一种轻量化超分辨率重建方法技术

本发明专利技术公开了一种轻量化超分辨率重建方法，通过将待处理图像输入至深度特征提取网络，得到图像深度特征；并根据图像深度特征和待处理图像，得到超分辨率重建图像；其中，深度特征提取网络包括n个深度特征转换块，每个深度特征转换块包括渐进式细化模块、线性变换模块和多尺度特征融合模块，用于通过U型特征蒸馏提取待处理图像的多尺度特征信息；本发明专利技术提供的超分辨率重建方法，在提升模型性能的同时，利用深度可分离卷积和线性变换模块大幅度降低模型参数量。降低模型参数量。降低模型参数量。

【技术实现步骤摘要】
一种轻量化超分辨率重建方法


[0001]本专利技术涉及深度学习与计算机视觉
，更具体的说是涉及一种轻量化超分辨率重建方法。

技术介绍

[0002]图像超分辨率重建(Super
‑
Resolution,SR)的根本任务是将低分辨率图像恢复到期望的高分辨率图像。
[0003]随着卷积神经网络的兴起和图形处理单元的空前改进，越来越多基于深度学习的SR模型被提出，这种方法可以通过组合多种功能块提高特征提取模块的映射能力，可以通过组合更多的特征提取模块提高网络的重建性能，但是模块的堆砌会带来较高的计算复杂度和高量级的参数量，导致网络的实时性和适用性不足。
[0004]同时，由于图像超分辨率重建任务的根本目的是图像尺寸的放大，图像上采样部分在重建过程中极为重要，当前常用的上采样方法有基于插值的上采样、转置卷积和亚像素卷积三种方法。由于亚像素卷积使用的重建信息完全由原图像获得，有利于图像的细节恢复，目前该方法在SR任务中最常使用，但是这种上采样方法仍有一个尚未解决的问题，重建结果中存在明显的不平滑。因此，解决当前上采样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化超分辨率重建方法，其特征在于，包括，将待处理图像输入至深度特征提取网络，得到图像深度特征；所述深度特征提取网络包括n个深度特征转换块，每个所述深度特征转换块包括渐进式细化模块、线性变换模块和多尺度特征融合模块，用于通过U型特征蒸馏提取所述待处理图像的图像深度特征；根据所述图像深度特征和所述待处理图像，得到超分辨率重建图像。2.根据权利要求1所述的一种轻量化超分辨率重建方法，其特征在于，所述待处理图像输入至所述深度特征提取网络前，先输入至浅层特征提取网络，提取所述待处理图像的浅层特征，然后将所述浅层特征输入至所述深度特征提取网络。3.根据权利要求2所述的一种轻量化超分辨率重建方法，其特征在于，所述浅层特征提取网络包括一层3
×
3卷积和一层1
×
1卷积。4.根据权利要求1所述的一种轻量化超分辨率重建方法，其特征在于，所述深度图像特征的提取步骤包括：所述待处理图像进入所述渐进式细化模块后，经通道分离得到精细特征和粗糙特征，所述精细特征进入所述线性变换模块，得到变换后的精细特征；所述粗糙特征进行卷积下采样，得到多尺度深度特征；变换后的所述精细特征和对应的所述多尺度深度特征，共同进入所述多尺度特征融合模块进行拼接融合，融合后得到所述图像深度特征。5.根据权利要求4所述的一种轻量化超分辨率重建方法，其特征在于，所述融合，是从尺度最小的...

【专利技术属性】
技术研发人员：周明亮，杨燕杰，蒲华燕，罗均，张太平，尚赵伟，向涛，房斌，
申请(专利权)人：重庆大学，
类型：发明
国别省市：