一种极轻量的图像超分辨率重建方法技术

本发明专利技术公开了一种极轻量的图像超分辨率重建方法，其通过构建密集特征融合神经网络骨架，有效地缓解了浅层信息损失的问题；本发明专利技术基于蒸馏网络机制，设计了多尺度感受野特征融合架构，能提取到更为丰富多样的特征；本发明专利技术针对特征提取子单元，采用更加高效轻量的特征提取模块，大大提高整个网络的效率；本发明专利技术设计了基于哈希映射的极简non－local模块，以非常小的代价深度发掘点与点之间的相关性；另外，本发明专利技术巧妙融合空间信息，通道信息和二阶信息，得到了性能更佳的注意力模块。本发明专利技术提出的方法参数量少，计算量小，精度高，超越了目前800K以下的所有图像超分辨率重建方法。前800K以下的所有图像超分辨率重建方法。前800K以下的所有图像超分辨率重建方法。

【技术实现步骤摘要】
一种极轻量的图像超分辨率重建方法


[0001]本专利技术涉及计算机视觉领域，尤其涉及一种极轻量的图像超分辨率重建方法。

技术介绍

[0002]单幅图像超分辨率旨在从低分辨率输入中重建出高分辨率图像，但由于一张确定的低分辨率图像可以由多种高分辨率图像退化而成，导致了任务的不确定性和高难度。为了更好地解决这个问题，许多基于卷积神经网络的方法出现并取代了之前的传统方法，得到了很好的结果。但是，这些方法往往拥有大量的参数量和昂贵的计算消耗，因此轻量超分网络被进一步提出和研究。
[0003]早期的轻量超分网络仅仅采用20层来进行特征提取，但是其效果仅仅比传统方法好上一点。接着循环结构被引入轻量超分，虽然其大幅度削减了模型部署的大小，它的计算量得到了几何倍数的增长。不久后可记忆网络架构被引入超分，一定程度上解决了参数量和计算量失衡的问题。后来，一种非常有效的蒸馏网络架构被提出，该方法经历了好几个版本的更迭和优化，证明了其自身的优越性并达到当时最好的性能。最近，神经网络结构搜索也被应用于轻量超分领域，对手工设计的网络架构进行自适应修正，使之得到了不错本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极轻量的图像超分辨率重建方法，其特征在于，图像超分辨率重建方法包括：步骤1，构建密集特征融合神经网络模型的骨架，所述神经网络模型的骨架包括依次层级连接的多个特征提取模块和一个注意力模块；步骤2，基于蒸馏网络机制，将所述特征提取模块设计为多尺度感受野特征融合架构；步骤3，在所述神经网络模型的骨架中添加基于哈希映射的极简non－local模块，通过所述non－local模块通融合所述神经网络模型的各个网络层次所包含的特征信息；步骤4，融合通道注意力信息、空间注意力信息和二阶注意力信息后得到所述注意力模块。2.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述步骤1包括：融合每个所述特征提取模块前后的特征作为该特征提取模块的最终输出；融合所有所述特征提取模块的特征并通过所述注意力模块对该特征进行修正。3.根据权利要求2所述的图像超分辨率重建方法，其特征在于，融合层级连接的各个所述特征提取模块前后的特征的过程包括：各个所述特征提取模块的后方设置一条线将紧邻的前层特征提取模块的特征传递过来并进行通道级联，通过一个1
×
1卷积和激活函数进行特征融合；将每个所述特征提取模块得到的不同深度的特征通过下方的信息通道传输出来并进行通道级联和特征融合。4.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述特征提取模块包括：多个特征提取支路和对应的蒸馏支路，各个特征提取支路上设置有特征提取子单元，所述蒸馏支路由1
...

【专利技术属性】
技术研发人员：陶文兵，罗京，刘李漫，
申请(专利权)人：武汉图科智能科技有限公司，
类型：发明
国别省市：