基于CNN和多光谱光度学立体结合的单幅图像三维重构

该资源为博客《激光雷达点云与单幅图像配准/映射变为彩色点云》案例中的点云数据。

该资源为博客《激光雷达点云与单幅图像配准/映射变为彩色点云》中所用的二维图像

李佳星, 赵勇先, 王京华. 基于深度学习的单幅图像超分辨率重建算法综述. 自动化学报, 2021, 47(10): 2341−2363

李佳星, 赵勇先, 王京华. 基于深度学习的单幅图像超分辨率重建算法综述. 自动化学报, 2021, 47(10): 2341−2363 来源网址：http://www.aas.net.cn/article/doi/10.16383/j.aas.c190859

本项目利用DCGAN网络训练数据集完成去雨 参考资料： #初步模型建立 #github code pytorch #深度理解 #资料总结 #其他应用实例文献

调整后的锚定邻域回归（A +）方法是用于单幅图像超分辨率的最新方法之一。 A +方法的一个重要的隐含假设是，与相似的低分辨率（LR）图像块相对应的高分辨率（HR）图像块也必须相似。 因此，HR补丁空间和LR补丁空间中的邻域回归可以共享相同的代表系数。 但是，由于超分辨率问题的不适性，该假设通常是无效的，并且非相似的HR样本色块通常共享较大的代表系数。 为了解决这个问题，我们建议通过将高分辨率的基于相似度的调整权重引入HR表示系数来改进A +方法，以减少这些非相似HR样本补丁的影响。 在超分辨率处理之前，这些调整权重以低的计算成本被合并到投影矩阵中。 数值结果表明，该方法能够以较低的计算成本有效地提高A +方法的性能。

NoiseLevel 估计输入单个噪声图像的噪声水平。 [nlevel th num] = NoiseLevel(img,patchsize,decim,conf,itr) 输出参数nlevel：估计的噪音水平。 th：在最后一次迭代中提取弱纹理补丁的阈值。 num：上次迭代中提取的弱纹理补丁的数量。 维度输出参数与输入图像的通道相同。 输入参数img：输入单张图片patchsize（可选）：补丁大小（默认值：7） decim（可选）：抽取因子。 如果你输入大数，计算会加速。 （默认值：0） conf（可选）：确定弱纹理阈值的置信区间。 在此算法中，通常将此值设置为非常接近的值。 （默认值：0.99） itr（可选）：迭代次数。 （默认：3） 例子： img = double(imread('img.png')); nlevel = NoiseLevel(img); 网页： http

matlab代码影响ResDerainNet 使用残留深度学习（ICIP'18）去除单幅图像的雨水 [] 大多数户外视觉系统可能会受到阴雨天气的影响。 在本文中，我们从单个图像中解决了除雨问题。 由于低频层中信息的忽略，一些现有的去雨方法遭受色调变化。 其他人则没有假设足够多的雨天图像模型。 为了解决这些问题，我们提出了一种称为ResDerainNet的残留深度网络体系结构。 基于深度卷积神经网络（CNN），我们从数据中学习了雨天图像和残差图像之间的映射关系。 此外，为了进行训练，我们考虑了各种降雨模型来合成降雨图像。 具体来说，我们主要关注复合模型以及降雨条纹的方向和尺度。 实验表明，我们提出的模型适用于各种图像。 与最先进的方法相比，我们提出的方法在合成图像和现实图像上均能达到更好的效果。 引文 如果使用此代码，请引用本文。 @INPROCEEDINGS{8451612, author={T. {Matsui} and T. {Fujisawa} and T. {Yamaguchi} and M. {Ikehara}}, booktitle={2018 25th IEEE Inte

Im2Avatar: 基于TensorFlow实现的单幅图像的彩色3D重建