【技术实现步骤摘要】
用于高分辨率图像重建的方法、设备和计算机可读存储介质
[0001]本披露一般地涉及图像处理领域。更具体地，本披露涉及用于高分辨率图像重建的神经网络的训练方法、训练设备和相应的计算机可读存储介质。进一步，本披露还涉及用于高分辨率图像重建的重建方法、设备和相应的计算机可读存储介质。
技术介绍
[0002]作为低级计算机视觉任务，单图像超分辨旨在将低分辨率(“Low Resolution”，缩写为“LR”)的图像通过重建映射成高分辨率图像(“High Resolution”，缩写为“HR”)。从观测到的低分辨率图像重建出相应的高分辨率图像在监控设备、卫星图像遥感、数字高清、显微成像、视频编码通信、视频复原和医学影像等领域都有重要的应用价值。然而，这是一个病态的过程，因为多个高分辨率图像可以通过下采样映射到同一个低分辨率图像。为了解决这个逆问题，研究人员提出了许多图像超分辨率重建的方法。然而，当前多数方法所重建的图像依然相对模糊。即使有些方法能较好地解决模糊的问题，但是重建的高分辨率图像的边缘仍存在不符合实际情况的明显结构变形，或者...
【技术保护点】
【技术特征摘要】
1.一种用于高分辨率图像重建的神经网络的训练方法，其中所述神经网络包括低级特征提取模块、高级特征提取模块和图像重建模块，所述方法包括：接收作为训练数据的低分辨率图像；针对于所述低分辨率图像，执行以下前向传播操作：使用所述低级特征提取模块来从所述低分辨率图像中提取低级特征，以便获得低级特征图；使用一个或多个级联的所述高级特征提取模块来从所述低级特征图提取高级特征，以便获得高级特征图；以及使用所述图像重建模块来从所述高级特征图获取残差图像，并且至少根据残差图像来重建所述高分辨率图像，以作为训练结果；根据多个训练结果来获得损失函数，并且利用所述损失函数来执行针对所述神经网络的反向传播操作。2.根据权利要求1所述的训练方法，其中重建所述高分辨率图像包括根据所述残差图像和经插值放大后的所述低分辨率图像来重建所述高分辨率图像。3.根据权利要求1所述的训练方法，其中所述低级特征提取模块包括一个或多个依次连接的低卷积层，所述方法包括：利用一个低卷积层来对所述低分辨率图像的低级特征进行提取；或者利用所述多个依次连接的低卷积层来逐层对所述低分辨率图像的低级特征进行多层次特征提取。4.根据权利要求3所述的训练方法，其中所述低级特征提取模块还包括与所述低卷积层的输出连接的低融合层，并且所述低融合层的输出连接至所述高级特征提取模块的输入，所述方法包括：利用所述低融合层来将所述低卷积层的输出和所述高级特征提取模块的前次输出进行特征融合，以作为所述高级特征提取模块的输入。5.根据权利要求3所述的训练方法，其中所述高级特征提取模块包括依次连接的多个提取子模块，其中每个提取子模块包括多个级联的上下采样模块和通道注意力模块，所述方法包括：利用所述上下采样模块和通道注意力模块来提取高级特征。6.根据权利要求5所述的训练方法，其中相邻的两个所述提取子模块之间布置有高融合层和高卷积层，其中所述高融合层的输入分别与沿所述前向传播方向上游的上一提取子模块的输入和输出相连，或者所述高融合层的输入分别与沿所述前向传播方向上游的上一高融合层的输出和提取子模块的输出相连，所述方法包括：利用高融合层来进行特征融合；以及利用所述高卷积层对特征融合的图像执行特征提取，以作为沿前向传播方向下游的下一提取子模块的输入。7.根据权利要求6所述的训练方法，其中在相邻的上下采样模块和通道注意力模块之间布置有子融合层和降通道卷积层，其中所述子融合层的输入分别与沿所述前向传播方向上游的上一子融合层和通道注意力模块的输出相连，其中所述方法包括：利用所述子融合层执行特征融合；以及
利用所述降通道卷积层来降低高级特征的通道数。8.根据权利要求7所述的训练方法，其中所述降通道卷积层是1*1卷积层。9.根据权利要求7所述的训练方法，其中所述上下采样模块和所述通道注意力模块之间布置有第一加法器，所述方法包括：利用所述第一加法器对沿前向传播方向上游的两个所述上下采样模块的输出进行求和，以作为沿前向传播方向下游的下一所述通道注意力模块的输入。10.根...
【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：安徽寒武纪信息科技有限公司，
类型：发明
国别省市：
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。