阶梯式图像去噪方法

为了提高对原始红绿蓝（RAW）和标准红绿蓝（sRGB）2种格式的真实噪声图像的去噪性能,提出了一种基于卷积神经网络的阶梯式图像去噪方法。第一阶段,利用单个通道内空间结构信息对图像各个通道独立去噪,获得初步去噪结果。第二阶段,利用噪声图像在不同通道的相关性进一步去噪,获得增强的去噪结果。在所提方法中引入误差反馈机制来减少采样带来的信息损失;使用密集残差连接模块使得提取到的噪声图像特征能更有效地复用和传播;利用通道注意力使得网络有选择性地增强信息量大的特征,抑制无用特征。将所提方法与常用的其他去噪方法比较,实验结果表明,在达姆施塔特噪声数据集的RAW/sRGB数据集上,所提方法分别达到了49.55 dB和39.55 dB的峰值信噪比（PSNR）;在跨通道数据集达到了39.52 dB的PSNR,较目前绝大多数方法具有更好的性能。     

基于双路编解码器的卷积神经网络在低照度图像增强和超分辨率中的研究

本文以高清户外直播技术为切入点,针对夜晚场景下受光照条件限制直播画面亮度低、不清晰的问题,提出了一种基于双路编解码器的卷积神经网络,应用于低照度图像增强和超分辨率,有效提升了户外直播的画面质量,降低了对传输带宽的需求,有利于提升户外直播的用户体验.     

双重自适应UKF在SINS初始对准中的应用

对无迹卡尔曼滤波（UKF）算法进行了改进,提出一种双重自适应UKF算法. 该算法能缩放噪声、平抑模型噪声;通过监测基于新息特性的自适应矩阵的迹并进行实时修改,达到抑制观测干扰的目的. 仿真结果表明,双重自适应UKF算法对于模型噪声和观测干扰十分敏感,同时具有较强的鲁棒性,能快速对其进行平抑.     

论“综效”思想在现代企业管理中的应用

“综效”的观念最初源自一种自然现象，即全体大于部分的综合。用史迪芬·R·何维（Stephen R．Covey）的话来对“综效”进行描述：“力量往往来自差异，而非相似之处，即整体大于个别的总和。当两个人合起来而产出的结果大于两个个人的产出时，‘综效’就发生了，‘统合综效’可让我们共同发现某些个别无法发现的事情。我们拥有了一种双赢的态度，就可达到‘统合综效’的效果。”