基于扩散模型的车牌超分辨率
这项研究致力于使用超分辨率技术来处理模糊的车牌。通过对比不同的超分辨率模型,希望找到最适合这项任务的模型,为未来的研究者提供有价值的参考。
Mar, 2024
本研究旨在应用深度学习技术,结合关注机制和 Transformer,提高低分辨率监控图像的车牌识别精度,并通过基于光学字符识别的损失函数对图像特征进行抽取,证明我们的方法在定量和定性上都优于现有的方法。
May, 2023
该论文提出了一种基于卷积神经网络的算法,可用于从低质量图像中识别车牌。作者设计了一个端到端的可训练网络 Single Noisy Image DEnoising and Rectification (SNIDER),将图像去噪和矫正作为一个任务进行,提出了多任务拟合和新的训练 - loss 的优化方法,并在两个数据集上进行了广泛的实验,结果表明该方法可以有效地从低质量车牌图像中恢复高质量车牌图像,且表现优于其他现有的方法。
Oct, 2019
本文提出了一种基于深度学习的级联结构,在自然场景图像中使用卷积神经网络(CNN)和循环神经网络(RNN)来检测和识别汽车车牌,具有高召回率、高精确度和无需分割的优点。
Jan, 2016
本文提出了一种实时精准的自动车牌识别方法,其中采用了基于卷积神经网络的车牌识别模型、几何校正模型以及字符编码器等技术,通过使用顶点信息和共享特征分类器等,达到了较好的识别效果及较强的泛化能力。
Nov, 2020
使用基于卷积神经网络(CNN)的 YOLOv4-tiny 模型检测车牌,利用卷积递归神经网络(CRNN)和 CCT 算法进行检测,无需将字符分割和标注,只需提取车牌号码。
May, 2023
本文提出了一种简单的方法来进行高效图像超分辨率,该方法采用了扩散模型的基本结构,通过建立领域之间的转移关系,学习统计特性的差异以促进逐步插值,并通过参考输入的 LR 图像对转移领域进行条件控制,实验结果表明,该方法不仅优于最先进的大规模超分辨率模型,也优于当前的扩散模型,此方法可以方便地扩展到其他图像到图像的任务,如图像增强、修复、去噪等。
Nov, 2023
提出了一种名为 SinSR 的简单而有效的方法,通过仅需要一步推断即可生成超分辨率图像,同时利用新的一致性保持损失,以实现比之前最先进方法和教师模型更优的性能和高达 10 倍的推断加速。
Nov, 2023
本研究提出了一种融合深度神经网络的方法,在单个前向传递中同时定位车牌并识别车牌上的字符。与现有方法不同的是,我们的方法可以避免中间误差的积累,并加快处理速度,并在三个数据集上进行实验,证明了我们的方法的有效性和效率。
Sep, 2017