【技术实现步骤摘要】
图像复原方法、装置、电子设备和计算机可读存储介质
本专利技术涉及计算机
，具体涉及一种图像复原方法、装置、电子设备和计算机可读存储介质。
技术介绍
超分辨率复原技术是指将给定的低分辨率图像通过特定的算法恢复成相应的高分辨率图像。随着人工智能技术的不断发展，超分辨率复原技术已广泛应用于各领域，例如：在线教育和线上直播等视频压缩传输领域。现有的超分辨率复原技术通常基于深度学习实现，通过提取低分辨图像中的特征及设计网络结构和损失函数来对模型进行训练，并将训练好的模型用于获取对应高分辨率的图像。然而，由于训练过程所用的数据基于模拟数据集上做线性插值法得到的数据，与现实复杂场景中的数据存在差别，复原精度有待提高，且由于网络模型复杂度高，计算速度慢。
技术实现思路
有鉴于此,本专利技术实施例的目的是提供一种图像复原方法、装置、电子设备和计算机可读存储介质，在保证图像复原精度的同时，简化图像复原模型的复杂度，提高低分辨率图像复原的计算速度。第一方面，本专利技术实施例提供一种图像复原方法，所述方法包...
【技术保护点】
1.一种图像复原方法，其特征在于，所述方法包括：/n获取输入图像；/n对所述输入图像进行特征融合，得到第一特征图像；/n将所述第一特征图像输入至特征提取网络，对所述第一特征图像进行特征提取，得到至少一个特征子图像，其中，所述特征提取网络包括至少一个级联的递归残差模块和级联于所述至少一个所述递归残差模块的至少一个级联的卷积层；/n对至少一个所述特征子图像进行卷积，得到第二特征图像；/n将所述第二特征图像进行像素组合，得到第三特征图像；以及/n对所述第三特征图像进行特征融合卷积，得到复原图像。/n
【技术特征摘要】
1.一种图像复原方法，其特征在于，所述方法包括：
获取输入图像；
对所述输入图像进行特征融合，得到第一特征图像；
将所述第一特征图像输入至特征提取网络，对所述第一特征图像进行特征提取，得到至少一个特征子图像，其中，所述特征提取网络包括至少一个级联的递归残差模块和级联于所述至少一个所述递归残差模块的至少一个级联的卷积层；
对至少一个所述特征子图像进行卷积，得到第二特征图像；
将所述第二特征图像进行像素组合，得到第三特征图像；以及
对所述第三特征图像进行特征融合卷积，得到复原图像。
2.根据权利要求1所述的图像复原方法，其特征在于，所述将所述第一特征图像输入至特征提取网络，对所述第一特征图像进行特征提取，得到至少一个特征子图像包括：
对所述第一特征图像进行递归残差操作，得到第一特征子图像；
对所述第一特征图像和第一特征子图像进行卷积操作，得到第二特征子图像；
对所述第二特征子图像进行递归残差操作，得到第三特征子图像；
对所述第一特征图像、第一特征子图像和第三特征子图像进行卷积操作，得到第四特征子图像；以及
对所述第四特征子图像进行递归残差操作，得到第五特征子图像；
其中，所述递归残差操作包括至少一个轮次的分组卷积和卷积操作。
3.根据权利要求2所述的图像复原方法，其特征在于，所述对所述第一特征图像进行递归残差操作、对所述第二特征子图像进行递归残差操作以及对所述第四特征子图像进行递归残差操作时，所述分组卷积的参数相同，所述卷积操作的参数相同。
4.根据权利要求2所述的图像复原方法，其特征在于，所述递归残差操作包括：
获取输入特征图像；
对所述输入特征图像进行分组卷积，得到第一中间图像；
对所述第一中间图像和输入特征图像进行卷积操作，得到第二中间图像；
对所述第一中间图像和第二中间图像进行分组卷积，得到第三中间图像；
对所述输入特征图像和第三中间图像进行卷积操作，得到第四中间图像；
对所述第一中间图像、第三中间图像和第四中间图像进行分组卷积，得到第五中间图像；
对所述输入特征图像和第五中间图像进行卷积操作，得到输出特征子图像。
5.根据权利要求4所述的图像复原方法，其特征在于，所述对所述输入特征图像进行分组卷积、对所述第一中间图像和第二中间图像进行分组卷积以及对第一中间图像、第三中间图像和第四中间图像进行分组...
【专利技术属性】
技术研发人员：李梦醒，
申请(专利权)人：北京大米科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。