一种RDN超分辨网络的训练方法及图像生成方法技术

本发明专利技术公开了一种RDN超分辨网络的训练方法及图形生成方法，其步骤包括：1)将低分辨率样本图像输入到生成器，生成高分辨率图像；2)将生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的损失值；3)提取该假数据的特征与对应标签数据的特征，然后计算特征之间的损失值；4)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算生成器中损失函数的损失值；5)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算判别器中损失函数的损失值，进行判别器参数更新；6)将步骤2)～4)所得损失值加权在一起，作为生成器的损失，进行生成器的参数更新。

【技术实现步骤摘要】
一种RDN超分辨网络的训练方法及图像生成方法
本专利技术属于超分辨领域，涉及改善一种与深度学习相结合的数据插值方法，可用于残差密集网络RDN(ResidualDenseNetwork)超分辨网络的训练，具体涉及一种新的RDN超分辨网络训练方法及图像生成方法。
技术介绍
大量的电子图像应用领域，人们经常期望得到高分辨率(简称HR)图像。高分辨率意味着图像中的像素密度高，能够提供更多的细节，而这些细节在许多实际应用中不可或缺。例如，高分辨率医疗图像对于医生做出正确的诊断是非常有帮助的；使用高分辨率卫星图像就很容易从相似物中区别相似的对象；如果能够提供高分辨的图像，计算机视觉中的模式识别的性能就会大大提高。自从上世纪七十年代以来，电荷耦合器件(CCD)、CMOS图像传感器已被广泛用来捕获数字图像。尽管对于大多数的图像应用来说这些传感器是合适的，但是当前的分辨率水平和消费价格不能满足今后的需求。例如，人们希望得到一个便宜的高分辨率数码相机/便携式摄像机，或者期望其价格逐渐下降；科学家通常需要一个非常高的接近35毫米模拟胶片的分辨率水平，这样在放大一个图本文档来自技高网...

【技术保护点】
1.一种RDN超分辨网络的训练方法，其特征在于，将RDN超分辨网络放在GAN的框架上进行训练，GAN的框架包括生成器和判别器，生成器为RDN超分辨网络；其步骤包括：/n1)将训练所用的每对低分辨率样本图像和高分辨率样本图像进行归一化处理；其中低分辨率图像作为输入，高分辨率图像作为标签数据；/n2)将低分辨率样本图像输入到生成器，提取该低分辨率样本图像的浅层信息；/n3)提取到的浅层信息输入到生成器的RDB层，提取该低分辨率样本图像的边缘信息；/n4)生成器将各RDB层提取的信息在信道维度上叠加在一起，然后进行卷积处理、上采样后重构生成高分辨率图像；/n5)将步骤4)生成的高分辨率图像作为假数据...

【技术特征摘要】
1.一种RDN超分辨网络的训练方法，其特征在于，将RDN超分辨网络放在GAN的框架上进行训练，GAN的框架包括生成器和判别器，生成器为RDN超分辨网络；其步骤包括：
1)将训练所用的每对低分辨率样本图像和高分辨率样本图像进行归一化处理；其中低分辨率图像作为输入，高分辨率图像作为标签数据；
2)将低分辨率样本图像输入到生成器，提取该低分辨率样本图像的浅层信息；
3)提取到的浅层信息输入到生成器的RDB层，提取该低分辨率样本图像的边缘信息；
4)生成器将各RDB层提取的信息在信道维度上叠加在一起，然后进行卷积处理、上采样后重构生成高分辨率图像；
5)将步骤4)生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的曼哈顿距离，得到损失值Lsr；
6)利用VGG网络提取该假数据的特征与对应标签数据的特征，然后计算该假数据的特征与对应标签数据的特征之间的损失值Lvgg；
7)将步骤4)生成的高分辨率图像及其多个下采样数据作为假数据，将输入的该低分辨率样本图像对应的标签数据及其多个下采样后的数据作为真实数据，根据该假数据与该真实数据计算生成器中损失函数的损失值；
8)将步骤4)生成的高分辨率图像及其多个下采样数据作为假数据，将输入的该低分辨率样本图像对应的标签数据及其多个下采样后的数据作为真实数据，根据该假数据与该真实数据计算判别器中损失函数的损失值；
9)将步骤5)、6)、7)所得损失值以加权的方式叠加在一起，作...

【专利技术属性】
技术研发人员：刘凯，刘冠群，王雷，王鑫，刘泽艺，郭晓博，何原野，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：北京;11