一种基于深度反馈注意力网络系统的图像超分辨率方法技术方案

本发明专利技术公开了一种基于深度反馈注意力网络系统的图像超分辨率方法，包括输入模块、特征提取模块、反馈模块、重构模块及输出模块。本发明专利技术提出的网络系统在每一轮训练中，以迭代的方式学习图像低分辨率到高分辨率的映射，并在迭代的过程中结合反馈注意力机制提高模型学习的准确性，从而进一步提升超分辨率结果的质量。本发明专利技术提出的网络系统模型在单图像超分辨率基准测试集Set5的´2/´3/´4倍率重建任务上，最高分别达到了38.04/34.65/32.41db的峰值信噪比。

【技术实现步骤摘要】
一种基于深度反馈注意力网络系统的图像超分辨率方法
本专利技术涉及图像超分辨率领域，具体涉及一种基于深度反馈注意力网络系统的图像超分辨率方法。
技术介绍
一直以来，图像超分辨率(Super-Resolution，SR)被广泛应用于诸如医学影像、人脸识别等对图像质量有较高需求的场景。同时在深度学习领域，作为底层的计算机视觉问题，超分辨率还可以通过产生高质量图像为其他高级视觉任务提供优质数据集来提升相应模型性能。图像超分辨率旨在实现低维图像空间向高维图像空间的映射，即低分辨率图像(Low-Resolution，LR)向高分辨率图像(High-Resolution，HR)的转换。传统的图像超分辨率方法主要是使用插值算法对需要填补的像素值进行计算，该类方法简单高效，可应用于实时快速的图像上采样，但因其过于依赖人为定义的映射关系以及先验假设，导致基于插值算法的图像重建质量往往难以保证。为了解决传统插值方法的问题，基于机器学习的超分辨率方法逐渐发展起来，该类方法主要通过在大量带标注的图像数据集中通过一定的算法学习低分辨率到高分辨率的映射来拟合LR-H本文档来自技高网...

【技术保护点】
1.一种深度反馈注意力网络系统，其特征在于，所述深度反馈注意力网络系统包括输入模块、特征提取模块、反馈模块、重构模块及输出模块，/n特征提取模块包括卷积层和反卷积层，用于提取低分辨率图像的特征；/n重构模块包括反卷积和卷积层，用于对输出的特征进行上采样，生成最终的SR残差图像；/n反馈模块包括特征映射模块与注意力模块，其中特征映射模块包括多个卷积层与反卷积层组成的特征映射组，用于对输入低分辨率图像的特征进行映射学习，从而得到重构特征，注意力模块包括通道注意力门，用于对重构特征进行特征过滤。/n

【技术特征摘要】
1.一种深度反馈注意力网络系统，其特征在于，所述深度反馈注意力网络系统包括输入模块、特征提取模块、反馈模块、重构模块及输出模块，
特征提取模块包括卷积层和反卷积层，用于提取低分辨率图像的特征；
重构模块包括反卷积和卷积层，用于对输出的特征进行上采样，生成最终的SR残差图像；
反馈模块包括特征映射模块与注意力模块，其中特征映射模块包括多个卷积层与反卷积层组成的特征映射组，用于对输入低分辨率图像的特征进行映射学习，从而得到重构特征，注意力模块包括通道注意力门，用于对重构特征进行特征过滤。


2.一种基于深度反馈注意力网络系统的图像超分辨率方法，其特征在于，方法步骤如下：
S1、向网络中输入低分辨率图像LR，高分辨率参照图像H，训练次数e及反馈网络深度n；
S2、初始化网络参数；
S3、提取低分辨率图像LR的特征作为输入特征F；
S4、将输入特征F输入到网络中，基于特征映射模块与注意力模块操作得到重构特征S_i；
S5、将S_i与输入特征F合并后作为新的输入特征重新输入到网络中；
S6、迭代步骤S4-S5，共重复n次，得到重构特征S_n，n为反馈网络深度；
S7、利用输出的重构特征S_n，基于上采样得到输出高分辨率图像SR；
S8、计算高分辨率参考图像H与低分辨率图像LR之间的误差，根据误差更新网络参数；
S9、将更新的网络参数带入步骤S2中，重复步骤S1-S7，重复训练e次，最终得到训练好的网络参数；
S10、将训练好的网络参数与低分辨率图像LR、反馈网络深度n共同输入到网络中，实施步骤S2-S7，得到输出高分辨率图像。
<...

【专利技术属性】
技术研发人员：施举鹏，李静，崔员宁，祝蓓，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32