一种图像恢复方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种图像恢复方法、装置、设备及可读存储介质，涉及图像恢复领域，该方法包括：接收待恢复的图像，将图像输入头部神经网络映射得到特征值；将特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量；其中，隐层表示神经网络包括特征神经网络和Anderson加速模块；判断特征神经网络是否满足压缩映射条件；若是，停止迭代，将对应精确特征值输入尾部神经网络映射得到恢复图像；若否，继续迭代，直至判断特征神经网络满足压缩映射条件。通过Anderson加速算法加快不动点映射的迭代，避免了需要对不动点映射进行大量迭代而导致图像恢复速度慢的问题。进行大量迭代而导致图像恢复速度慢的问题。进行大量迭代而导致图像恢复速度慢的问题。

【技术实现步骤摘要】
一种图像恢复方法、装置、设备及可读存储介质


[0001]本专利技术涉及图像恢复领域，特别涉及一种图像恢复方法、装置、设备及计算机可读存储介质。

技术介绍

[0002]图像恢复是指对低质量的输入图像经过恢复方法处理重建高质量输出图像，是计算机视觉中的基本问题之一。随着深度神经网络的快速发展和在人工智能领域多个领域取得突破性进展，基于深度不动点方法的隐层神经网络方法得到广泛关注和研究，在深度不动点方法中，不动点映射函数被深度神经网络参数化表示，通过不断地迭代该映射函数，即将深度不动点输出的特征表示再次作为输入特征，输入到深度不动点映射中，从而实现在不增加网络层数、参数的情况下，有效增加深度神经网络的等效深度，从而达到一个好的特征表示值，有利于提高恢复图像质量。
[0003]目前，虽然深度不动点方法在有限内存消耗下实现隐式无限深度的神经网络，但是在迭代逼近不动点过程中，需要对基于深度神经网络参数化的压缩映射函数进行大量的迭代，一般在百或者千次量级，导致推理速度慢。

技术实现思路

[0004]本专利技术的目的在于提供一种图像恢复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像恢复方法，其特征在于，包括：接收待恢复的图像，将所述图像输入头部神经网络映射得到特征值；将所述特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量；其中，所述隐层表示神经网络包括特征神经网络和Anderson加速模块；判断所述特征神经网络是否满足压缩映射条件；若是，停止迭代，将对应精确特征值输入尾部神经网络映射得到恢复图像；若否，继续迭代，直至判断所述特征神经网络满足所述压缩映射条件。2.根据权利要求1所述的图像恢复方法，其特征在于，所述将所述特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量；其中，所述隐层表示神经网络包括特征神经网络和Anderson加速模块，包括：将所述特征值和所述初始化隐变量输入所述隐层表示神经网络进行迭代得到所述精确特征值和所述迭代隐变量；其中所述特征神经网络为残差结构卷积神经网络。3.根据权利要求1所述的图像恢复方法，其特征在于，所述将所述特征值和初始化隐变量输入隐层表示神经网络进行迭代得到精确特征值和迭代隐变量，包括：在所述隐层表示神经网络中，确定第一加权系数，确定第二加权系数，确定残差；将所述特征值、所述初始化隐变量、所述第一加权系数、所述第二加权系数和所述残差输入所述隐层表示神经网络中的第一模型进行迭代得到所述精确特征值和所述迭代隐变量；其中，所述第一模型的数学表达式为：式中，norm为深度神经网络层归一化操作，conv为深度神经网络卷积算子，z
x
为所述第一加权系数，z
h
为所述第二加权系数，resi为所述残差，f
θ
为所述特征神经网络，x
t
为当前步精确特征值，x
t+1
为当前步迭代一次后的精确特征值，h
t
为当前步迭代隐变量，h
t+1
为当前步迭代一次后的迭代隐变量。4.根据权利要求3所述的图像恢复方法，其特征在于，所述确定残差，包括：利用所述隐层表示神经网络中的第二模型基于所述精确特征值确定所述残差；其中，所述第二模型的数学表达式为：resi＝conv(f
θ
(x
t
)
‑
x
t
)式中，conv为所述深度神经网络卷积算子，f
...

【专利技术属性】
技术研发人员：乔鹏，刘斯盾，孙涛，窦勇，李荣春，许金伟，姜晶菲，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：