片一| 性色av乱码一区二区三区2| 欧美精品av麻豆av| 精品亚洲成国产av| 99riav亚洲国产免费| 精品国产国语对白av| 久热这里只有精品99| 久久久精品国产亚洲av高清涩受| 下体分泌物呈黄色| 女性生殖器流出的白浆| 多毛熟女@视频| 亚洲精品中文字幕在线视频| 国产精品香港三级国产av潘金莲| 18禁国产床啪视频网站| x7x7x7水蜜桃| 一二三四在线观看免费中文在| 国产av精品麻豆| 午夜免费鲁丝| 精品视频人人做人人爽| av超薄肉色丝袜交足视频| 中文字幕色久视频| 美女视频免费永久观看网站| 亚洲男人天堂网一区| 如日韩欧美国产精品一区二区三区| 亚洲国产精品合色在线| 一个人免费在线观看的高清视频| 欧美精品av麻豆av| 精品亚洲成国产av| 亚洲人成电影免费在线| 亚洲精品一卡2卡三卡4卡5卡| 成人亚洲精品一区在线观看| 久久久久精品国产欧美久久久| 亚洲成人免费av在线播放| 一区二区三区精品91| 女性被躁到高潮视频| 国产精品一区二区在线观看99| 成人18禁高潮啪啪吃奶动态图| 91成人精品电影| 日韩有码中文字幕| 麻豆乱淫一区二区| 亚洲精品中文字幕一二三四区| 中文字幕高清在线视频| 热99久久久久精品小说推荐| 首页视频小说图片口味搜索| 国产精品久久久久久精品古装| 亚洲精品自拍成人| 亚洲专区字幕在线| 黄色视频不卡| 欧美大码av| 一级a爱片免费观看的视频| 69精品国产乱码久久久| 亚洲专区国产一区二区| 99精国产麻豆久久婷婷| 国精品久久久久久国模美| 国产精品久久久人人做人人爽| 亚洲成国产人片在线观看| 身体一侧抽搐| 国产精品 国内视频| 国产成+人综合+亚洲专区| 久久久久精品人妻al黑| 欧美国产精品一级二级三级| 免费看a级黄色片| 免费在线观看黄色视频的| 一边摸一边做爽爽视频免费| 亚洲av熟女| av电影中文网址| 午夜福利免费观看在线| 怎么达到女性高潮| 久久精品国产清高在天天线| 老司机福利观看| 99国产极品粉嫩在线观看| 1024视频免费在线观看| 成人三级做爰电影| 国产国语露脸激情在线看| 色精品久久人妻99蜜桃| 人人妻人人澡人人爽人人夜夜| 国产国语露脸激情在线看| xxx96com| 欧美激情久久久久久爽电影 | 777米奇影视久久| 建设人人有责人人尽责人人享有的| 69av精品久久久久久| 色播在线永久视频| 19禁男女啪啪无遮挡网站| 两个人看的免费小视频| 久久婷婷成人综合色麻豆| 欧美精品人与动牲交sv欧美| 香蕉久久夜色| 岛国毛片在线播放| 人人妻人人添人人爽欧美一区卜| 在线免费观看的www视频| 在线播放国产精品三级| 精品视频人人做人人爽| 久久草成人影院| 亚洲成人免费av在线播放| x7x7x7水蜜桃| av线在线观看网站| 午夜精品在线福利| 欧美成人午夜精品| 中国美女看黄片| 亚洲欧美精品综合一区二区三区| 一夜夜www| 女人爽到高潮嗷嗷叫在线视频| 91成年电影在线观看| 在线观看免费高清a一片| 成年人免费黄色播放视频| 久久热在线av| 另类亚洲欧美激情| 777米奇影视久久| 国产在线观看jvid| 欧美丝袜亚洲另类 | 亚洲av片天天在线观看| 国产一区二区三区综合在线观看| 人人澡人人妻人| 国产一卡二卡三卡精品| 午夜成年电影在线免费观看| 日韩 欧美 亚洲 中文字幕| 中出人妻视频一区二区| 国产不卡一卡二| 色综合欧美亚洲国产小说| 女人被躁到高潮嗷嗷叫费观| 亚洲熟女精品中文字幕| 亚洲中文字幕日韩| 青草久久国产| 精品国产亚洲在线| 欧美成狂野欧美在线观看| 国产一区二区三区视频了| 91国产中文字幕| 激情视频va一区二区三区| 高清毛片免费观看视频网站 | 免费在线观看黄色视频的| 欧美亚洲日本最大视频资源| 后天国语完整版免费观看| 在线观看www视频免费| 国产色视频综合| 一区二区三区激情视频| 十八禁网站免费在线| 91老司机精品| 精品人妻熟女毛片av久久网站| 看免费av毛片| 成年人免费黄色播放视频| 亚洲色图综合在线观看| 90打野战视频偷拍视频| 王馨瑶露胸无遮挡在线观看| 露出奶头的视频| 热re99久久国产66热| 亚洲av电影在线进入| 在线观看舔阴道视频| 俄罗斯特黄特色一大片| 精品国产国语对白av| 99精国产麻豆久久婷婷| 中文字幕精品免费在线观看视频| 黄频高清免费视频| 热99国产精品久久久久久7| 国产伦人伦偷精品视频| 国产精品国产高清国产av | 亚洲欧美一区二区三区久久| 国产亚洲精品久久久久5区| 老司机亚洲免费影院| 久久久久久久久久久久大奶| 久久香蕉精品热| 亚洲色图 男人天堂 中文字幕| 不卡一级毛片| 欧美日韩一级在线毛片| 十八禁高潮呻吟视频| 在线av久久热| 搡老岳熟女国产| av网站在线播放免费| 一区福利在线观看| 法律面前人人平等表现在哪些方面| 在线永久观看黄色视频| 人人妻人人添人人爽欧美一区卜| 国产精品九九99| 国产精品久久久久成人av| 天天操日日干夜夜撸| 又黄又粗又硬又大视频| 国产亚洲精品久久久久5区| 色老头精品视频在线观看| 国产精品 国内视频| 黑人巨大精品欧美一区二区mp4| 男人的好看免费观看在线视频 | 一区在线观看完整版| 自线自在国产av| 久久久久视频综合| 久热这里只有精品99| 久久影院123| 国产一区二区激情短视频| 在线观看舔阴道视频| 亚洲av熟女|