“刘郑学”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于循环神经网络的游戏超分辨率方法-CN202310310533.9在审
发明人：丁勇;黄函;刘郑学;汤峻;刘毅飞 -专利权人：浙江大学
申请日： 2023-03-28 - 公布日： 2023-08-01 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于循环神经网络的游戏超分辨率方法，属于超分辨率技术领域。本发明使用上一帧低分辨率图像、上一帧高分辨率图像估计结果和上一帧循环神经网络传递过来的隐藏层信息构建输入结构，通过神经网络模型估计当前帧的高分辨率图像并更新当前帧循环神经网络的隐藏层信息，然后将生成的信息传递给下一帧开启下一个循环。通过不断循环这个过程，基于本发明提出的游戏超分辨率方法，能够输入一帧低分辨率游戏画面，输出一帧高分辨率游戏画面，并充分利用了游戏画面序列在时间域上的信息，满足了游戏超分辨率在质量、实时性和延迟方面的需求。
一种基于循环神经网络游戏分辨率方法

[发明专利]基于结构-细节分离的双向循环神经网络超分辨率方法-CN202310268873.X在审
发明人：丁勇;刘毅飞;汤峻;刘郑学;黄函 -专利权人：浙江大学
申请日： 2023-03-20 - 公布日： 2023-07-18 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于结构‑细节分离的双向循环神经网络超分辨率方法，属于视频超分辨率技术领域。本发明主要包括以下步骤：1.提取低分辨率视频每帧图片的空间特征、结构特征和细节特征；2.计算每帧图片的前后向光流；3.将每帧图片的空间特征、结构/细节特征及前向光流输入网络，得到当前帧的前向结构/细节特征；4.将每帧图片的空间特征、结构/细节特征、后向光流及前向结构/细节特征输入网络，得到当前帧的后向结构/细节特征；5.将每帧图片的空间特征、结构/细节特征及前后向结构/细节特征进行计算得到重建结构/细节特征，将结果与空间特征进行计算得到高分辨结果。基于本发明提出的视频超分辨率方法可获得具有更多细节的高质量输出。
基于结构细节分离双向循环神经网络分辨率方法

[发明专利]基于可变形注意力的时空混合视频超分辨率方法-CN202211598046.9在审
发明人：丁勇;陆晨燕;汤峻;刘郑学;黄函 -专利权人：浙江大学
申请日： 2022-12-12 - 公布日： 2023-03-28 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于可变形注意力的时空混合视频超分辨率方法，属于视频超分辨率技术领域。本发明主要包括如下步骤：1.将进行预处理后的低分辨率视频数据流进行局部特征提取；2.接着进一步进行全局特征提取，经过串联的块丢弃注意力模块和可变形注意力模块，获取集聚全局信息的视频帧特征向量；3.再次进行局部特征提取并通过跳跃连接结合浅层特征信息；4.利用时间轨迹提取每一个空间块向量在时间维度上的特征信息并完成特征对齐；5.将获取的前后向超分结果融合并通过重建模块输出最终的高分辨率帧结果。基于本发明所提出的视频超分辨率重建方法可以获取较高质量的高分辨率视频，较之前的方法可以恢复处更加清晰的图像边缘并减少重影。
基于变形注意力时空混合视频分辨率方法

[发明专利]一种基于神经网络和形状约束的人脸关键点检测方法-CN202110144231.X有效
发明人：丁勇;戴悦;刘郑学;陆晨燕;汤峻 -专利权人：浙江大学
申请日： 2021-02-02 - 公布日： 2022-05-10 - 主分类号： G06V40/16 文献下载
摘要：本发明公开了一种基于神经网络和形状约束的人脸关键点检测方法，属于人脸识别和分析领域，用来解决人脸关键点检测的问题，主要应用于自动人脸识别、表情分析、三维人脸重建及三维动画等人脸相关问题。本发明主要包括如下步骤：首先，根据训练集标注的人脸关键点构建形状字典；接着，利用神经网络前向预测出关键点的热图；然后，根据热图构建初始形状特征和权重矩阵；最后，重建形状特征。本发明可以实现遮挡情况下的人脸关键点检测，计算速度快，计算复杂度低，检测精度高。
一种基于神经网络形状约束关键检测方法

[发明专利]基于深度学习和人类视觉特性的双通道立体图像质量评价方法-CN202111186733.5在审
发明人：丁勇;徐晓舒;孙阳阳;刘郑学 -专利权人：浙江大学
申请日： 2021-10-12 - 公布日： 2022-01-04 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于深度学习和人类视觉特性的双通道立体图像质量评价方法。包括：1.建立预训练的数据库，即从网络的图像库中，根据不同的物体类别选取700‑800张分辨率不低于448×672的自然彩色图像，利用算法对其施加四种不同类型的失真。2.在构建好数据库后，使用平面图像质量评价算法计算预训练库的图像质量相似图。3.训练视觉显著性相关的卷积神经网络。4.利用立体图像质量评价数据库，学习双目视差特征，得到立体图像质量评价网络。本发明所提出的基于深度学习和人类视觉特性的双通道立体图像质量评价方法结合了深度学习的方法和人类视觉特性的特征，在各大3D数据库中取得的数据指标均优于目前现存的大部分算法。
基于深度学习人类视觉特性双通道立体图像质量评价方法