(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210611043.8 (22)申请日 2022.05.31 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号哈尔滨理工大 学西区 (72)发明人 邓立为　李允发　 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/74(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于循环一致生成对抗网络的图像去 模糊方法 (57)摘要 本发明公开了一种基于循环一致生成对抗 网络的图像去模糊方法， 属于深度学习技术领域 以及图像处理领域。 该方法步骤主要包括： S1.对 下采样进行特征提取造成的信息缺失及单一尺 度获取特征相关性差的问题， 对生成对抗网络的 模型结构和损失函数进行优化； S2.针对成对数 据集获取难和合成数据集泛化能力差的问题， 提 出一种可以在非成对训练集上训练的生成对抗 网络模型； S3.设计在非成对训练集上的生成对 抗网络模型； S4.用多种损失构成网络的损失函 数， 包括均方误差、 对抗损失和循环一致损失； S5： 评价去模糊图像的效果， 进行均方误差， 峰值 信噪比， 结构相似性测量。 通过优化模糊图像恢 复算法解决便携摄像设备和被拍摄运动产生的 模糊图像， 全面提升图像质量， 提高人工智 能算 法的准确性。 权利要求书2页 说明书5页 附图2页 CN 114972097 A 2022.08.30 CN 114972097 A 1.一种基于循环一 致生成对抗网络的图像去模糊方法， 其特 征在于， 包括以下步骤： S1： 针对下采样进行特征提取造成的信息缺失及单一尺度获取特征相关性差的问题， 对生成对抗网络的模型 结构和损失函数进行优化； S2： 针对成对数据集获取难和合成数据集泛化能力差的问题， 提出一种可以在非成对 训练集上训练的生成对抗网络模型； S3： 在非成对训练集上训练的生成对抗网络模型； S4： 用多种损失构成网络的损失函数， 包括均方误差、 对抗损失和作为内容损失的感知 损失； S5： 评价去模糊图像的效果， 进行均方误差， 峰值信噪比， 结构相似性测量。 2.根据权利要求1所述的一种基于循环一致生成对抗网络的图像去模糊方法， 其特征 在于， 所述 步骤S1的具体步骤为： S1.1： 使用多尺度残差结构获取输入数据的多尺度特征， 采取注意力机制去除特征信 息在层间传递时可能造成的额外噪声； S1.2： 采用全局判别器和 局部判别器相结合的方式进行生成数据的判别； S1.3： 以成对数据集作为训练设计的网络模型在保证图像恢复效果的情况下， 进一步 提高模糊图像恢复的质量， 使得恢复图像更加清晰、 自然。 3.根据权利要求1所述的一种基于循环一致生成对抗网络的图像去模糊方法， 其特征 在于， 所述 步骤S2的具体步骤为： S2.1： 采用两组生成对抗网络建立起一种环形的网络结构， 从而将图像恢复问题转化 为模糊域与清晰域之间的图像翻译问题； S2.2： 采用对比学习网络和深度残差网络相结合构成两组网络的生成器学习图像域中 的信息， 进行模糊域和清晰域间的相互转化， 马尔科夫判别器作为两组网络的判别器提供 反馈信息， 更新两组生成对抗网络的参数。 4.根据权利要求1所述的一种基于循环一致生成对抗网络的图像去模糊方法， 其特征 在于， 所述 步骤S3的具体步骤为： S3.1： 使用对抗损失、 循环一 致损失共同构成损失函数控制网络的学习方向。 5.根据权利要求1所述的一种基于循环一致生成对抗网络的图像去模糊方法， 其特征 在于， 所述 步骤S4的具体步骤为： S4.1： 模糊图像输入到生成器生成循环清晰图像， 伪模糊输入到生成器生成循环伪清 晰图像； S4.2： 将真实的清晰图像输入到判别器， 将所述的模糊图像输入到判别器,同时将所述 伪清晰图像输入到判别器， 将所述伪模糊输入到判别器； S4.3： 计算循环一 致对抗网络的对抗损失， 其中生成器的对抗损失为： 判别器的对抗损失为： 计算循环一 致损失， 具体损失为：权　利　要　求　书 1/2 页 2 CN 114972097 A 2其中λ1表示循环一 致损失的权 重系数， 具体值 为10。 S4.4： 将判别器的对抗损失放入动量优化器Adam中， 优化判别器与判别器。 6.根据权利要求1所述的一种基于循环一致生成对抗网络的图像去模糊方法， 其特征 在于， 所述 步骤S5的具体步骤为： S5.1： MSE通过计算原始图像和待测图像所有对应像素点的均方差， 获取待测图像与原 始图像之间的损失程度， 计算公式为： S5.2： PSNR的数值可以有效的反应待测图像的真实程度， 在图像处理领域中的使用最 为广泛。 其具体的数学计算方式是将最大信号量和均方误差相比， 再对获取 的值进行对数 运算和常数运 算， 其计算公式为： S5.3： SSIM是通过图像的综合属性判断图像相似程度的评价性能指标， 其中综合属性 是指图像亮度、 图像对比度和结构三个因素综合作用的集合信息。 综合属 性中的亮度信息 需要通过图像中像素的均值来获取， 对比度信息需要将图像中像素的方差作为自身的数 值， 结构信息在数 学表示上使用像素的协方差作为自身信息的估计： 计算均值、 方差和协方差的数 学表达式如下： 与现有技术相比， 本发明的有益效果是： 利用该算法有效评估了去模糊图像的效果， 全 面提升了图像质量。权　利　要　求　书 2/2 页 3 CN 114972097 A 3