摩尔纹图案自动去除技术综述

亓文法; 刘宇鑫; 郭宗明

doi:10.7544/issn1000-1239.202220797

摩尔纹图案自动去除技术综述

北京大学王选计算机研究所　北京　100080

基金项目: 国家自然科学基金项目（U1636206）；出版业科技与标准重点实验室（新闻出版智能媒体技术重点实验室）项目

详细信息

作者简介:
亓文法: 1978年生. 博士，助理研究员. CCF高级会员. 主要研究方向为信息隐藏、图像处理和机器学习

刘宇鑫: 1985年生. 硕士，工程师. CCF会员. 主要研究方向为信息隐藏、图像处理、机器学习

郭宗明: 1966年生. 博士，研究员. CCF杰出会员. 主要研究方向为流媒体技术、图像处理、信息安全

通讯作者:
郭宗明（guozongming@pku.edu.cn）

中图分类号: TP391
计量
- 文章访问数: 288
- HTML全文浏览量: 445
- PDF下载量: 133
出版历程
- 收稿日期: 2022-09-05
- 修回日期: 2023-05-14
- 网络出版日期: 2023-11-30
- 刊出日期: 2024-03-01

Survey of Automatic Removal of Moiré Pattern

Wangxuan Institute of Computer Technology, Peking University, Beijing 100080

Funds: This work was supported by the National Natural Science Foundation of China (U1636206) and the Key Laboratory of Science, Technology and Standard in Press Industry (the Key Laboratory of Intelligent Press Media Technology).

More Information

Author Bio:
Qi Wenfa: born in 1978. PhD, assistant professor. Senior member of CCF. His main research interests include information hiding, image processing, machine learning

Liu Yuxin: born in 1985. Master, engineer. Member of CCF. His main research interests include information hiding, image processing, and machine learning

Guo Zongming: born in 1966. PhD, professor. Distinguished member of CCF. His main research interests include network video technology, image processing, and information security

摘要

摘要:
如今，数码相机和智能手机在人们的生活中扮演着越来越重要的角色，已经成为人们感知世界、记录信息和沟通交流的主要工具. 当使用这些设备拍摄电子屏幕时，显示设备和摄像头传感器网格之间往往会发生混叠，通常导致图片中存在不规则分布的摩尔纹干扰图案，从而严重影响了拍摄图像的视觉质量效果. 因此，摩尔纹图案去除方法研究对于拍摄图像的后期处理具有重要意义. 为此，详细梳理了摩尔纹去除研究的发展脉络，并根据不同的适用场景和技术实现将现有方法分为2类：基于先验知识的摩尔纹去除方法和基于深度学习的摩尔纹去除方法. 鉴于深度学习网络中训练数据集的收集和对齐方式不同，该类方法又分为基于卷积神经网络（CNN）的摩尔纹去除方法和基于生成式对抗网络（GAN）的摩尔纹去除方法. 在此基础上，选择相同的公开数据集，对主流的深度学习方法进行算法实现和性能对比分析，并分别总结了各类方法的优缺点. 最后，对未来的研究方向进行展望.
- 摩尔纹图案 /
- 图像恢复 /
- 多尺度 /
- 深度学习 /
- 卷积神经网络 /
- 生成式对抗网络
Abstract:
Nowadays, digital cameras and smart phones have played an increasingly important role in daily lives, and have become the main tools for people to perceive the world, record information and communicate with each other. When these devices are used to shoot electronic screens, the irregular Moiré patterns in the image are produced due to the overlap of the display devices and digital grids of the camera sensor, which seriously affects the visual quality of the captured images. Therefore, the removal of Moiré pattern is of great significance for the post-processing of captured images. In this paper, recent research about Moiré removal is reviewed in detail, and the existing methods are classified into two categories according to different application scenarios and technical implementations: prior knowledge based Moiré removal and deep learning based methods respectively. According to different training data acquisition and alignment methods, deep learning based Moiré removal techniques can be divided into convolutional neural network (CNN) based methods and generative adversarial network (GAN) based methods. Then, based on the same public dataset, we implement the mainstream deep learning based Moiré removal algorithms, compare and analyze their performance, and summarize the advantages and disadvantages of various methods. Finally, possible directions for future research are discussed.
- Moiré pattern /
- image restoration /
- multiscale /
- deep learning /
- convolutional neural network /
- generative adversarial networks

HTML全文

天际线（Skyline）查询^[1]作为多目标决策、兴趣点发现、推荐系统等领域关键问题的一种解决途径，在2001年被提出，自此受到研究学者的广泛关注与研究. 近些年，Skyline查询研究拓展到不确定数据Skyline查询^[2]﹑数据流Skyline查询^[3]﹑动态Skyline查询^[4]﹑反Skyline查询^[5] 、偏好Skyline查询等方面，其中偏好Skyline查询可以返回满足用户偏好需求的结果集. 针对因用户偏好不同导致属性的重要性不同问题，研究者们提出了新的支配关系与算法. 但已有研究主要集中在非道路网的用户偏好Skyline查询或者道路网单用户偏好Skyline查询方面，没有考虑道路网多用户偏好和权重的Top-k Skyline查询.

传统偏好Skyline查询算法主要存在3点局限性：1）偏好Skyline查询需要确定属性的重要程度，由于不同用户权重与偏好不同，因此不同属性的重要程度也不一致，而已有研究中较少有提出将用户偏好和权重综合考虑，得到对用户群统一的属性重要程度次序处理方法；2）传统偏好Skyline查询算法大多未考虑道路网环境下的距离维度，只考虑静态维度；3）传统偏好Skyline查询算法返回的结果集过大、无序，不能给用户提供有效的决策支持.

因此，针对道路网多用户偏好Top-k Skyline查询问题，本文提出满足多用户不同权重和偏好需求的查询方法.

本文的主要贡献有3点：

1）针对道路网存在大量数据点以及多查询用户场景，需要计算数据点到各个查询用户的道路网距离，从而产生的很大距离计算开销，为了提升距离计算效率，本文根据所提的Vor-R^*-DHash索引结构以及数据点与查询用户群的空间位置关系，提前剪枝在距离维度被支配的大量数据点.

2）针对在道路网Top-k Skyline查询处理时未综合考虑多用户不同权重和偏好以及返回的结果集数量不可控的问题，本文首先提出整体属性权重值的概念，综合考虑用户权重和偏好；并进一步提出用户群权重偏好次序，并基于此次序提出一种新的支配，即K-准放松支配；接着根据偏好次序进行逐次放松支配，使返回结果集大小可控；同时当k值改变时，动态调整放松轮次即可获取候选结果集CS，而无需重新计算距离、偏好次序等，减少了查询计算开销.

3）针对Skyline查询返回结果集无序的问题，本文基于z-整体属性权重值，提出了选取Top-k个结果集的打分函数，对候选结果集CS打分排序，返回有序结果集.

1. 相关工作

Skyline查询主要分为集中式查询和分布式查询. 其中集中式查询主要分为使用索引结构和不使用索引结构. 使用索引结构的算法常用R-tree等索引结构，例如文献[6]利用最近邻（nearest neighbor，NN）算法和R-tree索引查找Skyline点，基于R-tree可以快速判断数据点是否为Skyline点，接着利用数据点进行子集合的划分，递归查找Skyline点. 不使用索引结构的Skyline查询算法主要有基于排序的SFS（sort-filter Skyline）算法^[7]. 而Skyline查询在不断发展过程中又产生了许多变种问题，例如K-支配空间Skyline查询^[8]﹑连续Skyline查询^[9]﹑针对推荐系统的范围障碍空间连续Skyline查询^[10]﹑概率Skyline查询^[11]以及Top-k Skyline查询等^[12-13].

在集中式计算环境下，文献[14]根据用户不同偏好提出了维度不确定的定义，根据维度特征划分数据，进行Skyline概率支配测试，同时利用阈值处理大规模数据集Skyline查询问题. 文献[15]提出一种高效偏序域Skyline查询处理方法，利用倒排索引进行Skyline查询. 在并行计算环境下，文献[16]提出了不完全数据集的偏好Skyline查询算法SPQ（Skyline preference query）. 文献[17]根据用户的偏好，基于Voronoi图将数据对象划分到不同网格中，并行计算所有对象组合，获取动态Skyline结果. 文献[18]提出了MapReduce下Top-k Skyline偏好查询.

道路网Skyline查询近些年来也受到越来越多的关注. 道路网Skyline查询既考虑数据点的路网空间属性，又考虑非空间属性. 文献[19]提出了基于范围的移动对象连续Skyline查询处理方法，利用Voronoi图组织道路网中的数据点，通过所提的3种算法减少道路网产生的相交节点数和距离计算开销. 文献[20]提出了道路网环境下综合考虑空间距离和社交距离的Skyline组用户查询方法.

Top-k Skyline查询在多目标决策中往往更具优势，因为它可以控制返回的结果集数量. 文献[21]提出基于安全区域技术解决连续Top-k Skyline查询结果更新问题，提出了结合Top-k查询和Skyline查询的安全区域构建算法. 文献[22]提出了MapReduce环境下Top-k Skyline处理方法. 文献[23]将K-Skyband查询与Top-k Skyline查询结合处理大数据集的Top-k Skyline查询.

目前道路网环境下Top-k Skyline查询研究大多集中在单用户场景，较少考虑多用户偏好和权重不同的场景. 针对已有方法的不足，本文利用查询点与数据点的位置关系剪枝数据集，利用所提的K-准放松支配控制结果集数量；利用所提的打分函数返回有序结果集，在理论论证和分析基础上提出了道路网多用户偏好Top-k Skyline查询方法.

2. 主要定义

设道路网环境下数据集P={p₁, p₂,…, p_n}，查询用户群G={q₁, q₂,…, q_m}.

定义1. 道路网距离支配. 给定查询用户群G、数据点p₁、数据点p₂，数据点之间的距离为Dist，当且仅当Dist（p₁, q_i）≤Dist（p₂, q_i），1≤i≤m；且存在Dist（p₁,q_i）<Dist（p₂, q_i），1≤i≤m，称p₁道路网距离支配p₂，记作p₁►p₂. 本文距离如不特殊说明，则为道路网距离.

定义2. 整体属性权重. 给定查询用户群G，用户权重w={w₁,w₂,…,w_m}，用户q_i的查询关键字keys={C₁，C₂}，C₁为优先考虑的属性集合，C₂为一般偏好的属性集合，任意维度d_j的整体属性权重W_j如式（1）：

${W}_{j}={ \mathop {\sum }\limits_{i=1}^{m}{s}_{i}\cdot {w}_{i}}\text{，}$

(1)

其中s_i代表属性d_j对于用户q_i的重要性得分.

在属性的重要性程度计分时，将属性偏好分为3类：优先考虑﹑一般偏好和未考虑. 不同类别分数不同，例如C₁中的属性被赋予2分，C₂中的属性被赋予1分，未考虑的属性被赋予0分.

定义3. 用户群权重偏好次序. 指针对查询用户群属性的有序集合 GP={d₁, d₂, …, d_i},其中d_i代表任意属性，GP中属性对用户群的重要性程度呈非递增排列. 用户群权重偏好次序综合考虑用户的偏好和权重.

定义4. K-准放松支配（KPRD）. 设P为数据集，数据维度空间为D，d_j为任意维度，总维度数为r，θ=（θ₁,θ₂,…,θ_K）是D上K个维度的无差异阈值. 数据点p_i，p_t $\in$ P，p_i K-准放松支配p_t，记作p_iϾp_t，当且仅当：

$\left\{ {\begin{array}{*{20}{c}} {|\{ j|{p_i}[{d_j}] - {p_t}[{d_j}] \gt {\theta _j}\} | = 0,} \\ {|\{ j|{p_t}[{d_j}] - {p_i}[{d_j}] \gt 0\} | \lt |\{ j|{p_i}[{d_j}] - {p_t}[{d_j}] \gt 0\} |,} \end{array}} \right.$

(2)

其中1≤j≤K.

定义5. 道路网多用户偏好Top-k Skyline查询. 给定道路网路段集R、查询用户群G、数据集P、用户的查询关键字集合keys和用户权重集合w，道路网多用户偏好Top-k Skyline查询返回P的一个子集. 该子集中数据点在道路网的距离维度和静态维度都不能被P中任意其他数据点支配，并且是根据用户群偏好和权重排序的Top-k个数据点. 本文将道路网多用户偏好Top-k Skyline查询方法记作MUP-TKS.

3. 道路网多用户偏好Top-k Skyline查询

本文提出的道路网多用户偏好Top-k Skyline查询方法主要分为3个部分：距离较优集选取﹑K-准放松支配和Top-k个数据点选取.

3.1 道路网距离较优集选取方法

定义6. Mindist距离^[24]. r维欧氏空间中，点p到同一空间内某矩形N的最小距离为Mindist（N, p）.

定义7.Edist距离. 设查询用户群的最小外接矩形（minimum bounding rectangle，MBR）为Q，数据点p的MBR为N，则min{Mindist（p, Q）}为（Q, N）最小欧氏距离，记作Edist_min；max{Mindist（p, Q）}为（Q, N）最大欧氏距离，记作Edist_max.

定义8.Ndist距离. 设查询用户群的MBR为Q，数据点p的MBR为N，有min{Ndist（p, Q）}为（Q, N）最小网络距离，记作Ndist_min；max{Ndist（p, Q）}为（Q, N）最大网络距离，记作Ndist_max，其中p为N中的任意数据点，Ndist（p,Q）为p到Q的网络距离.

定理1. 设查询用户群的MBR为Q，道路网中数据点构成的2个中间节点分别为N₁，N₂，若DE₁=Edist_min（Q, N₂），DE₂=Edist_max（Q, N₁），DN₁=Ndist_max（Q, N₁），并且DE₁>DE₂，DE₁>DN₁，则N₁►N₂，且N₂中任意数据点都被N₁中数据点距离支配.

证明. 假设DN₂=Ndist_min（Q, N₂），因为欧氏距离值一定小于等于道路网距离值，所以当DE₁>DE₂且DE₁>DN₁时一定有DN₂≥DE₁，可得DN₂>DN₁，即N₂中数据点到Q的最小网络距离大于N₁中数据点到Q的最大网络距离，进而可得N₂中任意数据点到Q的网络距离都大于N₁中任意数据点到Q的网络距离. 因此N₁►N₂，且N₂中任意数据点被N₁中任意数据点道路网距离支配.证毕.

剪枝规则1. 设数据点构成的MBR分别为N₁，N₂，查询用户群的MBR为Q，如果满足：Edist_max（Q, N₁）≤Edist_min（Q, N₂），并且Ndist_max（Q, N₁）<Edist_min（Q, N₂），则节点N₂可被剪枝.

定义9. 道路网最大距离的最小值. 给定数据点p₁，p₂，查询用户群G，数据点p到查询点q的道路网距离为Ndist（p, q）. 若有DN₁=max{Ndist（p₁, q_i）}，DN₂=max{Ndist（p₂, q_i）}（1≤i≤m），并且DN₁<DN₂，则当前道路网最大距离的最小值为DN₁，记作DN_MaxMin.对应的数据点为p₁.

定理2. 若节点N的Edist_min（Q, N）>DN_MaxMin，则节点N可被剪枝.

证明. 因为Edist_min（Q, N）>max{Ndist（p, q_i）}（1≤i≤m），所以Ndist_min（Q, N）>max{Ndist（p, q_i）}，即p►N，且N中数据点也被p距离支配.证毕.

剪枝规则2. 若Edist_min（Q, N）≥DN_MaxMin，则节点N被支配，即N和N中数据点{p₁, p₂,···, p_i}被剪枝.

如图1所示，数据点p₁，p₂到查询用户群{q₁, q₂, q₃}的最大网络距离分别为DN₁，DN₂，有DN₁>DN₂，则DN_MaxMin=DN₂. 数据点{p₃,p₄,p₅,p₆,p₇,p₈}构成的MBR为N₁；若Edist_min（Q, N₁）>DN_MaxMin，可得N₁中数据点到各查询用户的网络距离大于DN_MaxMin，因为Edist_min（Q, N₁）>DN_MaxMin，且有min{Ndist（p₂, q_i）}≥Edist_min（Q,N₁）（1≤i≤3），所以p₂►N₁，N₁可被剪枝.

图 1 剪枝规则2示例

Figure 1. Example of pruning rule 2

下载: 全尺寸图片幻灯片

定理3. 设DE为数据点p_i到查询用户q_j的欧氏距离，若min{DE（p_i, q_j）}>DN_MaxMin（1≤j≤m），则p_i被剪枝.

证明. 假设p₁为DN_MaxMin对应的数据点，若min{DE（p_i,q_j）}>DN_MaxMin，则有Ndist（p,q_j）>DN_MaxMin（1≤j≤m），即数据点p₁►p，p可被剪枝.证毕.

剪枝规则3. 假设数据点p₁为DN_MaxMin对应的数据点，若存在DN_MaxMin<min{DE（p_i, q_j）}（1≤j≤m），则p₁►p_i，可将p_i从候选集中删除，其中p_i为任意不为p₁的数据点.

为了减少计算，在剪枝前基于路网数据点的网络Voronoi图构建Vor-R^*-DHash索引结构，如图2所示.

图 2 Vor-R^*-DHash索引结构

Figure 2. Index structure of Vor-R^*-DHash

下载: 全尺寸图片幻灯片

Vor-R^*-DHash索引结构构造过程有3步：

1）构建路网所有数据点的网络Voronoi图.

2）创建R^*-tree.从R^*-tree的根部开始，从上至下、从左至右给每个节点编号，从0开始编号.

3）构建2级HashMap结构，第1级HashMap为first_hash、key为R^*-tree中每个节点编号；第2级HashMap为sec_hash、key为后续剪枝处理需要的值，包括isNode（非数据点的节点）、MinE（节点到Q的最小欧氏距离值）、MaxE（节点到Q的最大欧氏距离值）、MinN（节点到Q的最小网络距离值）、MaxN（节点到Q的最大网络距离值）、{DN₁, DN₂,…, DN_i}（数据点到各查询用户的网络距离）、{DE₁, DE₂,…, DE_i}（数据点到各查询用户的欧氏距离）.

2级key对应的value值初始都为空，若数据点根据剪枝规则提前被剪枝，则这些值无需计算.DE_i，DN_i的值也是后续需要使用才被计算，并存入sec_hash.

基于剪枝规则1~3和Vor-R^*-DHash索引结构，进一步给出距离较优集选取方法，如算法1所示.

算法1. 距离较优集选取方法 G_DBC.

输入：查询用户群G，道路网路段集R，数据集P；

输出：距离维度不被支配的距离较优集DBC.

①　以P中数据点、道路网路段集R构建 Vor- R^*-DHash索引；

②　构建查询用户群的最小外包矩形Q；

③　初始化DBC← $\varnothing$ ；

④　根据索引找到距离查询用户最近的点point；

⑤　将point加入DBC中；

⑥　计算数据点到各查询用户的网络距离 Ndist（p, q_i）、欧氏距离DE（p, q_i）；

⑦　将数据点网络距离、欧氏距离存入sec_hash；

⑧　找到数据点到查询用户的网络距离最大值的最小值；

⑨　DN_MaxMin←min{Ndist（p,q_i）}； /*将最小值赋给DN_MaxMin*/

⑩　将数据点父节点N_i加入队列queue中；

⑪　计算N_i到Q的最小、最大欧氏距离和最小、最大网络距离，存至sec_hash；

⑫　N₁←min{MaxN}； /*将当前支配能力最强的节点赋值给N₁*/

⑬　for node in queue do

⑭　　if node的孩子节点都被访问过 then

⑮　　　将node的父节点加入queue中；/*向上一层访问*/

⑯　　end if

⑰　　if node的孩子节点N为非叶子节点 then

⑱　　　计算N到Q的欧氏距离DE₁；

⑲　　　if DE₁ > DN_MaxMin then

⑳　　　　Cut N；/*将N剪枝,剪枝规则2*/

㉑　　　else if MaxE（N₁） < MinE（N）且 MaxN（N₁）<MinE（N） then

㉒　　　　Cut N；/*剪枝规则1*/

㉓　　else

㉔　　　将N加入队列queue；

㉕　　　计算N到Q的最小、最大网络距离, 并存至sec_hash；

㉖　　　更新N₁←min{MaxN}；/*当前支配能力强的节点赋给N₁*/

㉗　　　end if

㉘　　end if

㉙　 if node的孩子节点N为叶子节点 then

㉚　　计算数据点到各查询用户欧氏距离 DE（p,q_i）；

㉛　　if min{DE（p,q_i）} > DN_MaxMin then

㉜　　　Cut N；/*剪枝规则3*/

㉝　　else

㉞　　　计算N到各查询用户网络距离DN；

㉟　　　 if min{DN} > DN_MaxMin then

㊱　　　　Cut N；

㊲　　　 else

㊳　　　　将N与DBC中数据点支配比较；

㊴　　　　if N被支配 then

㊵　　　　　Delete N；

㊶　　　　else

㊷　　　　　　将N加入DBC中；

㊸　　　　　　更新DN_MaxMin←min{DN}；

㊹　　　　end if

㊺　　　 end if

㊻　　end if

㊼　 end if

㊽　end for

㊾　return DBC.

算法1首先构建Vor-R^*-DHash索引和查询用户群最小外接矩形Q，可快速得到距离查询点最近的数据点point，计算并保存sec_hash所需数据. 将point加入距离较优集DBC，并初始化DN_MaxMin. 接着将point父节点加入队列queue中，计算并保存sec_hash所需数据，并初始化N₁. 每次取出队头节点处理，依据剪枝规则1~3进行节点的剪枝或者将节点加入DBC，并判断是否需要更新N₁，DN_MaxMin等值，直至队列为空，循环结束. 最后返回距离较优集DBC.

3.2 数据集的放松支配过程

3.2.1 获取用户群权重偏好次序

首先初始化整体属性权重集合.W={W₁,W₂,…,W_i}={0,0,…,0}；接着计算每个属性的整体属性权重值得到W；最后对整体属性权重值不为0的属性降序排列，得到属性的重要性次序，即用户群权重偏好次序.

在获取用户群权重偏好次序时，为了减小计算开销，利用HMap₁，HMap₂分别保存优先考虑的属性和一般偏好的属性. 当用户发起查询时，将C₁中属性作为键，对应的用户权重作为值保存到HMap₁；将C₂中属性作为键，对应的用户权重作为值保存到HMap₂.

进一步给出获取用户群权重偏好次序算法CDW，如算法2所示.

算法2. 获取用户群权重偏好次序算法 CDW.

输入：用户群G，用户查询关键字keys，用户权重w，维度空间D；

输出：用户群权重偏好次序GP.

①　初始化W为0； /*大小为数据集维度数*/

②　根据keys，w创建HMap₁，HMap₂；

③　for d_j ∈D do

④　　基于HMap₁、HMap₂和式（1）得到W_j ；

⑤　end for

⑥　根据W降序得到用户群权重偏好次序GP；

⑦　return GP. /*返回用户群权重偏好次序*/

3.2.2 基于用户群权重偏好次序的K-准放松支配

获取用户群偏好次序后，基于该次序进行放松支配处理. 本文中K为整体属性权重值不为0的维度数. 放松支配过程的处理对象为DBC与静态Skyline集取并集后的集合S. 经K-准放松支配后得到数量可控的候选结果集CS.

定理4. 任意2个数据点p_i，p_j∈P，若第i（i>0）轮在K个维度上p_iϾp_j，则数据点p_i必定在前K–i维支配数据点p_j.

证明. 若在第i轮p_iϾp_j，可知该轮的无差异阈值为（0,0,…,0,θ_K−_i+1,…,θ_K），进而可得前K–i维使用的无差异阈值为（0,0,…,0），所以前K–i维为严格支配比较，即数据点p_i必定在前K–i维支配数据点p_j.证毕.

定理5. 数据集P经过第i（i>1）轮放松支配后所得结果集S_i一定是第i–1轮放松支配后所得结果集S_i−1的子集.

证明. 设第i轮放松的维度为第（K–i+1）~K维，第i–1轮放松的维度为第（K–i+2）~K维，其余维度使用严格支配. 可知第i轮的无差异阈值为（0,0,…,0,θ_K−i+1,θ_K−_i+2,…,θ_K），第i–1轮的无差异阈值为（0,0,…,0,θ_K−_i+2,…,θ_K），进而可知第i–1轮在前K–i+1个维度为严格支配比较，即在前K–i+1个维度的无差异阈值为（0,0,…,0）. 第i轮不同于第i–1轮之处在于对第K–i+1维进行了放松支配，即在前K–i+1个维度无差异阈值为（0,0,…,0,θ_K−_i+1），所以有S_i $\subseteq$ S_i−1.证毕.

由定理4、定理5可直接得出定理6.

定理6. 给定数据集S，结果集数量随着每一轮放松而呈单调非递增趋势，即

${\text{|}}KPRD{\text{(}}i - 1,D,S{\text{)|}} \leqslant {\text{|}}KPRD{\text{(}}i,D,S{\text{)| }}{\text{. }}$

(3)

为使返回的结果集更符合用户群偏好，并保证数量可控，基于定理4~6进行逐次放松支配. 逐次放松支配过程中，θ是D上K个维度的无差异阈值，θ =（θ₁, θ₂, …, θ_K）. 假定当前放松轮次为第i轮（1≤i≤K），无差异阈值θ =（0,0,…,0,θ_K−_i+1,…,θ_K）. 位于d_i前面的维度重要性都要高于d_i，因此该轮放松支配维度d₁~d_i−1都使用严格支配比较. 放松支配从对用户群而言最不重要的属性开始，并预先将数据点按照用户群权重偏好次序非递增排序，距离维度值用数据点到查询用户群网络距离的最大值表示.

基于以上讨论，进一步给出基于用户群权重偏好次序的K-准放松支配算法KPRD，如算法3所示.

算法3. 基于用户群权重偏好次序的K-准放松支配算法KPRD.

输入：用户群G，无差异阈值θ，并集S，数据维度空间D，k值，用户查询关键字keys，用户权重w；

输出：候选结果集CS.

①　GP←call CDW（G, keys, w, D）；/*调用算法2 获取用户群权重偏好次序GP*/

②　K←|GP|； /*整体属性权重值大于0的维度数*/

③　根据GP调整S中数据点；

④　初始化CurS←S； /*CurS为每轮放松支配后的结果集*/

⑤　初始化oldCount←|S|； /*保存上一轮结果集个数*/

⑥　初始化curCount ←|CurS|；/*保存本轮结果集个数*/

⑦　for j = K to 1 do /*进行最多K轮放松支配*/

⑧　　for every p_i，p_j ∈ CurS do

⑨　　　if p_iϾp_j then

⑩　　　　将p_j从CurS删除；

⑪　　　　 curCount = curCount −1；

⑫　　　end if

⑬　　end for

⑭　　if oldCount ≥ k 且 curCount < k then

⑮　　　CS←S；

⑯　　　return CS；/*返回上一轮的结果集*/

⑰　　else

⑱　　　将CurS结果集保存至文件；

⑲　　　S←CurS；/*更新S*/

⑳　　　 oldCount←|S|；/*更新oldCount*/

㉑　　end if

㉒　end for

㉓　CS←CurS；

㉔　return CS.

3.3 Top-k个数据点选取方法

通过放松支配处理后可有效控制返回用户群的结果集大小，本节进一步给出Top-k个数据点选取策略，使返回结果集有序. 利用z-整体属性权重值的打分函数选取Top-k个数据点，处理对象为候选结果集CS.

定义10. 单调打分函数F^[25]. 数据集中数据点作为输入域将数据点映射到实数范围.F由r个单调函数构成，F={f₁, f₂, …, f_r}. 对于数据集中任意数据点，有 $F = \displaystyle\sum\limits_{j = 1}^r {{f_j}(p[{d_j}])}$ ，其中f_j（p[d_j]）为数据点在d_j维度的单调函数.

定理7. 假设数据集P的单调打分函数为F，若数据集中任意一个元组有最高的分数，那么它一定是Skyline点.

证明. 以反证法进行证明. 假设有p₁，p₂∈P，p₁的得分F（p₁）为数据集的最高得分，F（p₁）>F（p₂），p₁不是Skyline点，p₂支配p₁，p₁[d_j]≤p₂[d_j]（1≤j≤r），则可得 $\displaystyle\sum\limits_{j = 1}^r {{f_j}({p_1}[{d_j}]) \leqslant \displaystyle\sum\limits_{j = 1}^r {{f_j}({p_2}[{d_j}])} }$ ，即F（p₁）≤F（p₂），与假设矛盾.证毕.

定理8. 数据集P根据任意单调打分函数所得数据点顺序是Skyline支配的拓扑顺序.

证明. 以反证法进行证明. 假设存在2个数据点p₁，p₂∈P，单调打分函数为F，p₁支配p₂，F（p₁）<F（p₂），根据定理7可知，p₁支配p₂，则有F（p₁）≥F（p₂）,与假设矛盾. 所以如果F（p₂）>F（p₁），可能有p₂支配p₁，但可以确定p₁不可能支配p₂. 如果F（p₁）=F（p₂），则p₁支配p₂或p₂支配p₁（这两者是等价的，会根据属性的映射关系排序），或者p₁和p₂之间不具备支配关系. 因此依据打分函数F所得数据点顺序是按照Skyline支配关系的一个拓扑顺序.证毕.

定义11. 线性打分函数^[25]. 给定线性打分函数L，一般化形式为 $L(p) = \displaystyle\sum\limits_{j = 1}^r {{\omega _j} \cdot p[{d_j}]}$ ，其中ω_j为实常数，p[d_j]为数据点在d_j维度的取值.

定义12. z-整体属性权重值. 给定数据集P，数据点 ${p_i}\in P$ ，p_i在d_j维度的z-整体属性权重值为

${\varphi }_{i,j}=\frac{({V}_{i,j}-\mu )}{\sigma }\cdot {W}_{j}\cdot {\zeta }_{j}\text{，}$

(4)

其中， $\dfrac{{({V_{i,j}} - \mu )}}{\sigma }$ 为数据点p_i在维度d_j的z值，W_j为d_j的整体属性权重值，ζ_j为d_j的维度优劣值，ζ_j=1或ζ_j=−1. 由定义10~12可知，f_j（p[d_j]）=φ_i,j=ω_jz，ω_j=W_jζ_j.

定理9. 数据点任意维度的f_j（p[d_j]）是单调的.

证明. 因为ω_j=W_jζ_j，在打分阶段W_j为实常数，所以可得ω_j为实常数，且随着数据点维度值变大，它的z值也变大，因此数据点的任意维度f_j（p[d_j]）是单调的.证毕.

定义13. 基于z-整体属性权重值的打分函数. 数据点p_i各维度z-整体属性值之和为它的得分，记作F（p_i）:

$F({p_i}) = \sum\limits_{j = 1}^r {{\varphi _{i,j}}} .$

(5)

定理10. F（p_i）是单调打分函数.

证明. 因为有 $F({p_i}) = \displaystyle\sum\limits_{j = 1}^r {{f_j}(p[{d_j}])}$ ，根据定理9可知数据点的任意维度f_j（p[d_j]）随着维度值变大单调递增，它们具备相同的单调性，因此F（p_i）也是单调的.证毕.

进一步给出Top-k个数据点选取方法，如算法4所示.

算法4.Top-k个数据点选取方法TK_DC.

输入：候选结果集CS，整体属性权重集合W，维度优劣集合ζ；

输出：Top-k Skyline结果集.

①　for p_i∈CS do

②　　计算数据点的z-整体属性权重值；/*根据式（4）*/

③　　计算数据点得分；/*根据式（5） */

④　end for

⑤　根据F（p_i）降序排序；

⑥　return Top-k个数据点.

算法4主要对经过算法3处理后的候选结果集CS打分，并对行②③计算CS中各个数据点的得分，基于行⑤⑥数据点的得分排序，输出Top-k Skyline结果集给用户群.

综合距离较优集选取﹑K-准放松支配和Top-k个数据点选取的处理过程，进一步给出算法5 MUP-TKS的算法.

算法5. 道路网多用户偏好Top-k Skyline查询算法MUP-TKS.

输入：数据集P，道路网路段集R，用户群G，用户查询关键字keys，用户权重w，无差异阈值θ，k，维度优劣集合ζ；

输出：Top-k Skyline结果集.

①　预先计算保存数据集的静态Skyline 集；

②　距离较优集选取方法G_DBC；/*调用算法1*/

③　对距离较优集与静态Skyline集求并集S；

④　K-准放松支配算法KPRD； /*调用算法 3*/

⑤　Top-k 个数据点选取方法TK_DC. /*调用算法4*/

4. 实验比较与分析

本节主要对MUP-TKS进行实验以及性能评估. 实验对比算法为道路网单用户偏好Skyline算法UP-BPA^[26]、K支配空间偏好Skyline算法KSJQ^[23]以及基于时间道路网多用户偏好Skyline算法DSAS^[27].UP-BPA算法适用于道路网单用户，为了更好地与本文所提MUP-TKS进行对比，将其扩展，对查询用户群的每个用户分别运行该算法；再对子结果集取并集，得到候选结果集CS；最后对候选结果集基于z-值的打分函数打分，得到Top-k个数据点，扩展后的算法称为EUP-BPA.将KSJQ算法扩展，对每个用户单独执行该算法，用户偏好对应它的K个子空间；对每个用户的结果集取并集后得到候选结果集；对候选结果集CS基于z-值的打分函数打分，得到Top-k个Skyline结果集，扩展后的算法称为EKSJQ.将DSAS算法扩展，对满足不同用户需求的数据点基于z-值打分函数打分，按照数据点得分从高至低返回Top-k个Skyline结果集，扩展后的算法称为EDSAS.

4.1 数据集及实验环境设置

实验使用真实道路网数据集. 道路网数据集¹是北美2.5×10⁷ km²范围内的路段信息，它包含175813个节点和179179条边. 兴趣点数据集²来自北美酒店及登记信息. 查询用户采用随机生成的方式. 本文使用Vor-R^*-DHash索引结构组织数据集. 实验参数取值范围如表1所示，每个用户最大关注维度为4.每个实验采取单一变量原则，其余变量为默认值，实验结果取30次实验运行的平均值.

表 1 实验参数设置

Table 1. Experimental Parameter Setting

参数	取值范围
用户数量	5，10，15，20，25，30，35
数据集规模	1×10⁴，2×10⁴，3×10⁴，4×10⁴，5×10⁴
数据维度	5，7，9，11，13，15，17
无差异阈值（标准差）	0.1倍，0.5倍，1倍，2倍，10倍
获取数据点数量k	2，4，6，8，10
注：加粗数值表示参数默认取值.

下载: 导出CSV

| 显示表格

实验环境为：Windows 10（64b），Core^TM i6-5200U CPU @2.20 GHz 2.19 GHz处理器，12 GB运行内存. 在IntelliJ IDEA开发平台上使用Java实现本文所提的算法MUP-TKS和对比算法EUP-BPA，EKSJQ，EDSAS.

4.2 算法对比实验

1）用户数量对算法性能的影响

为了分析用户数量对算法性能的影响，本实验对不同用户数量下的MUP-TKS，EKSJQ，EDSAS，EUP-BPA算法进行测试，观察算法在不同用户数量下的CPU运行时间、候选结果集CS数量的变化情况.

图3展示了4种算法在不同用户数量下CPU运行时间变化情况.由图3可知，随着用户数量的增加，4种算法的CPU运行时间都在增加. 因为用户数量增加导致不同用户的偏好情况增加，从而需要更多时间处理用户偏好. MUP-TKS的CPU运行时间增长趋势没有其他3种算法的增长趋势大，主要原因是MUP-TKS将多用户的偏好转换成用户群权重偏好次序，对数据集按照该次序预排序，再进行K-准放松支配，使用户数量增加对CPU运行时间的影响减小.

图 3 用户数量对CPU运行时间的影响

Figure 3. Effect of user number on CPU execution time

下载: 全尺寸图片幻灯片

图4展示了4种算法随着用户数量的变化，候选结果集CS数量的变化情况. 由图4可知随着用户数量的增加，CS的数量变大. 但MUP-TKS，EKSJQ，EDSAS算法的变化趋势远没有EUP-BPA算法的变化趋势大，主要因为EUP-BPA算法需要对每个用户进行偏好Skyline查询，再合并各用户的偏好Skyline结果集.

图 4 用户数量对CS数量的影响

Figure 4. Effect of user number on CS number

下载: 全尺寸图片幻灯片

2）数据规模对算法性能的影响

为了分析数据规模对MUP-TKS性能的影响，本实验对不同数据规模下的MUP-TKS，EKSJQ，EDSAS，EUP-BPA算法进行测试，观察4种算法在不同数据规模下CPU运行时间、CS数量的对比情况.

由图5可知，随着数据集规模变大，CPU运行时间不断增加，因为当数据集规模变大时，需要比较的元组数量增加. 而MUP-TKS的增长趋势比其他3种算法小，主要因为MUP-TKS利用剪枝策略和Vor-R^*-DHash索引提前剪枝大量不可能成为Skyline的数据点，减少了元组比较次数.

图 5 数据规模对CPU运行时间的影响

Figure 5. Effect of data size on CPU execution time

下载: 全尺寸图片幻灯片

3）k值对算法性能的影响

图6展示了4种算法随着k值变化CPU运行时间变化的情况. 随着k值变化，MUP-TKS的CPU运行时间没有太大变化，因为MUP-TKS在每一轮放松支配后会保存结果集，当k值变化时，可直接找到对应符合大小要求轮次的CS打分，即可得到Top-k Skyline结果集，该过程时间消耗很小. 而EKSJQ，EUP-BPA算法都需要重新计算，时间消耗较大.

图 6 k值对CPU运行时间的影响

Figure 6. Effect of k value on CPU execution time

下载: 全尺寸图片幻灯片

图7展示了4种算法随着k值变化元组比较次数的变化情况. 可以发现MUP-TKS随着k值增大，元组比较次数减少，因为当k值增大时，放松支配的轮次减少. 而随着k值增大，EKSJQ，EUP-BPA算法的元组比较次数增多，因为需要进行更多的支配比较找到Top-k个数据点. 随着k值增大，EDSAS算法的元组比较次数基本没有变化.

图 7 k值对元组比较次数的影响

Figure 7. Effect of k value on the number of tuple comparison

下载: 全尺寸图片幻灯片

4）无差异阈值对算法性能的影响

本实验分析无差异阈值对MUP-TKS性能的影响. 图8展示了MUP-TKS在不同无差异阈值下CPU运行时间的变化情况. 由图8可知，若只考虑第1轮放松时间，无差异阈值变化对第1轮放松的CPU响应时间影响不大，因为不同无差异阈值的初始数据集大小都是相同的，处理相同数据集规模的时间差异不大. 而算法总运行时间随着阈值增大而减小，因为无差异阈值增大后，放松支配时会删减更多被支配的元组.

图 8 θ 对CPU运行时间的影响

Figure 8. Effect of θ on CPU execution time

下载: 全尺寸图片幻灯片

5. 总　　结

本文针对现实生活中道路网多用户场景的偏好Top-k Skyline 查询问题，进行深入分析与研究. 作为道路网上单用户偏好Skyline查询问题的补充，提出了一种基于道路网环境下多用户偏好Top-k Skyline查询方法. 该方法利用剪枝规则和索引减少了距离计算开销，并利用用户群权重偏好次序进行放松支配，使结果集可控. 实验结果表明，本文方法能有效解决道路网多用户偏好查询问题，返回的结果集可以满足多用户偏好与权重需求，可以提供有效参考价值. 下一步研究重点主要集中在对多查询用户移动情况下偏好 Top-k Skyline 查询问题的处理.

作者贡献声明：李松提出了方法思路和技术方案；宾婷亮和郝晓红负责算法优化、完成部分实验并撰写论文；张丽平完成部分实验；郝忠孝提出指导意见并修改论文.

图 1 不同尺度、频率和颜色的摩尔纹

Figure 1. Moiré pattern of different scales, frequencies, and colors

下载: 全尺寸图片幻灯片

图 2 DMCNN^[40]模型架构

Figure 2. The architecture of DMCNN^[40] model

下载: 全尺寸图片幻灯片

图 3 HRDN^[44]模型架构

Figure 3. The architecture of HRDN^[44] model

下载: 全尺寸图片幻灯片

图 4 原始的及改进的MTRB模型架构

Figure 4. Architecture of original and of improved MTRB models

下载: 全尺寸图片幻灯片

图 5 EEUCN^[50]结构

Figure 5. The architecture of EEUCN^[50]

下载: 全尺寸图片幻灯片

图 6 图像采集^[40]

Figure 6. Image acquisition^[40]

下载: 全尺寸图片幻灯片

图 7 在TIP2018验证数据集上的对比结果

Figure 7. Comparison of results for the validation set in TIP2018

下载: 全尺寸图片幻灯片

表 1 基于先验知识的摩尔纹去除算法对比分析

Table 1 Comparative Analysis of the Morié Removal Algorithms Based on Prior Knowledge

算法类别	算法	算法介绍	缺点及不足
图像滤波	光学低通滤波器^[12]	用2个透镜将光信号折射至2个方向，从而降低信号源的频率以避免混叠.	将摩尔纹当成了一种高频噪声，通过去除噪声的方式达到摩尔纹去除的目的. 但摩尔纹图案广泛分布在图像的各个频带，传统的基于图像滤波的方法并不能完全解决摩尔纹去除的问题.
	中值高斯滤波算法^[28]	使用局部中值滤波器半自动检测傅里叶振幅谱中的谱峰，以及使用高斯陷波滤波器消除谱噪声峰值.
	基于非线性滤波器算法^[31]	基于图像傅里叶频谱幅值的阈值化设计非线性滤波器，减少摩尔纹图案的非平稳性而可能出现的振铃伪影的影响.
	自适应滤波去网纹^[33]	实现了从扫描半色调图像中恢复出高质量连续调图像.
图像插值	基于图像色差算法^[16]	将向量的概念引入到插值算法中实现了RGB通道的3维插值，恢复后的图像更加平滑、更接近实际值.	算法实现过于复杂，运算效率较低，尤其难以在移动设备中实现.
	基于CCD图像插值方案^[17]	利用自适应方法选择关联度高的颜色分量来协助判断通道插值方向，图像插值结果更为合理.
	基于色差梯度的插值算法^[18]	基于图像在水平和竖直方向上的亮度和色度差计算梯度，然后将得到的梯度值来确定针对亮度和色度进行插值的方向，最后根据方向做插值运算.
图像分解	基于低秩稀疏矩阵分解模型^[23]	对纹理分量添加低秩先验约束，对摩尔纹分量添加稀疏先验约束以及在其频域分布内添加位置约束，从而区分摩尔纹分量和纹理分量.	摩尔纹分量与纹理分量在频域存在能量混叠，因此基于图像分解方法容易将纹理信息误判为摩尔纹成分，纹理恢复图像中存在轻微的振铃效应.
	基于信号分解与导向滤波算法^[51]	将文献[23]利用在G通道，再利用RGB颜色间的相关性用导向滤波方法恢复R，B通道.
	基于GMM的多相图层分解模型^[24]	引入了2个基于 GMM的图像先验，分别对背景图层和摩尔纹图层进行规则化，基于GMM的图层分解模型最终获得无摩尔纹的屏摄图像.

下载: 导出CSV

表 2 不同训练数据集的总结对比

Table 2 Summary and Comparison of Different Training Datasets

数据集	发布年份	图像分辨率（像素）	数据规模	图像对生成过程
TIP2018^[40]	2018	256×256	135 000个图像对，其中90%用于训练、10%用于验证和测试.	1）图像捕获：将参考图像按照一定的时间间隔在屏幕中显示，用手机拍摄视频，然后提取相应的图像帧； 2）图像对齐：依靠黑色图像边界的角点，计算出投影矩阵，实现图像对齐.
MRBI^[67]	2021	128×128	352个训练图像对，340个测试图像对.	1）图像捕获：利用屏幕截屏和屏幕拍照的方式得到干净图像和摩尔纹图像； 2）图像对齐：基于尺度不变特征找到2个图像中可以匹配的点对，进而得到变换矩阵.
LCD Moiré^[68]	2019	1024×1024	10 200个图像对，其中10 000个用于训练、100个用于验证及100个用于测试的图像对.	针对干净图像利用马赛克重采样模拟LCD屏幕显示效果，然后利用高斯滤波、JPEG压缩等操作，将生成的图像模拟摩尔纹图像，并将干净图像与摩尔纹图像对齐生成图像对.
CFA Moiré^[69]	2020	128×128	11 000个图像对，其中10 000个用于训练、500个用于验证及500个用于测试的图像对.	干净图像通过从现有的数据库中采集得到，通过马赛克重采样和去马赛过程生成摩尔纹图像，然后经过人工选择做进一步优化.

下载: 导出CSV

表 3 基于深度学习的摩尔纹去除算法对比分析

Table 3 Comparative Analysis of the Morié Removal Algorithms Based on Deep Learning

算法类别	网络模型	模型特征及主要优点	缺点及不足
CNN空域算法	DMCNN^[40]	利用深度学习去除摩尔纹的最初尝试，实现了图像多尺度特征提取.	1）忽略了摩尔纹分量在不同尺度间的联系； 2）每一尺度提取的特征不够充分.
	MSFE^[42]	以Unet网络模型为基础，用残差网络模块将输入图像下采样到不同尺度中，每个分支引入特征增强实现与低分辨率的特征融合.	低分辨率分支中不包含高分辨率特征，导致每一尺度提取的特征不够充分，与DMCNN相比改进不明显.
	MopNet^[43]	利用多尺度网络、边界检测器、模式分类器综合提取摩尔纹的多维特征.	1）不同尺度间的信息交换不充分； 2）仅利用边界损失无法处理复杂纹理图像.
	HRDN^[44]	在特征提取的过程中保证了不同尺度间信息的交换和融合.	在一个尺度下的特征提取通过一系列的卷积操作，特征提取不够充分.
	MDDM^[45]	在多分辨率特征提取的同时，利用动态特征编码技术可以高效处理复杂的摩尔纹特征，同时加入色调映射网络，减少输出图像的失真.	1）模型的分层数目过多，各个尺度之间缺少信息交换； 2）不同分辨率的尺度之间卷积数目不合理.
	MDDM+^[46]	基于MDDM存在的不足做了进一步改进，缩减分支，且每个分支中模块的分配更加合理；加入小波域损失函数，使重建图像在不同的频段保留更多的图像细节.	目前存在的绝大多数CNN空域算法中，基本还没有方法尝试对摩尔纹去除进行明确的数学建模.
CNN频域算法	WDNet^[64]	在小波频域内通过准确感知摩尔纹的区域去除摩尔纹.	忽略了不同频率间摩尔纹分量的联系.
	MBCNN^[47]	把摩尔纹去除的过程看作是纹理恢复和颜色恢复的子过程，在纹理恢复中，通过清除频域中的摩尔纹分量实现摩尔纹的去除，同时改善了输出图像的颜色对比度.	通过不同数目的扩张卷积得到频谱结果会有不同的尺度特征，不应用一组权值作用于最终的频谱.
	MBCNN+^[60]	在MBCNN基础上做了2个方面的改进：1）用不同的权值矩阵作用于每一次扩张卷积操作后的结果，实现不同频域及不同尺度的摩尔纹去除；2）在计算损失函数时，由原来的ASL变为基于不同扩张尺度的DASL.	在目前的监督卷积神经网络中得到较好的效果，但网络结构还有进一步优化的空间.
GAN网络	MR-GAN^[49]	利用对抗网络去摩尔纹的初步尝试，利用2个生成器和2个鉴别器，同时训练用于在干净图像中加摩尔纹的网络和用于去除摩尔纹的网络，实现在没有成对的训练数据的情况下去除摩尔纹.	在网络结构的设计中对摩尔纹的多尺度特征分布考虑不足，而过多依靠复杂的损失函数确保输出图像的质量，图像质量有待进一步提高.
GAN网络	EEUCN^[50]	创建分别用于添加摩尔纹和去除摩尔纹的网络，将摩尔纹的生成和去除的过程看成是学习摩尔纹的结构和图像强度恢复的过程，并依此构建基于直方图和多尺度特征学习结构.	由于用网络添加摩尔纹的图像并不能完全等同于真实的摩尔纹图像，因此影响了最终的摩尔纹去除效果.

下载: 导出CSV

表 4 不同网络模型的容量对比

Table 4 Quantitative Comparison of Different Network Models

检测项目	DMCNN^[40]	MopNet^[43]	HRDN^[44]	MBCNN^[47]	EEUCN^[50]
PSNR/dB	20.68	27.76	28.45	27.36	19.06
SSIM	0.803	0.894	0.910	0.917	0.628

下载: 导出CSV

参考文献(75)

[1]	Liu Shuai, Li Chenghua, Nan Nan, et al. MMDM: Multi-frame and multi-scale for image deMoiréing[C] //Proc of IEEE/CVF Conf on Computer Vision and Pattern Recognition Workshops (CVPRW). Piscataway, NJ: IEEE, 2020: 1751−1759
[2]	Niu Wenjia, Zhang Kaihao, Luo Wenhan, et al. Blind motion deblurring super-resolution: When dynamic spatio-temporal learning meets static image understanding[J]. IEEE Transactions on Image Processing, 2021, 30(8): 7101−7111
[3]	Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C] //Proc of the 18th 2015 Medical Image Computing and Computer-Assisted Intervention. Berlin: Springer, 2015: 234–241
[4]	Wang Fuping, Hu Yang, Liu Weihua, et al. Face impainting algorithm combining face sketch and gate convolution[C]//Proc of 4th Int Conf on Natural Language Processing(ICNLP). Piscataway, NJ: IEEE, 2022: 81−86
[5]	蒋斌,刘虹雨,杨超,等. 一种基于局部属性生成对抗网络的人脸修复算法[J]. 计算机研究与发展,2019,56(11):2485−2493 Jiang Bin, Liu Hongyu, Yang Chao, et al. A face inpainting algorithm with local attribute generative adversarial networks[J]. Journal of Computer Research and Development, 2019, 56(11): 2485−2493(in Chinese)
[6]	Gao Tianyu, Guo Yanqing, Zheng Xin, et al. Moiré pattern removal with multi-scale feature enhancing network[C] //Proc of IEEE Int Conf on Multimedia and Expo Workshops (ICMEW). Piscataway, NJ: IEEE, 2019: 240−245
[7]	Elad M, Aharon M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Transactions on Image Processing, 2006, 15(12): 3736−3745 doi: 10.1109/TIP.2006.881969
[8]	Chen Xiaogang, Kang Singbing, Yang Jie, et al. Fast patch-based denoising using approximated patch geodesic paths[C] //Proc of IEEE Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2013: 1211–1218
[9]	Li Xu, Qiong Yan, Yang Xia, et al. Structure extraction from texture via relative total variation[J]. ACM Transactions on Graphics, 2012, 31(6): 139−148
[10]	Shou Yuwen, Lin Chinteng. Image descreening by GA-CNN-based texture classification[J]. IEEE Transactions on Circuits and Systems I: Regular Papers, 2004, 51(11): 2287−2299 doi: 10.1109/TCSI.2004.836861
[11]	Nah S, Kim T H, Lee K M, Deep multi-scale convolutional neural network for dynamic scene deblurring[C] //Proc of IEEE Conf on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2017: 3883–3891
[12]	Nishioka K, Hasegawa N, Ono K, et al. Endoscope system provided with low-pass filter for Moiré removal: US, US08/917429[P]. 2000-02-15
[13]	Schoberl M, Schnurrer W, Oberdorster A, et al. Dimensioning of optical birefringent anti-alias filters for digital cameras[C] //Proc of IEEE Int Conf on Image Process (ICIP). Piscataway, NJ: IEEE, 2010: 4305–4308
[14]	Menon D, Calvagno G. Color image demosaicking: An overview[J]. Signal Processing: Image Communication, 2011, 26(8/9): 518−533
[15]	Pekkucuksen I, Altunbasak Y. Multiscale gradients-based color filter array interpolation[J]. IEEE Transactions on Image Processing, 2013, 22(1): 157−165 doi: 10.1109/TIP.2012.2210726
[16]	邱菊. 基于插值算法的去彩色摩尔纹效应的研究[D]. 南京:南京理工大学,2009 Qiu Ju. Research on color Moiré removal based on interpolation algorithm [D]. Nanjing: Nanjing University of Science and Technology, 2009 (in Chinese)
[17]	邱香香. 基于CCD静态图像的摩尔纹去除算法研究[D]. 南京:南京理工大学,2012 Qiu Xiangxiang. Research on Moiré removal algorithm based on CCD static image[D]. Nanjing: Nanjing University of Science and Technology, 2012 (in Chinese)
[18]	Hibbard R H. Apparatus and method for adaptively interpolating a full color image utilizing luminance gradients: US, US08/085520[P]. 1995-01-17
[19]	Hamilton J F. Adaptive color plane interpolation in single sensor color electronic camera: US, US08/407423[P]. 1997-05-13
[20]	Kimmel R. Demosaicing: Image reconstruction from color CCD samples[J]. IEEE Transactions on Image Processing, 1999, 9(8): 1221−1228
[21]	刘芳蕾. 基于图像分解的纹理图像摩尔纹消除方法[D]. 天津:天津大学,2017 Liu Fanglei. Moiré pattern removal from Textured images via image decomposition[D]. Tianjin : Tianjin University, 2017 (in Chinese)
[22]	张雪. 基于图像分解的屏摄图像摩尔纹消除方法[D]. 天津:天津大学,2018 Zhang Xue. Moiré pattern removal from scree-shot images via image decomposition[D]. Tianjin : Tianjin University, 2018 (in Chinese)
[23]	Liu Fanglei, Yang Jingyu, Yue Huanjing. Moiré pattern removal from texture images via low-rank and sparse matrix decomposition[C/OL] //Proc of IEEE Int Conf on Visual Communications and Image Processing (VCIP). Piscataway, NJ: IEEE, 2015[2016-08-25].https:// ieeexplore. ieee. org/stamp/stamp. jsp?tp=&arnumber=7457907
[24]	Yang Jingyu, Zhang Xue, Cai Changrui, et al. DeMoiréing for screen-shot images with multi-channel layer decomposition[C/OL] //Proc of IEEE Visual Communications and Image Processing (VCIP). Piscataway, NJ: IEEE, 2017[2018-03-01].https://ieeexplore.ieee.org/stamp/stamp.jsp?tp =& arnumber=8305057
[25]	Fang Faming, Wang Tingting, Wu Shuyan, et al. Removing Moiré patterns from single images[J]. Information Sciences, 2020, 514(8): 56−71
[26]	Sasada R, Yamada M, Hara S, et al. Stationary grid pattern removal using 2D technique for Moiré-free radiographic image display[C] //Proc of Conf on Medical Imaging: Visualization, Image-Guided Procedures, and Display. Bellingham, WA: SPIE, 2003: 688–697
[27]	Sidorov D N, Kokaram A C, Suppression of Moiré patterns via spectral analysis[C] //Proc of Visual Communications and Image Processing. Bellingham, WA: SPIE, 2002: 895–906
[28]	Wei Zhouping, Wang Jian, Nichol H, et al. A median-Gaussian filtering framework for Moiré pattern noise removal from X-ray microscopy image[J]. Micron, 2012, 43(2/3): 170−176
[29]	Hazavei S M, Shahdoosti H R. A new method for removing the Moiré pattern from images[J]. arXiv preprint, arXiv: 1701. 09037, 2017
[30]	Garcia D C, Queiroz R L. Face-spoofing 2D-detection based on Moiré-pattern analysis[J]. IEEE Transactions on Information Forensics and Security, 2015, 10(4): 778−786
[31]	Sidorov D N, Kokaram A C. Removing Moiré from degraded video archives[C/OL] //Proc of the 11th European Signal Processing Conf. Piscataway, NJ: IEEE , 2002[2015-03-30].https://ieeexplore.ieee.org/ stamp/stamp.jsp?tp=&arnumber=7071920
[32]	吕旭,胡柏青,李开龙,等. 非线性目标跟踪滤波算法的比较研究[J]. 火力与指挥控制,2021,46(4):24−30 Lü Xu, Hu Baiqing, Li Kailong, et al. Comparison of nonlinear target tracking filtering algorithm[J]. Fire Control & Command Control, 2021, 46(4): 24−30(in Chinese)
[33]	Sun Bin, Li Shutao, Sun Jun. Scanned image descreening with image redundancy and adaptive filtering[J]. IEEE Transactions on Image Processing, 2014, 23(8): 3698−3710
[34]	Dong Chao, Loy Chenchang, He Kaiming, et al. Learning a deep convolutional network for image super-resolution[C] //Proc of the 13th European Conf on Computer Vision. Berlin: Springer, 2014: 184–199
[35]	Kim J, Lee J K, Lee K M, Convolutional networks for biomedical using very deep convolutional networks[C] //Proc of IEEE Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2016: 1646–1654
[36]	Gharbi M, Chaurasia G, Paris S, et al, Deep joint demosaicking and denoising[J], ACM Transaction of Graphics, 2016, 35(6): 1−12
[37]	Zhang Kai, Zuo Wangmeng, Chen Yujin, et al. Beyond a Gaussian denoiser: Residual learning of deep CNN for image denoising[J]. IEEE Transactions on Image Processing, 2017, 26(7): 3142−3155 doi: 10.1109/TIP.2017.2662206
[38]	Zhang Kai, Zuo Wangmeng, Chen Yujin, et al. Learning deep CNN denoiser prior for image restoration[C] //Proc of IEEE Conf on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2017: 2808–2817
[39]	Abraham E. Moiré pattern detection using wavelet decomposition and convolutional neural network[C] //Proc of IEEE Symp Series on Computational Intelligence (SSCI). Piscataway, NJ: IEEE, 2018: 1275−1279
[40]	Sun Yujing, Yu Yizhou, Wang Wenping. Moiré photo restoration using multiresolution convolutional neural networks[J]. IEEE Transactions on Image Processing, 2018, 27(8): 4160−4172 doi: 10.1109/TIP.2018.2834737
[41]	Liu Bolin, Shu Xiao, Wu Xiaolin. DeMoiréing of camera-captured screen images using deep convolutional neural network[J]. arXiv preprint, arXiv: 1804. 03809, 2018
[42]	Gao Tianyu, Guo Yanqing, Zheng Xin, et al. Moiré pattern removal with multi-scale feature enhancing network[C] //Proc of IEEE Int Conf on Multimedia and Expo Workshops. Piscataway, NJ: IEEE, 2019: 240−245
[43]	He Bin, Wang Ce, Shi Boxin, et al. Mop Moiré patterns using mopnet[C] //Proc of IEEE/CVF Int Conf on Computer Vision. Piscataway, NJ: IEEE, 2019: 2424−2432
[44]	Yang Shanghui, Lei Yajing, Xiong Shuangyu, et al. High resolution deMoiré network[C] //Proc of IEEE Int Conf on Image Processing (ICIP). Piscataway, NJ: IEEE, 2020: 888-892
[45]	Cheng Xi, Fu Zhenyong, Yang Jian. Multi-scale dynamic feature encoding network for image deMoiréing[C] //Proc of IEEE/CVF Int Conf on Computer Vision Workshop (ICCVW). Piscataway, NJ: IEEE, 2019: 3486-3493
[46]	Cheng Xi, Fu Zhenyong, Yang Jian. Improved multi-scale dynamic feature encoding network for image deMoiréing[J]. Pattern Recognition, 2021, 116(1): 1−12
[47]	Zheng Bolun, Yuan Shanxi, Slabaugh G, et al. Image deMoiréing with learnable bandpass filters[C] //Proc of IEEE/CVF Conf on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2020: 3636–3645
[48]	Park H, Vien A G, Koh Y J, et al. Unpaired image deMoiréing based on cyclic Moiré learning[C] //Proc of Asia–Pacific Signal Information Processing Association Annual Summit and Conf. Piscataway, NJ: IEEE, 2021: 146–150
[49]	Yue Huanjin, Cheng Yijia, Liu Fanglong, et al. Unsupervised Moiré pattern removal for recaptured screen images[J]. Neurocomputing, 2021, 456: 352−363 doi: 10.1016/j.neucom.2021.05.099
[50]	Park H, Vien A G, Kim H, et al. Unpaired screen-shot image deMoiréing with cyclic Moiré learning[J]. IEEE Access,2022,10:16254-16268
[51]	Yang Jingyu, Liu Fanglei, Yue Huanjing, et al. Textured image deMoiréing via signal decomposition and guided filtering[J]. IEEE Transactions on Image Processing, 2017, 26(7): 3528−3541
[52]	Ok J, Youn S, Seo G, et al. Paper check image quality enhancement with Moiré reduction[J]. Multimedia Tools and Applications, 2017, 76(20): 21423−21450 doi: 10.1007/s11042-016-4080-0
[53]	Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[J]. arXiv preprint, arXiv: 1505. 04597v1, 2015
[54]	Gao Huang, Zhuang Liu, Laurens V D M, et al. Densely connected convolutional networks[J]. arXiv preprint, arXiv: 1608. 06993v5, 2018
[55]	Hu Jie, Shen Li, Sun Gang. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(8): 2011−2023 doi: 10.1109/TPAMI.2019.2913372
[56]	Huang Xun, Belongie S. Arbitrary style transfer in real-time with adaptive instance normalization[C] //Proc of IEEE Int Conf on Computer Vision (ICCV). Piscataway, NJ: IEEE, 2017: 1501–1510
[57]	Vien A G, Park H, Lee C. Dual-domain deep convolutional neural networks for image deMoiréing[C] //Proc of IEEE/CVF Conf on Computer Vision and Pattern Recognition Workshops (CVPRW). Piscataway, NJ: IEEE, 2020: 1934−1942
[58]	Vien A G, Park H, Lee C. Moiré artifacts removal in screen-shot images via multiple domain learning[C] //Proc of Asia-Pacific Signal and Information Processing Association Annual Summit and Conf (APSIPA ASC). Piscataway, NJ: IEEE, 2020: 1268−1273
[59]	Wang Hailing, Tian Qiaoyu, Li Liang, et al. Image deMoiréing with a dual domain distilling network[C/OL] //Proc of IEEE Int Conf on Multimedia and Expo (ICME). Piscataway, NJ: IEEE, 2021[2021-06-09]. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9428091
[60]	Zheng Bolun, Yuan Shanxi, Yan Chengganng, et al. Learning frequency domain priors for image deMoiréing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 44(11): 7705−7717
[61]	Liu Lin, Liu Jianzhuang, Yuan Shanxin, et al. Wavelet-based dual-branch network for image deMoiréing[J]. arXiv preprint, arXiv: 2007. 07173v2, 2020
[62]	Gao Huang, Zhuang Liu, Laurens M, et al. Densely connected convolutional networks[C] //Proc of IEEE Conf on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2017, 2261−2269
[63]	Yu F, Koltun V. Multi-scale context aggregation by dilated convolutions[J]. arXiv preprint, arXiv: 1511. 07122, 2016
[64]	Zheng Yuanjie, Yu Jingyi, Kang Singbing, et al. Single-image vignetting correction using radial gradient symmetry[C/OL] //Proc of IEEE Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2008[2008-08-05].https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=& arnumber =4587413
[65]	Dai Tao, Cai Jianrui, Zhang Yongbing, et al. Second-order attention network for single image super-resolution[C] //Proc of IEEE/CVF Conf on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2019: 11065–11074
[66]	Mao Xudong, Li Qing, Xie Haoran, et al. Least squares generative adversarial networks[C] //Proc of IEEE Int Conf on Computer Vision (ICCV). Piscataway, NJ: IEEE, 2017: 2794–2802
[67]	Yue Huanjing, Mao Yan, Liang Lipu, et al. Recaptured screen image deMoiréing[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2021, 31(1): 49−60 doi: 10.1109/TCSVT.2020.2969984
[68]	Yuan Shanxin, Timofte R, Gregory S, et al. Aim 2019 challenge on image demoreing: Dataset and study[C] //Proc of IEEE Int Conf on Computer Vision (ICCV) Workshops. Piscataway, NJ: IEEE, 2019: 3526–3533
[69]	Yuan Shanxin, Timofte R, Leonardis A, et al. NTIRE 2020 challenge on image demoireing: Methods and results[C] //Proc of IEEE/CVF Conf on Computer Vision and Pattern Recognition Workshops (CVPRW). Piscataway, NJ: IEEE, 2020: 1882-1893
[70]	Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91–110
[71]	Chin T J, Yu J, Suter D. Accelerated hypothesis generation for multi-structure robust fitting[C] //Proc of the 11th European Conf on Computer Vision. Berlin: Springer, 2010: 533–546
[72]	高天宇. 面向移动终端的摩尔纹去除系统的设计与实现[D]. 大连:大连理工大学,2021 Gao Tianyu. Design and implementation of Moiré removal system for mobile terminals[D]. Dalian: Dalian University of Technology, 2021 (in Chinese)
[73]	Kaur R, Sharma D V. Pre-processing for improving the recognition of mobile based Gurmukhi text recognition system[C/OL] //Proc of the 12th Int Conf on Computing Communication and Networking Technologies (ICCCNT). Piscataway, NJ: IEEE, 2021[2021-11-03]. http:// ieeexplore.ieee.org/stamp/ stamp.jsp?tp=&arnumber=9579867
[74]	Fang Han, Zhang Weiming, Zhou Huang, et al. Screen-shooting resilient watermarking[J]. IEEE Transactions on Information Forensics and Security, 2019, 14(6): 1403−1418 doi: 10.1109/TIFS.2018.2878541
[75]	Howard A, Sandler M, Chen Bo, et al. Searching for mobilenetv3 [C] //Proc of IEEE/CVF Int Conf on Computer Vision. Piscataway, NJ: IEEE, 2019: 1314−1324

施引文献(23)

期刊类型引用(12)

1.	徐享希，李炯彬，郭志远. 车联网网络安全挑战与评估技术分析. 质量与认证. 2025(02): 83-86+91 . 百度学术
2.	郭健忠，王灿，谢斌，闵锐. 面向车联网DoS攻击的混合入侵检测系统. 计算机系统应用. 2025(03): 85-93 . 百度学术
3.	赵建斌，杜彦辉. 浅析车联网漏洞挖掘技术. 警察技术. 2025(02): 25-29 . 百度学术
4.	李俊吉，张佳琦，高改梅，杨莉. 基于信誉机制的车联网共识算法. 计算机工程. 2025(04): 217-226 . 百度学术
5.	黄金洲，杭波，王峰，徐德刚. 车联网技术在襄阳智慧交通建设中的应用. 智能城市. 2024(01): 20-23 . 百度学术
6.	李昱. 容许风险与自动驾驶场景中的注意义务. 现代法学. 2024(04): 161-174 . 百度学术
7.	谢勇，胡秋燕，李仁发，谢国琪，肖甫. 基于Uptane的汽车软件在线升级优化框架. 计算机研究与发展. 2024(09): 2145-2155 . 本站查看
8.	洪榛，冯王磊，温震宇，吴迪，李涛涛，伍一鸣，王聪，纪守领. 基于梯度回溯的联邦学习搭便车攻击检测. 计算机研究与发展. 2024(09): 2185-2198 . 本站查看
9.	李可，马赛，戴朋林，任婧，范平志. 基于多目标深度强化学习的车车通信无线资源分配算法. 计算机研究与发展. 2024(09): 2229-2245 . 本站查看
10.	顾芳铭，况博裕，许亚倩，付安民. 面向自动驾驶感知系统的对抗样本攻击研究综述. 信息安全研究. 2024(09): 786-794 . 百度学术
11.	刘雪娇，赵祥，夏莹杰，曹天聪. 空地协同场景下具有隐私保护的高效异构认证方案. 浙江大学学报(工学版). 2024(10): 1981-1991 . 百度学术
12.	权仕鑫，孙溶辰，刘留，孙志国. 车联网融合通信技术的场景仿真与分析. 应用科技. 2024(05): 190-196 . 百度学术