申请/专利权人：陕西师范大学

申请日：2024-04-19

公开（公告）日：2024-07-05

公开（公告）号：CN118297853A

主分类号：G06T5/77

分类号：G06T5/77;G06T5/60;G06T5/10;G06N3/045;G06N3/0464;G06N3/0475;G06N3/094

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：一种基于傅里叶卷积的古画破损修复方法，由收集古画作品、生成掩膜图像、划分数据集、构建古画修复网络、训练古画修复网络、验证古画修复网络、测试古画修复网络步骤组成。本发明根据古画损伤的特点，采用了傅里叶增强模块、空间混合傅里叶卷积层、空间混合注意力模块，构建了适用于古画修复的古画修复网络，可以自动学习和理解古画的特征和损伤，实现更高程度的自动化修复，减少了人工干预和缩短了修复时间，能够学习大量的古画数据，提高修复的准确度和精细度，使修复后的画面更加清晰自然，恢复原貌，在修复过程中，可以更好地保留原始古画的风格和特色，避免过度修复导致失真或破坏原有的艺术特征，可用于破损古画的修复。

主权项：1.一种基于傅里叶卷积的古画破损修复方法，其特征在于由下述步骤组成：1收集古画作品从博物馆网站和图像数据库中筛选符合古画特点的作品，将收集到古画作品的像素高度H调整为256，宽度W调整为256，作为数据集S，S∈{X1,X2,…,Xn}，n为有限的正整数；2生成掩膜图像通过掩膜程序生成不规则的掩膜图像，生成的掩膜图像面积占总图像面积的10％～60％之间，采用PhotoShop软件调整掩膜图像的像素高度H为256、宽度W为256；3划分数据集将收集到的古画作品数据样本和所对应的掩膜图像按照7:2:1划分为训练集、测试集、验证集。4构建古画修复网络古画修复网络由下采样快与傅里叶增强模块1、傅里叶增强模块2、上采样模块依次串联构成。5训练古画修复网络1构建损失函数按下式构建损失函数LF：LF＝kLAdv+αLH 其中，LAdv为对抗损失，Dε为在本地补丁级别上工作的鉴别器，x是数据集中的样本，m是人工生成的掩膜，x^是修复后的结果，Ex表示对变量x取期望值，LD为鉴别器的损失函数，LG为生成器的损失函数，LH为大感受野感知损失，是高感受野基础模型，为高感受野基础模型对样本提取的特征，为高感受野基础模型对修复后结果提取的特征，M是两阶段顺序均值操作，k和α为损失函数的权重系数，其取值范围均为0，1，⊙为乘积运算；2训练古画修复网络将训练集输入到画破损修复网络中进行训练，训练过程的参数设置为：训练的服务器显卡为RTX3090，训练轮次为40，训练的批尺寸大小为8，训练至网络损失函数收敛；6验证古画修复网络将验证集输入到古画修复网络中进行验证；7测试古画修复网络将测试集输入到经训练后的古画修复网络中进行测试，对古画破损图像进行修复，输出修复后的古画。

全文数据：

权利要求：

百度查询： 陕西师范大学 基于傅里叶卷积的古画破损修复方法

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