論文元數據搜索，找到相關信息共 2 條：
2022, 44(10): 3343-3352.
doi: 10.11999/JEIT220380
刊出日期：2022-10-19
基于深度卷積神經網絡的圖像超分辨率重建算法通常假設低分辨率圖像的降質是固定且已知的，如雙3次下采樣等，因此難以處理降質(如模糊核及噪聲水平)未知的圖像。針對此問題，該文提出聯合估計模糊核、噪聲水平和高分辨率圖像，設計了一種基于迭代交替優(yōu)化的圖像盲超分辨率重建網絡。在所提網絡中，圖像重建器以估計的模糊核和噪聲水平作為先驗信息，由低分辨率圖像重建出高分辨率圖像；同時，綜合低分辨率圖像和估計的高分辨率圖像，模糊核及噪聲水平估計器分別實現模糊核和噪聲水平的估計。進一步地，該文提出對模糊核/噪聲水平估計器及圖像重建器進行迭代交替的端對端優(yōu)化，以提高它們的兼容性并使其相互促進。實驗結果表明，與IKC, DASR, MANet, DAN等現有算法相比，提出方法在常用公開測試集(Set5, Set14, B100, Urban100)及真實場景圖像上都取得了更優(yōu)的性能，能夠更好地對降質未知的圖像進行重建；同時，提出方法在參數量或處理效率上也有一定的優(yōu)勢。
2025, 47(3): 758-768.
doi: 10.11999/JEIT240796
刊出日期：2025-03-01
在車載網絡(VANETs)中，聯邦學習(FL)通過協同訓練機器學習模型，實現了車輛間的數據隱私保護，并提高了整體模型的性能。然而，FL在VANETs中的應用仍面臨諸多挑戰(zhàn)，如模型泄露風險、訓練結果驗證困難以及高計算和通信成本等問題。針對這些問題，該文提出一種面向聯邦學習的可驗證隱私保護批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動態(tài)短群聚合簽名技術，保護了客戶端與路邊單元(RSU)交互過程中的數據完整性，確保全局梯度模型更新與共享過程的不可篡改性。當出現異常結果時，方案利用群簽名的特性實現車輛的可追溯性。其次，結合改進的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對梯度聚合結果進行驗證，確保在聯邦學習的聚合過程中保持客戶端梯度的機密性，并驗證聚合結果的準確性，防止服務器篡改數據導致模型訓練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統的穩(wěn)定性。實驗結果表明，與現有方案相比，該方案在提升數據隱私安全性和結果的可驗證性的同時，保證了較高效率。
