申请/专利权人：陕西师范大学

申请日：2023-10-31

公开（公告）日：2024-01-12

公开（公告）号：CN117392019A

主分类号：G06T5/77

分类号：G06T5/77;G06T5/50;G06V10/44;G06V10/82;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.30#实质审查的生效;2024.01.12#公开

摘要：一种基于边缘引导与多尺度残差块的古画修复方法，由建立古画修复数据集、构建古画修复网络、训练古画修复网络、保存模型、验证古画修复网络、测试古画修复网络步骤组成。由于本发明使用古画边缘图来引导古画补全网络生成完整古画，使得修复的内容与原始边缘相吻合；采用多尺度残差块来学习古画不同尺度的语义特征，有效地修复了受损区域的纹理和颜色，修复后的古画整体协调一致；采用极化自注意力机制模块，提高了修复模型对重要结构、边缘和细节的关注度，使修复区域恢复了清晰的线条和丰富的细节。本发明与现有技术相比，具有能够更好的修复古画纹理、边缘和色彩等优点，适用于古画的修复。

主权项：1.一种基于边缘引导与多尺度残差块的古画修复方法，其特征在于由下述步骤组成：1建立古画修复数据集从博物馆网站中获取的千里江山图、汉宫春晓图、富春山居图以及清明上河图作为样本数据来源，将其裁剪成高H宽W为256×256像素的古画样本，构成古画修复数据集，将古画修复数据集按照7：2：1划分为训练集、验证集、测试集；2构建古画修复网络古画修复网络由古画补全网络与色彩校正网络、马尔可夫判别器依次串联构成；所述的古画补全网络由下采样模块与极化自注意力机制模块、多尺度残差块组、上采样模块依次串联构成；所述的色彩校正网络由下采样模块与极化自注意力机制模块、普通残差块组、上采样模块依次串联构成；所述普通残差块组由4个普通残差块串联构成；3训练古画修复网络1确定模型整体损失函数模型整体损失函数LTotal包括感知损失函数LPerceptual、L1损失函数L1、直方图损失函数LHistogram、总变分损失函数LTV；按下式确定感知损失函数LPerceptual： 其中，y表示真实古画，x表示修复结果，Fix和Fiy分别表示VGG19网络的输出特征，N是特征层数；按下式确定L1损失函数L1： 其中，fxk和yk分别表示第k个样本的修复结果及对应完整古画，n为样本数，n取值为有限的正整数；按下式确定直方图损失函数LHistogram： 其中，wl是第l层的权重参数，Ol表示激活层，R表示直方图匹配，ROl是经过直方图匹配后的激活层，L为总层数，‖·‖F表示弗罗贝尼乌斯范数；按下式确定总变分损失函数LTV： 其中，i和j表示像素位置坐标，xi,j表示输入图像中的一个像素点，s、t分别为图像宽和高；按下式确定整体损失函数LTotal：LTotal＝λ1LPerceptual+λ2L1+λ3LHistogram+λ4LTV其中，λ1∈0,1]、λ2∈0,1]、λ3∈0,1]、λ4∈0,1]分别为感知损失函数LPerceptual、L1损失函数L1、直方图损失函数LHistogram、总变分损失函数LTV的权重；2训练古画修复网络将古画修复训练集输入到古画修复网络中进行训练，将判别器和生成器的学习率分别设置为0.0001、0.00001，批处理大小为8，采用Adam优化器优化生成器和判別器的参数，训练至模型整体损失函数LTotal收敛；4保存模型在训练古画修复网络的过程中，每迭代200次，保存一次权重文件；5验证古画修复网络将验证集输入到训练后的古画修复网络中进行验证；6测试古画修复网络将测试集输入到训练后的古画修复网络中进行测试，加载权重文件，得到修复后的古画。

全文数据：

权利要求：

百度查询： 陕西师范大学 基于边缘引导与多尺度残差块的古画修复方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD