声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：21-1124/TP
国际刊号：1001-0920
发布日期:
作者：纪野,戴亚平,廣田薰,邵帅
单位：北京理工大学 自动化学院,北京 100081;北京理工大学 复杂系统智能控制与决策国家重点实验室,北京 100081,,北京理工大学 自动化学院,北京 100081;北京理工大学 复杂系统智能控制与决策国家重点实验室,北京 100081,,北京理工大学 自动化学院,北京 100081;北京理工大学 复杂系统智能控制与决策国家重点实验室,北京 100081,,北京理工大学 自动化学院,北京 100081;北京理工大学 复杂系统智能控制与决策国家重点实验室,北京 100081,
关键词：动态场景去模糊;对偶学习;生成对抗网络;注意力引导;特征图损耗函数
基金：国铁集团系统性重大项目(P2021T002)；北京市自然科学基金项目(L191020).
针对动态场景下的图像去模糊问题,提出一种对偶学习生成对抗网络(dual learning generative adversarial network,DLGAN),该网络可以在对偶学习的训练模式下使用非成对的模糊图像和清晰图像进行图像去模糊计算,不再要求训练图像集合必须由模糊图像与其对应的清晰图像成对组合而成.DLGAN利用去模糊任务与重模糊任务之间的对偶性建立反馈信号,并使用这个信号约束去模糊任务和重模糊任务从两个不同的方向互相学习和更新,直到收敛.实验结果表明,在结构相似度和可视化评估方面,DLGAN与9种使用成对数据集训练的图像去模糊方法相比具有更好的性能.
来源：2024年第4期
《控制与决策》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。